spss题目及答案汇总版Word文档格式.docx
《spss题目及答案汇总版Word文档格式.docx》由会员分享，可在线阅读，更多相关《spss题目及答案汇总版Word文档格式.docx（11页珍藏版）》请在冰豆网上搜索。
,说明方差齐性。
③t=;
p=<
说明身高大于等于155cm的与身高小于155cm的两组男生的体重有极显著性不同。
二、肺活量①m+s:
>
=155cm时,m=;
s=;
155cm时,m=；
s=；
说明说明身高大于等于155cm的与身高小于155cm的两组男生的体重有显著性不同。
二、以data06-04为例，判定体育疗法对降低血压是不是有效。
比较前后2种情形有无显著不同，用配对样本t查验，（analyze->
paired-samplesTtest）.
①m+s医治前伸展压：
m=;
医治后伸展压：
②相关系数correlation=;
p=>
说明体育疗法与降低血压相关。
p=<
说明体育疗法对降低血压有效。
3、以data07-01为例，比较四种饲料对猪体重增加的作用有无不同。
一个因素多个水平用单因素方差分析。
（analyze->
One-wayANOVA）。
操作中，contrast不用改;
post-hoc中需勾Bonferroni和S-N-K;
Options中需勾第1个descriptive和第3个Homegeneityofvariancetest.
①m+s:
A:
B:
m=；
C:
D:
F=;
③F=;
说明ABCD四种饲料对猪体重增加的作用有显著性不同。
④POST-HOC查验说明：
ABCD四种饲料对猪体重增加的作用成效从高到低依次为：
D>
C>
B>
A.（如何看图及如何排序，方式：
如表格中显示D-A=;
D-B=;
D-C=,假设D=100,那么易可计算出ABC的假设值，再依照假设值对ABCD进行排序即可）
4、以data07-10为例，分析四种药物对某生化指标有无显著性作用。
对一个样本重复测量时，作重复测量方差分析。
generallinearmodel->
repeatedmeasure）
操作：
一、概念:
factorname中填med;
numberoflevels中填4;
->
add->
define：
将四个指标一路添加到第一个框中去—》options中3个必要操作：
1将med选到右边框中去，2勾选下边的comparemaineffect,在confidentintervaladjustment复选框当选Bonferroni；
3desplay框当选第1个Des…和第2个Esti..。
->
OK
看结果时看第一个表descriptvestatics和第5个表testofwithin-subjectseffects表中的greenhouse-geisser结果F和Sig（即稍后要报告的p）即可
①m+s：
服药1后生化指标：
m=；
s=;
服药2后生化指标：
服药3后生化指标：
服药4后生化指标：
s=.
②F=,p=<
说明不同显著，四种药物对某生化指标有显著性作用。
且其中药物4所起的作用最大，药物3所起的作用最大小（据平均值可看出来）。
五、以data08-01为例，分析国民收入与城乡居民储蓄存款余额之间的关系。
变量间不准确不稳固的转变关系称之为相关关系。
相关分析种类很多，spss中有二列相关（Bivariate）、偏相关（partial）、距离分析（distances）3类。
其中的二列相关分析（Bivariate）有3种：
⑴Pearson皮尔逊相关系数，即积差相关：
确实是2个变量标准分数乘积的算术平均数，它用于两个变量都是持续型变量时；
⑵Kendall’stau-b:
即肯德尔和谐系数，用于2（/3个以上）变量都是离散型变量时，可查验多个被试是不是具有一致性。
它分单维和双维。
⑶Speaman斯皮尔曼品级相关：
用于两变量中有1个是离散型变量时。
Analyze—>
Correlate—>
Bivariate（此题符合Pearson相关）
1）Variables：
选入这两个变量
2）Options：
勾选Meansandstandarddeviations即可。
①m+s国民收入m=，其S=；
城乡居民储蓄存款m=，s=。
②相关系数r=**，相关极显著，且成正相关。
6、以data08-03为例，判定树木的月生长量与月平均气温、月降雨量、月平均日照时数、月平均湿度这4个气候因素的关系。
此题用偏相关partial，偏相关用于分析事物间是不是存在潜在的关系。
但作偏相关都第一需作一样相关。
第一步：
二列相关
Bivariate（Pearson相关）
1）variables：
选入所有变量
2）option：
Meansandstandarddeviations前打钩。
①5个变量的平均数和标准差：
m+s（见截图）
②树木的月生长量与四个因子相关系数别离为：
（看有无*，看*有多少）
相关系数r=**，相关极显著，成正相关。
相关系数r=*，相关显著，成正相关。
相关系数r=，无显著相关。
第二步：
偏相关
Paritable（Pearson相关）
树木的月生长量与月平均气温；
2）Controllingfor：
月降雨量、月平均日照时数、月平均湿度
做其它二者之间的关系，操作类似，只是有点麻烦。
r=，其他因素对树木的月生长量与月平均气温之间的关系有阻碍；
r=，…有阻碍；
r=，…有阻碍。
（因为树木的月生长量与月平均湿度之间无显著相关，就没必要再做偏相关）
7、以data02-01为例，成立一个以初始工资、工作体会、受教育年数为自变量，当前工资为因变量的回归方程。
回归表示一个变量随另一个变量作不同程度转变的单向关系。
依照自变量的多少克可分为一元回归分析与多元回归分析。
进程：
先做散点图，判定是用线性回归仍是曲线回归（一样用线性回归）
一、打开data，选择REGRESSION——linearregression，选择因变量、自变量。
二、在method当选择stepwise
三、在statistics中增加选项Rsquaredchange,descriptive
①目前工资的平均值是...，标准差是...
初始工资的平均值是...，标准差是..
工作体会的平均值是...，标准差是...
教育年数的平均值是...，标准差是...
DescriptiveStatistics
Mean
Std.Deviation
N
CurrentSalary
474
BeginningSalary
EducationalLevel（years）
MonthssinceHire
②.说明力度为，说明力度专门大.
ModelSummary
Model
R
RSquare
AdjustedRSquare
Std.ErroroftheEstimate
ChangeStatistics
RSquareChange
FChange
df1
df2
Sig.FChange
1
.880（a）
.775
.774
472
.000
2
.890（b）
.792
.018
471
3
.895（c）
.801
.800
.008
470
Coefficients（a）
（Constant）
.031
.047
.880
.059
.771
.172
.058
.779
.163
.092
aDependentVariable:
CurrentSalary
③回归方程：
Y^=—+*beginingsalary+*educationallevel+*monthssinceHire
8、掷一颗六面题300次，见data10-01a，问这颗六面体是不是均匀？
X2卡方是查验实际频数与理论频数之间不同的统计量。
6面体若是均匀的话，6个面显现的频数应该是无显著不同。
Analyse—NonparametricTests—Chi—square（卡方查验）
将Imt加入到TestVariableList里
Options——勾选Descriptive
由结果可知X2=P=>
，说明无显著性不同,
因此，这颗六面体均匀。
9、某研究者就目前就业情形作调查，在68名男性大学生中，39人以为“专门好”，29人以为“不行”，在57名女性大学生中，42人以为“不行”，15人以为“专门好”，试问大学生的态度是不是与其性别有关？
原理同上题，理论值和实测值若是有显著性不同，那么与其有关，假设无显著性不同，那么无关。
创建表：
概念变量gender,attitude,num，输入数据
Data——weightcase——num
选择descriptivestatistics——crosstabs
ROW——gender,COLUMN——attidtude
STATISTICS当选择chi_squareCELLDISPLAY中增加选项COUNTS:
EXPECTED
①.男性以为专门好的实测值有39人，期望值为人；
男性以为不行的实测值有29人，期望值是人；
女性以为专门好的实测值有15人，期望值为人；
女性以为不行的实测值有42人，期望值是人。
②卡方查验结果：
x2=，P=<
，说明学生态度受性别阻碍。
（看第一行Pear
升级会员 