SPSS上机实验报告Word下载.docx
《SPSS上机实验报告Word下载.docx》由会员分享，可在线阅读，更多相关《SPSS上机实验报告Word下载.docx（23页珍藏版）》请在冰豆网上搜索。
从频数分布表可以看出样本值、频数占总数的百分比、累计百分比。
从带正态曲线的直方图可以看出销售额集中在110
列联表成绩：
绘制频数表、相对频数表并进行显着性检验和关系强度分析
绘制频数表、相对频数表并分析
满意度*性别交叉制表
性别
男性
女性
满意度
不满意
计数
19
8
27
满意度中的%
%
性别中的%
总数的%
一般
23
21
44
满意
12
17
29
54
46
100
卡方检验
值
df
渐进Sig.（双侧）
Pearson卡方
.090
似然比
.085
线性和线性组合
.031
有效案例中的N
a.0单元格%）的期望计数少于5。
最小期望计数为。
对称度量
近似值Sig.
按标量标定
φ
.220
Cramer的V
a.不假定零假设。
b.使用渐进标准误差假定零假设。
从卡方检验看出sig>
不显着。
所以男生女生对满意与否评价没有差异
方差分析成绩：
单因子方差分析、多因子方差和协方差分析
进行单因子方差分析并输出方差分析表、显着性检验及解释结果、多因子方差和协方差分析并输出方差分析表和协方差分析表、显着性检验及解释结果。
单因子方差分析
分析——比较均值，单因素——键入销售额为因变量，键入促销力度为因子——两两比较打钩L检验，选项方差齐性检验打钩得：
ANOVA
平方和
均方
F
显着性
组间
22
.000
组内
7
总数
多因子方差分析
分析——一般线性模型，单变量——键入店内促销和赠券状态为固定因子，销售额为因变量——两两比较打钩L检验，选项方差齐性检验打钩，得：
主体间效应的检验
因变量:
源
III型平方和
Sig.
校正模型
5
截距
店内促销
赠券状态
店内促销*赠券状态
.206
误差
24
.967
总计
校正的总计
a.R方=.875（调整R方=.849）
协方差分析
分析——一般线性模型，单变量——键入店内促销和赠券状态为固定因子，销售额为因变量，键入客源排序为协变量——两两比较打钩L检验，选项方差齐性检验打钩，得：
6
客源排序
.838
.862
.363
.208
.972
a.R方=.880（调整R方=.848）
单因子：
组间显着性为，小于，显着影响。
多因子：
店内促销和赠券状态显着性分别都为，小于，显着影响。
但是店内促销和赠券状态交互作用的显着性为，大于，不显着。
协方差：
经协变量客源排序的显着性为，对销售额影响不显着。
店内促销的显着性为，小于，对销售额影响显着。
赠券状态的显着性为，小于，对销售额影响显着。
店内促销和赠券状态的交互作用显着性为，大于，对销售额影响不显着
相关分析成绩：
计算Pearson相关系数和简单相关系数并分析
分析——相关，双变量——添加收、家庭人口、受教育程度、汽车保有量——默认pearson分析——确定，得：
相关性
收入
家庭人口
家长受教育年数
汽车保有量
Pearson相关性
.327**
.208*
显着性（双侧）
.936
.001
.038
.122
.576**
.226
.207*
.039
**.在.01水平（双侧）上显着相关。
*.在水平（双侧）上显着相关。
1、收入对受教育年数，相关系数为，显着性为，小于，所以收入和受教育年为正向相关，且相关性很强。
2、收入对汽车保有量，相关系数为，显着性为，小于，所以收入对汽车保有量为正向相关。
3、家庭人口对汽车保有量，相关系数为，显着性为，小于，所以收入对汽车保有量为正向相关，且相关性很强。
4、受教育年数对收入，相关系数为，显着性为，小于，所以受教育年数对收入为正想相关，且相关性很强。
回归分析成绩：
掌握简单回归模型和多元回归分析的SPSS操作方法
检验简单回归模型、绘制散点图、输出回归结果并分析、残差分析；
检验多元回归分析模型、输出回归结果并分析及残差分析。
（一）简单回归
得出
模型汇总
模型
R
R方
调整R方
标准估计的误差
.754a
.569
.554
a.预测变量:
（常量）,促销水平。
Anovaa
回归
.000b
残差
28
a.因变量:
月均销售额
b.预测变量:
系数a
非标准化系数
标准系数
t
B
标准误差
试用版
（常量）
.817
促销水平
.378
R方为，拟合优度一般。
P值sig显着
表达式：
销售额=促销水平
（二）多元线性回归
得：
.925b
.856
.846
.995
（常量）,店内促销。
（常量）,店内促销,赠券状态。
.000c
.990
销售额
c.预测变量:
.727
.222
R方在第二次拟合达到，说明模型的拟合的情况非常好
方差分析表显示P值sig<
，说明模型非常显着。
销售额=店内促销*赠券状态
Logistic回归成绩：
掌握Logistic回归分析的SPSS操作方法
估计和检验Logistic回归系数并解释结果。
得出：
分类表a
已观测
已预测
品牌忠诚
百分比校正
步骤1
3
总计百分比
a.切割值为.500
方程中的变量
Wals
Exp（B）
步骤1a
品牌态度
.479
.008
产品态度
.186
.322
.335
.563
购物态度
.590
.491
.230
常量
.010
a.在步骤1中输入的变量:
品牌态度,产品态度,购物态度.
结果显示：
品牌忠诚=*品牌态度+*产品态度+*购物态度
其中品牌态度的sig小于,所以品牌态度与品牌购买正向变化显着。
但是因为产品态度和购物态度的sig大于，所以这两个变量与品牌购买的正向变化不显着
因子分析成绩：
掌握因子分析的SPSS操作方法
KMO和Barlett氏检验；
输出碎石图及旋转前后的因子矩阵；
各因子的特征值和解释的方差比例；
解释因子并命名；
计算因子得分。
步骤处理：
分析——降维——因子分析
将度量变量键入变量框，
选取描述，勾选KMO与bartlett球形度检验
选取抽取，勾选碎石图
选取旋转，勾选载荷图
选取得分，勾选保存变量和因子得分系数矩阵
KMO和Bartlett的检验
取样足够度的Kaiser-Meyer-Olkin度量。
.589
Bartlet
t的球形度检验
近似卡方
15
如图所示：
解释的总方差
成份
初始特征值
提取平方和载入
方差的%
累积%
.431
4
.345
.305
.077
提取方法：
主成份分析。
成份矩阵a
预防蛀牙
.940
.189
牙齿亮泽
.814
保护牙根
.930
.059
口气清新
.800
不预防坏牙
富有魅力
.884
提取方法:
主成分分析法。
a.已提取了2个成份。
旋转成份矩阵a
.957
.849
.916
.852
.108
旋转法:
具有Kaiser标准化的正交旋转法。
a.旋转在3次迭代后收敛。
成份得分系数矩阵
.366
.083
.358
.362
.026
.352
.389
构成得分。
KMO值为，sig值为，适合作因子分析
各因子的特征值和解释的方差比例可以在“解释的总方差”中看出，其中我们可以知道，特征值和可以解释方差比例分别是%和%。
因为因子1在预防蛀牙、保护牙根有很大载荷，所以将其命名为保健因子。
因子2在牙齿亮泽、口气清新、富有魅力有很大载荷，所以将其命名为社交因子。
计算因子得分，得
保健因子=*预防蛀牙*牙齿亮泽+*保护牙龈*口气清新*不预防坏牙*富有魅力
社交因子=*预防蛀牙+*牙齿亮泽+*保护牙根+*口气清新*不预防坏牙+*富有魅力
聚类分析成绩：
掌握分层聚类和K-means聚类的SPSS操作方法
进行分层聚类和K-means聚类分析并输出结果。
分层聚类：
分析——分类——系统聚类
将度量变量键入变量框，勾选统计量中的聚类成员中的方案范围，并且设置为最小3最大5.
勾选绘制中的树状图
打开保存选项卡，勾选聚类成员中的方案范围，设置最小3最大5
结果如图所示：
聚类表
阶
群集组合
系数
首次出现阶群集
下一阶
群集1
群集2
14
16
10
13
11
9
20
18
群集成员
案例
5群集
4群集
3群集
*******************HIERARCHICALCLUSTERANALYSIS*******************
DendrogramusingAverageLinkage（BetweenGroups）
RescaledDistanceClusterCombine
CASE0510152025
LabelNum+---------+---------+---------+---------+---------+
14-+
16-+-+
10-++-+
4---++-------------+
19-----++-------------------+
18-------------------+|
2-+-------++---------+
13-+|||
5-+-++-----------------------------+|
11-++-+||
9---++---+|
20-----+|
3-+---------+|
8-+||
6-+-++-+|
7-+||||
12---+---+|+-----------------------------------+
1---++---+|
17-------+|
15-------------+
K均值聚类：
分析——分类——K聚类
将变量键入变量框，
勾选保存中的聚类成员
勾选选项中的是统计量下的三个复选框
初始聚类中心
聚类
购物有趣
购物导致超支
购物与就歺结合
争取最合算交易
对购物没兴趣
比较价格省钱
聚类成员
案例号
距离
.853
迭代历史记录a
迭代
聚类中心内的更改
a.由于聚类中心内没有改动或改动较小而达到收敛。
任何中心的最大绝对坐标更改为.000。
当前迭代为2。
初始中心间的最小距离为。
最终聚类中心
最终聚类中心间的距离
.729
.354
.559
.891
.374
.549
.890
F检验应仅用于描述性目的，因为选中的聚类将被用来最大化不同聚类中的案例间的差别。
观测到的显着性水平并未据此进行更正，因此无法将其解释为是对聚类均值相等这一假设的检验。
每个聚类中的案例数
系统聚类：
从聚类表可以知道聚类的具体过程。
从群集成员表中可以知道，当划分为3——5类时，每一样品都分别属于哪一类。
从冰柱图可以知道聚合的具体过程。
从树状图可以知道样本逐步合并的过程。
K聚类：
从聚类成员分析可以知道每个案列属于哪一类并且每一案例到最终聚类中心的距离。
升级会员 