SPSS实验分析报告四修改版.docx
《SPSS实验分析报告四修改版.docx》由会员分享，可在线阅读，更多相关《SPSS实验分析报告四修改版.docx（25页珍藏版）》请在冰豆网上搜索。
SPSS实验分析报告四修改版
第一篇：
SPSS实验分析报告四
SPSS实验分析报告四
一、地区*日期*销售量
（一）、提出假设
原假设H0=“不同地区对销售量的平均值没有产生显著影响。
”H2=“不同日期对销售量的平均值没有产生显著影响。
”H3=“不同的地区和日期对销售量没有产生了显著的交互作用。
”
（二）、两独立样本t检验结果及分析
表
（一）
主旨間係數
地区
123日期
123
數值標籤
地区一地区二地区三周一至周三周四至周五
周末
N999999
表
（一）表示各个控制变量的分组情况，包括三个不同的地区以及三个不同日期的数据。
表
（二）
销售额多因素方差分析结果
主体间效应的检验
因變數:
销售量
來源第III類平方和修正的模型61851851.852
a
df8
平均值平方7731481.481
F8.350
顯著性.000截距地区日期地区*日期錯誤總計844481481.4812296296.2962740740.74156814814.81516666666.667923000000.000
1224182726
844481481.4811148148.1481370370.37014203703.704925925.926
912.0401.2401.48015.340
.000.313.254.000
校正後總數78518518.519a.R平方=.788（調整的R平方=.693）
由表
（二）可知，第一列是对观测变量总变差分解的说明；第二列是对观测变量总变差分解的结果；第三列是自由度；第四列是方差；第五列是F检验统计量的观测值；第六列是检验统计量的概率P值。
可以看到：
观测变量的总变差SST为78518518.519，它被分解为四个部分，分别是：
由地区（x2）不同引起的变差（2296296.296），由日期（x3）不同引起的变差（2740740.741），由地区和日期交互作用（x2*x3）引起的变差（5.681E7），由随机因素引起的变差（Error1.667E7）。
FX
1、FX
2、FX1*X2的概率P值分别为0.
313、0.2
54、0.000。
如果显著性水平α为0.05，由于FX
1、FX2的概率P值大于显著性水平α，因此不应该拒绝原假设，可以认为不同的地区、日期下的销售量总体均值不存在显著差异，对销售量的效应同时为0，各自不同水平没有给销售量带来显著影响。
同时，由于FX1*X2的概率P值小于显著性水平α，所以应该拒绝原假设，可以认为不同的地区和日期对销售量产生了显著的交互作用，在不同的地区，不同的日期会对销售额产生显著影响。
表
（三）
自訂假設檢定索引
1對照係數（L'矩陣）轉換係數（M矩陣）對照結果（K矩陣）
2對照係數（L'矩陣）轉換係數（M矩陣）
地区的偏差對照（省略種類=3）
恆等式矩陣零矩陣
日期的偏差對照（省略種類=3）
恆等式矩陣對照結果（K矩陣）零矩陣
表
（四）
不同地区下销售量的均值对比检验结果（K矩陣）
地区偏差對照
層次1對平均值
對比估計假設值
差異（評估值假設值）
標準錯誤顯著性
95%差異的信賴區間
a.省略的種類=3
下限上限下限上限
a因變數销售量-259.259
0-259.259261.891.335-809.473290.954407.4070407.407261.891.137-142.806957.621
表
（四）分别显示了三个不同地区销售量总体的均值检验结果，省略了地区三的检验结果，检验值是各水平下的总体均值。
可以看出：
地区一的销售量均值与检验值的差为259.259，标准误差为261.891，T检验统计量的概率P值为0.335，差值的95%置信区间的下限和上限分别为-809.473，290.954。
分析结论为：
地区一销售量的均值与检验值之间不存在显著差异。
同理，地区二销售量的均值与检验值之间不存在显著差异。
三个地区产生的影响没有显著差异。
表
（五）
地区对销售量影响的单因素方差分析结果
因變數:
销售量
來源比對平方和2296296.296
df218
平均值平方1148148.148925925.926
F1.240
顯著性.313錯誤16666666.667
表
（五）是地区对销售量影响的单因素方差分析结果。
可以看到：
不同地区可解释的变差为2296296.296，不可解释的变差为16666666.667，它们的方差分别为1148148.1
48、925925.926，F统计量的观测值为1.240，对应的概率P值为0.313。
如果显著性水平α为0.05，由于概率P值大于显著性水平α，所以原假设成立，认为不同地区对销售量的平均值没有产生显著影响。
表
（六）
不同日期下销售量的均值对比检验结果（K矩陣）
日期偏差對照
層次1對平均值
對比估計假設值
差異（評估值假設值）
標準錯誤顯著性
95%差異的信賴區間
下限
a
因變數销售量-370.370
0-370.370261.891.174-920.584179.843407.4070407.407261.891.137-142.806
上限
a.省略的種類=3
957.621
表
（六）分别显示了三个不同日期下销售量总体的均值检验结果，省略了日期三的检验结果，检验值是各水平下的总体均值。
可以看出：
日期一的销售量均值与检验值的差为370.370，标准误差为370.370，T检验统计量的概率P值为0.174，差值的95%置信区间的下限和上限分别为-920.58
4、179.843。
分析结论为：
日期一销售量的均值与检验值之间不存在显著差异。
同理，日期二销售量的均值与检验值之间不存在显著差异。
三个不同日期产生的影响没有显著差异。
表
（七）
日期对销售量影响的单因素方差分析结果
因變數:
销售量
來源比對錯誤
平方和2740740.74116666666.667
df218
平均值平方1370370.370925925.926
F1.480
顯著性.254
表
（七）是日期对销售量影响的单因素方差分析结果。
可以看到：
不同日期可解释的变差为2740740.741，不可解释的变差为16666666.667，它们的方差分别为1370370.370、925925.926，F统计量的观测值为1.480，对应的概率P值为0.254。
如果显著性水平α为0.05，由于概率P值大于显著性水平α，所以原假设成立，认为不同日期对销售量的平均值没有产生显著影响。
图
（一）地区与销售量的交互作用图
图
（一）中，从地区一至地区三，不同的日期销售额的变化波动很大且规律不一，直接结论是：
不同的日期和地区间存在明显的交互作用。
图
（二）日期与销售量的交互作用图
图
（二）中，在不同的日期，不同地区的销售额的变化规律都不一样，直接结论是：
不同的地区和日期间存在明显的交互作用。
二、香烟消耗量*肺癌死亡率
（一）、提出假设
原假设H0=“香烟消耗量对肺癌死亡率没有产生显著影响。
”
（二）、两独立样本t检验结果及分析
图
（三）香烟消耗量与肺癌死亡率的简单散点图
由图
（三）可知，香烟消耗量与肺癌死亡率存在一定的正相关关系。
表
（八）
香烟消耗量*肺癌死亡率相关关系分析
1930年人均香每百万男子中死
1930年人均香烟消耗量皮爾森（Pearson）相關
烟消耗量
于肺癌的人数
.737
**
顯著性（雙尾）
N每百万男子中死于肺癌的皮爾森（Pearson）相關
人数
顯著性（雙尾）
N**.相關性在0.01層上顯著（雙尾）。
11.737.01011
**
.01011111由表
（八）可知，香烟消耗量和肺癌死亡率的简单相关系数为0.737，说明两者之间存在正的强相关性，其相关系数检验的概率P值为0.010。
因此，当显著性水平α为0.01时，P值小于显著性水平应拒绝相关系数检验的原假设。
中相关系数上角的两个星号（**）表示显著性水平α位0.01时拒绝原假设。
三、销售额*销售价格*家庭收入
（一）、提出假设
原假设H0=“销售额对销售价格没有产生显著影响。
”H2=“家庭收入对销售价格没有产生显著影响。
”
（二）、两独立样本t检验结果及分析
图
（四）销售额与销售价格的简单散点图
由图
（四）可知，销售额与销售价格之间存在负相关关系。
图
（五）销售额与家庭收入的简单散点图
由图
（五）可知，销售额与家庭收入之间存在较强的正相关关系。
图
（六）销售价格和家庭收入的简单散点图
由图
（六）可知，销售价格与家庭收入之间存在弱的负相关关系。
表
（九）
销售额*销售价格相关系数计算结果
销售额皮爾森（Pearson）相關顯著性（雙尾）
N销售价格皮爾森（Pearson）相關顯著性（雙尾）
N
销售额110-.933**.00010
销售价格-.933**.00010110**.相關性在0.01層上顯著（雙尾）。
由表
（九）可知，销售额和销售价格的简单相关系数为-0.933，说明两者之间存在负的强相关性，其相关系数检验的概率P值为0。
因此，当显著性水平α为0.01时，应拒绝相关系数检验的原假设，认为两总体不是零相关。
另外，表
（九）中相关系数上角的两个星号（**）表示显著性水平α为0.01时拒绝原假设。
表
（十）
销售价格和销售额的偏相关分析结果
控制變數
家庭收入销售价格
相關顯著性（雙尾）
df
销售额
相關顯著性（雙尾）
df
销售价格1.000.0-.728.0267
销售额-.728.02671.000.0
由表
（十）可知，在家庭收入作为控制变量的条件下，销售价格和销售额的偏相关系数为-0.728，呈较强的负相关，高于简单相关系数。
第二篇：
SPSS实验报告1
实验报告
课程名称
数据分析
实验名称
均值比较与方差分析
系别电子信息科学学院专业班级信息管理15级专升本
指导教师
学号
姓名
实验日期2015年11月18日实验成绩
一、实验目的
1．掌握均值比较和方差分析的原理、过程和应用
2．掌握两独立样本和两配对样本的t检验的过程和结果解释3．掌握单因素方差分析的分析过程和结果解释4．掌握多因素方差分析的分析过程和结果解释
二、实验环境
1．硬件环境：
微机
2．软件环境：
Windows，SPSSStatistics22
三、实验内容
1．数据文件GSS2004_Mod.sav中记录了男性或女性每周上网浏览网页的时间（变量WWWHR，单位小时）。
用两独立样本t检验方法分析男性和女性在上网时间上是否不同。
（1）原假设
男性和女性的上网时间没有显著差异。
（2）参数设置
检验变量：
WWWHOURSPERWEEK分组变量：
GENDER（3）操作步骤及计算结果操作步骤：
①选择菜单：
【分析A】→【比较均值（M）】→【独立样本T检验（T）】；如图1-1
图1-1
第1页共6页②选择检验变量“WWWHOURSPERWEEK”到【检验变量（T）】框中。
③选择总体标识变量“GENDER”到【分组变量（G）】框中。
④点击按钮定义两总体的标示值，如图1-2。
其中，【使用指定值（U）】表示分别输入对应两
个不同总体的标记值。
图1-2
计算结果：
（4）结果及其解释
结果：
男性和女性的上网时间存在显著差异。
解释：
从独立样本鉴定的表中可以看出F检验值为15.182，对应的概率P值为0.00＜0.05，所以拒绝原假设。
由于两总体方差有显著差异所以要看到“不采用相等变异数”这一列，其中T统计量的值为4.866，对应的概率P值为0.00。
如果显著性水平α为0.05，由于概率P值小于0.05，所以认为量总体的均值有显著差异。
并且95%置信区间不夸零，也说明了有显著差异。
2．数据文件GSS2004_Mod.sav中记录了受访者父亲和母亲的受教育情况。
试用两配对样本t检验方法比较父亲的受教育情况（变量PAEDUC）和母亲的受教育情况（变量MAEDUC）是否不同。
（1）原假设
父亲的受教育情况和母亲的受教育情况没有显著差异。
（2）参数设置
成对变量：
PAEDUC，MAEDUC（3）操作步骤及计算结果①选择菜单：
第2页共6页【分析（A）】→【比较均值（M）】→【配对样本T检验（P）】，如图2-1
图2-1②选择PADUC和MADUC到【成对变量（V）】框中。
结果：
图2-2
图2-3
图2-4（4）结果及其解释
结果：
父亲的受教育情况和母亲的受教育与情况没有显著差异。
解释：
从图2-2的平均值可以看出没有较大的差异。
图2-3中对应的概率P值为.000，如果显著性水平α为0.05，则表明父亲和母亲的受教育情况有明显的线性变化，父亲和母亲的受教育情况相关性程度较强。
从图2-4中可以看出，父亲与母亲的受教育情况的平均差异，仅只有0.49；95%置信区间的上下限一正一负，则表示两者接近无显著差异；最后相对应的概率P值0.494，如果显著性水平α为0.05，则接受原假设，所以父亲的受教育情况和母亲的受教育与情况无显著差异。
第3页共6页
3．一家关于MBA报考、学习、就业指导的网站希望了解国内MBA毕业生的起薪是否与各自所学的专业相关。
为此，他们在已经从国内商学院毕业并且获得学位的MBA学生中按照各专业分别随机抽取了10人，调查了这些学生的起薪情况，数据文件为MbaSalary.sav。
根据这些调查他们能否得出专业对MBA起薪有影响的结论。
（1）原假设
国内MBA毕业生各自所学专业与起薪情况没有显著关系。
（2）参数设置观测变量：
起薪控制变量：
专业
（3）操作步骤及计算结果操作步骤：
①选择菜单：
【分析（A）】→【比较均值（M）】→【单因素ANOVA】；②选择观测变量“起薪”到【因变量列表（E）】框中，如图3-1；
④选择控制变量“专业”到【因子（F）】框中，如图3-2；
图3-1计算结果：
图3-2（4）结果及其解释
结果：
国内MBA毕业生各自所学专业与起薪情况没有显著关系；
解释：
从图3-2可以看出，F统计量的观测值为2.459，对应的概率P值为0.079。
如果显著性水平α为0.05，由于概率P值大于显著性水平α，所以接受原假设，认为国内MBA毕业生各自所学专业与起薪情况没有显著关系。
4．一家连锁零售店试图对顾客的购买习惯进行调查。
grocery_1month.sav记录了顾客性别、购物方式、消费额等信息。
使用多因素方差分析方法分析顾客性别和购物方式对消费额有何影响。
（1）原假设
第4页共6页不同顾客性别没有对消费额产生显著差异；不同购物方式对消费额没有显著差异；顾客性别和购物方式对消费额没有产生显著的交互影响。
（2）参数设置观测变量：
消费额
控制变量：
顾客性别，购物方式（3）操作步骤及计算结果操作步骤：
①选择菜单：
【分析（A）】→【一般线性模型】→【单变量（U）】；②指定观测变量“消费额”到【因变量（D）】框中；
③指定固定效应的控制变量“顾客性别”和“购物方式”到【固定因子（F）】框中，如图4-1。
计算结果：
图4-2
图4-2
第5页共6页（4）结果及其解释
结果：
不同顾客性别对消费额有显著差异；不同购物方式对消费额没有显著差异；顾客性别和购物方式对消费额有显著的交互影响。
解释：
从图中可以看出Fgender，Fstyle，Fgender*style的概率P值分别为0.000，0.140和0.017.如果显著性水平α为0.05，由于Fgender，Fgender*style概率P值小于显著性水平α，所以应该拒绝原假设，可以认为不同顾客性别对消费额有显著差异，顾客性别和购物方式对消费额有显著的交互影响，而Fstyle概率P值小于显著性水平α，则接收原假设认为不同购物方式对消费额没有显著差异。
四、实验小结（心得体会、遇到问题及其解决方法）
第6页共6页
第三篇：
spss数据分析报告
关于某班级2012考试成绩、获奖情况统计分析
报告
一、数据介绍：
本次分析的数据为某班级学号排列最前的15个人在2012学习、获奖统计表，其中共包含七个变量，分别是：
专业、学号、姓名、性别、第一学期的成绩、第二学期的成绩、考级考证数量，通过运用spss统计软件，对变量进行频数分析、描述分析、探索分析、交叉列联表分析，以了解该班级部分同学的综合状况，并分析各变量的分布特点及相互间的关系。
二、原始数据：
三、数据分析
1、频数分析
（1）第一学期考试成绩的频数分析
进行频数分析后将输出两个主要的表格，分别为样本的基本统计量与频数分析的结果
1）样本的基本统计量，如图1所示。
样本中共有样本数15个，第一学期的考试成绩平均分为627.00，中位数为628.00，众数为630，标准差为32.859，最小值为568，最大值为675。
“第一学期的考试成绩”的第一四分位数是602，第二四分位数为628，第三四分位数为657。
2）“第一学期考试成绩”频数统计表如图2所示。
3）“第一学期考试成绩”Histogram图统计如图3所示。
（2）、第二个学期考试成绩的频数分析
1）样本的基本统计量，如图4所示。
第二学期的考试成绩平均分为463.47，中位数为452.00，众数为419，标准差为33.588，最小值为419，最大值为522。
“第二学期的考试成绩”的第一四分位数是435，第二四分位数为452，第三四分位数为496。
3）“第二学期考试成绩”频数统计表如图5所示。
3）“第二学期考试成绩”饼图统计如图6所
2、描述分析
描述分析与频数分析在相当一部分中是相重的，这里采用描述分析对15位同学的考级考证情况进行分析。
输出的统计结果如图7所示。
从图中我们可以看到样本数15，最小值1，最大值4，标准差0.941等统计信息。
3.探索分析。
探索分析能够对变量进行更为深入、详尽的描述性统计分析。
下面就利用探索式分析对不同性别的同学获奖情况进行探索分析。
1）在结果输出窗口中将看到如下统计数据。
如图8所示，给出了输出的观察量。
2）图9所示给出了根据性别分组的各组描述统计量。
根据表中的数据，2012，女生比男生获奖的次数多。
3）图10以茎叶图的形式也直观的呈现了女生获奖数量远远比男生多的现象。
，
4）图为稳健估计量表，给出了4种不同权重下因变量均值的稳健估计。
5）图11中给出了分组后的百分位数，分别输出男生和女生获奖数量的5%、10%、25%、75%、90%、及95%的百分位数。
4、交叉列联表分析
分析多个变量在不同取值情况下的数据分布情况，从而进一步的分析变量关系。
下面就利用交叉列联表分析不同性别学生对目前所学专业的态度。
在结果输出窗口中将显示如下统计数据。
1）观察量处理摘要表，如图12所示，
2）“性别”和“所学专业兴趣”的交叉列联表如图13所示，从图中我们可以看出，男生中对所学专业感兴趣的只有2个，（占22.2%），一般感兴趣的有4人，（占44.4%），不感兴趣的有3人，（占33.3%），理论值为3.6人感兴趣，3.0人一般感兴趣，2.4人不感兴趣，残差分别为-1.6，1.0，0.6。
女生中对专业感兴趣的有4人，（占66.7%），一般感兴趣的有1人，（占16.7%），不感兴趣的也有1人，（占16.7%），理论值为2.44人感兴趣，2.0人一般感兴趣，1.6人不感兴趣，残差分别为1.6，-1.0，-0.6.可见，男生对目前所学专业的兴趣与女生有很大差别。
3）图14是交叉分组下的频数分布图，从该图中我们可以很直观的看到数据分布情况。
第四篇：
SPSS实验报告二（最终版）
SPSS实验报告二
实验目的：
掌握方差分析、相关分析和回归分析的基本操作；掌握其中相关的问题检验；读懂输出结果并进行合理分析。
第一题：
利用外来工数据，使用多因素方差分析研究教育程度和月收入对家庭花费（V2_2c），
（1）说明两个因素的影响是否显著，有没有显著的交互作用；
（2）如果因素影响显著而交互作用不显著，建立非饱和模型，并利用多重比较比较（snk）各因素水平的高低；
第二题：
应用waste.sav数据，研究固体垃圾排放量与宾馆、餐饮业用地、零售业用地、运输、批发企业用地、金属制造业用地、工业企业用地的关系。
（1）、通过散点图观察变量间的相关关系，并使用Enter建立模型，判断各自变量间是否存在多重共线性，写出回归方程，说明T检验和F检验的结果
（2）、利用Stepwise建立模型，通过计算D-W统计量和作出残差分布图、pp图等方法初步判断是否存在序列相关、异方差和正态性，保存模型的预测值。
第三题：
完成P283，例题9-3，画出外出就餐和年份的散点图，利用复合函数，指数函数和三次函数进行拟合，选择最好的拟合模型，写出曲线方程，并对之后两年年的数据进行预测。
第五篇：
SPSS实验报告,
SSPSS软件应用实验报告
长春工业大学人文学院1４090６班
成昊3实验报告１
一、实验目得:
掌握SＰSS基本统计分析基本操作ﻩ二、实验内容:
１、根据上面得数据,制作茎叶图,并计算出均值与标准差,验证数据就是否服从正态分布。
2、按规定:
销售收入在125万元以上为先进企业,１1５～1２5万元为良好企业,１０５~115万元为一般企业,1０5万元以下为落后企业,按先进企业、良好企业、一般企业、落后企业进行分组,编制百分比分布统计表。
三、实验步骤;利用分析＞描述性统计〉探索,结果如下:
描述性統計資料
統計資料標準錯誤产品销售额平均數1１６、082。
440９5％平均數得信賴區間下限１１1、１4
上限1２1。
０1
5％修整得平均值1１5。
89
中位數115。
5０
變異數2３8.122
標準偏差15、４３1
最小值87
最大值150
範圍６３
內四分位距21
偏斜度。
23３。
37４峰度—、316。
73３常態檢定
Kolｍoｇoｒov—Smirnova
Sｈaｐiro—Ｗilk統計資料df顯著性統計資料dｆ顯著性产品销售额.100４０、２00*
.9８340.800*、這就是true顯著得下限。
a、Lilliefoｒs顯著更正产品销售额Stｅm－aｎd-LeafPloｔ
Ｆrｅquｅncy
Stｅm&
Ｌeａｆ
2、00
8、
78
3
升级会员 