spss的数据分析报告范例.docx
《spss的数据分析报告范例.docx》由会员分享，可在线阅读，更多相关《spss的数据分析报告范例.docx（15页珍藏版）》请在冰豆网上搜索。
spss的数据分析报告范例
集团标准化工作小组#Q8QGGQT-GX8G08Q8-GNQGJ8-MHHGN#
spss的数据分析报告范例
关于某地区361个人旅游情况统计分析报告
一、数据介绍：
本次分析的数据为某地区361个人旅游情况状况统计表，其中共包含七变量，分别是：
年龄，为三类变量；性别，为二类变量（0代表女，1代表男）；收入，为一类变量；旅游花费，为一类变量；通道，为二类变量（0代表没走通道，1代表走通道）；旅游的积极性，为三类变量（0代表积极性差，1代表积极性一般，2代表积极性比较好，3代表积极性好4代表积极性非常好）；额外收入,一类变量。
通过运用spss统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析，以了解该地区上述方面的综合状况，并分析个变量的分布特点及相互间的关系。
二、数据分析
1、频数分析。
基本的统计分析往往从频数分析开始。
通过频数分地区359个人旅游基本状况的统计数据表，在性别、旅游的积极性不同的状况下的频数分析，从而了解该地区的男女职工数量、不同积极性情况的基本分布。
统计量
积极性
性别
N
有效
359
359
缺失
0
0
首先，对该地区的男女性别分布进行频数分析，结果如下
性别
频率
百分比
有效百分比
累积百分比
有效
女
198
男
161
合计
359
表说明，在该地区被调查的359个人中，有198名女性，161名男性，男女比例分别为%和%，该公司职工男女数量差距不大，女性略多于男性。
其次对原有数据中的旅游的积极性进行频数分析，结果如下表：
积极性
频率
百分比
有效百分比
累积百分比
有效
差
171
一般
79
比较好
79
好
24
非常好
6
合计
359
其次对原有数据中的积极性进行频数分析，结果如下表：
其次对原有数据中的是否进通道进行频数分析，结果如下表：
Statistics
通道
N
Valid
359
Missing
0
通道
Frequency
Percent
ValidPercent
CumulativePercent
Valid
没走通道
293
通道
66
Total
359
这说明，在该地区被调查的359个人中，有没走通道的占%，占绝大多数。
上表及其直方图说明，被调查的359个人中，对与旅游积极性差的组频数最高的，为171人数的%，其次为积极性一般和比较好的，占比例都为%，积性为好的和非常好的比例比较低，分别为24人和6人，占总体的比例为%和%。
2、描述统计分析。
再通过简单的频数统计分析了解了职工在性别和受教育水平上的总体分布状况后，我们还需要对数据中的其他变量特征有更为精确的认识，这就需要通过计算基本描述统计的方法来实现。
下面就对各个变量进行描述统计分析，得到它们的均值、标准差、片度峰度等数据，以进一步把我数据的集中趋势和离散趋势。
描述统计量
N
极小值
极大值
均值
标准差
方差
偏度
峰度
统计量
统计量
统计量
统计量
统计量
统计量
统计量
标准误
统计量
标准误
收入
359
.129
.257
旅游花费
359
21
1006
.129
.257
有效的N（列表状态）
359
如表所示，以起始工资为例读取分析结果，359个人中收入最小值为￥，最大值为￥，平均￥，标准差为￥
偏度系数和峰度系数分别为和。
其他数据依此读取，则该表表明该地区旅游花费的详细分布状况。
3、探索性数据分析
（1）交叉分析。
通过频数分析能够掌握单个变量的数据分布情况，但是在实际分析中，不仅要了解单个变量的分布特征，还要分析多个变量不同取值下的分布，掌握多个变量的联合分布特征，进而分析变量之间的相互影响和关系。
就本数据而言，需要了解现工资与性别、年龄、受教育水平、起始工资、本单位工作经历、以前工作经历、职务等级的交叉分析。
现以现工资与职务等级的列联表分析为例，读取数据（下面数据分析表为截取的一部分）：
Count
性别*积极性交叉制表
计数
积极性
合计
差
一般
比较好
好
非常好
性别
女
96
47
41
12
2
198
男
75
32
38
12
4
161
合计
171
79
79
24
6
359
上联表及BarChart涉及两个变量，即性别与积极性的二维交叉，反映了在不同的性别对于旅游积极性分布情况。
上表中，性别成为行向量，积极性列向量。
（2）性别与收入的探索性分析
性别
CaseProcessingSummary
性别
Cases
Valid
Missing
Total
N
Percent
N
Percent
N
Percent
收入
女
198
%
0
.0%
198
%
男
161
%
0
.0%
161
%
Descriptives
性别
Statistic
Std.Error
收入
女
Mean
95%ConfidenceIntervalforMean
LowerBound
UpperBound
5%TrimmedMean
Median
Variance
Std.Deviation
Minimum
Maximum
Range
InterquartileRange
Skewness
.896
.173
Kurtosis
.310
.344
男
Mean
95%ConfidenceIntervalforMean
LowerBound
UpperBound
5%TrimmedMean
Median
Variance
Std.Deviation
Minimum
Maximum
Range
InterquartileRange
Skewness
.191
Kurtosis
.380
收入
Stem-and-LeafPlots
收入Stem-and-LeafPlotfor
性别=女
FrequencyStem&Leaf
1.0000000001111
1.7777
1.88888
.002.
2.5555
2.6
2.88
Extremes（>=3000）
Stemwidth:
Eachleaf:
1case（s）
收入Stem-and-LeafPlotfor
性别=男
FrequencyStem&Leaf
1.0000000000011
1.77
1.888889
2.000111
Extremes（>=2351）
Stemwidth:
Eachleaf:
1case（s）
结果分析如下
收入
女男
平均数
均数的95%可信区间（，）（，）
5%的调整均数
中位数
标准差
标准差
最小值
最大值
极差
四分位数间距
偏度系数
峰度系数.310
（3）p-p图分析
Age
结果分析
年龄在正态p-p图的散点近似成一条直线，无趋势正态p-p图的散点均匀分布在直线y=0的上下，故可认为本资料服从正态分布
4、相关分析。
相关分析是分析客观事物之间关系的数量分析法，明确客观事
之间有怎样的关系对理解和运用相关分析是极其重要的。
函数关系是指两事物之间的一种一一对应的关系，即当一个变量X取一定值时，另一个变量函数Y可以根据确定的函数取一定的值。
另一种普遍存在的关系是统计关系。
统计关系是指两事物之间的一种非一一对应的关系，即当一个变量X取一定值时，另一个变量Y无法根据确定的函数取一定的值。
统计关系可分为线性关系和非线性关系。
事物之间的函数关系比较容易分析和测度，而事物之间的统计关系却不像函数关系那样直接，但确实普遍存在，并且有的关系强有的关系弱，程度各有差异。
如何测度事物之间的统计关系的强弱是人们关注的问题。
相关分析正是一种简单易行的测度事物之间统计关系的有效工具。
Correlations
收入
旅游花费
额外收入
收入
PearsonCorrelation
1
.140**
.853**
Sig.（2-tailed）
.008
.000
N
359
359
359
旅游花费
PearsonCorrelation
.140**
1
.183**
Sig.（2-tailed）
.008
.000
N
359
359
359
额外收入
PearsonCorrelation
.853**
.183**
1
Sig.（2-tailed）
.000
.000
N
359
359
359
**.Correlationissignificantatthelevel（2-tailed）.
上表是对本次分析数据中，旅游花费、收入、、额外收入的相关分析，表中相关系数旁边有两个星号（**）的，表示显着性水平为时，仍拒绝原假设。
一个星号（*）表示显着性水平为是仍拒绝原假设。
先以现旅游花费这一变量与其他变量的相关性为例分析，由上表可知，旅游花费与额外收入的相关性最大，
5.回归分析
有相关性分析可得收入，旅游花费呈线性相关，因此作回归分析
VariablesEntered/Removedb
Model
VariablesEntered
VariablesRemoved
Method
1
收入a
.
Enter
a.Allrequestedvariablesentered.
b.DependentVariable:
旅游花费
ModelSummaryb
Model
R
RSquare
AdjustedRSquare
Std.ErroroftheEstimate
1
.140a
.020
.017
a.Predictors:
（Constant）,收入
b.DependentVariable:
旅游花费
ANOVAb
Model
SumofSquares
df
MeanSquare
F
Sig.
1
Regression
1
.008a
Residual
357
Total
358
a.Predictors:
（Constant）,收入
b.DependentVariable:
旅游花费
Coefficientsa
Model
UnstandardizedCoefficients
StandardizedCoefficients
t
Sig.
B
Std.Error
Beta
1
（Constant）
.000
收入
.024
.009
.140
.008
a.DependentVariable:
旅游花费
ResidualsStatisticsa
Minimum
Maximum
Mean
Std.Deviation
N
PredictedValue
359
Std.PredictedValue
.000
359
StandardErrorofPredictedValue
359
AdjustedPredictedValue
359
Residual
.000
359
Std.Residual
.000
.999
359
Stud.Residual
.000
359
DeletedResidual
359
Stud.DeletedResidual
.004
359
Mahal.Distance
.000
.997
359
Cook'sDistance
.000
.199
.003
.015
359
CenteredLeverageValue
.000
.131
.003
.008
359
a.DependentVariable:
旅游花费
Charts
由上图可知回归方程：
y=+（x1）,（P（Sig=<
即旅游花费=+*收入（p<
6单样本T检验
首先对现工资的分布做正态性检验，结果如下：
由上图可知，现工资的分布可近似看作符合正态分布，现推断现工资变量的平均值是否为$3,000,0，因此可采取单样本t检验来进行分析。
分析如下：
One-SampleStatistics
单个样本统计量
N
均值
标准差
均值的标准误
收入
359
单个样本检验
检验值=0
t
df
Sig.（双侧）
均值差值
差分的95%置信区间
下限
上限
收入
358
.000
由One-SampleStatistics可知，359个被调查的人中收入平均值
，标准差为，均值标准误差为。
图表One-SampleTest中，第二列是t统计量的观测值为；第三列是自由度为358（n-1）；第四列是t统计量观测值的双尾概率值；第五列是样本均值和检验值的差；第六列和第七列是总体均值与原假设值差的95%的置信区间为（,）。
该问题的t值等于对应的临界置信水平为0，远远小于设置的，因此拒绝原假设，表明该地区被调查的359名人中收入与
存在显着差异。
7，独立样本t检验
T-Test
GroupStatistics
性别
N
Mean
Std.Deviation
Std.ErrorMean
旅游花费
女
198
男
161
IndependentSamplesTest
Levene'sTestforEqualityofVariances
t-testforEqualityofMeans
95%ConfidenceIntervaloftheDifference
F
Sig.
t
df
Sig.（2-tailed）
MeanDifference
Std.ErrorDifference
Lower
Upper
旅游花费
Equalvariancesassumed
.013
357
.120
Equalvariancesnotassumed
.106
结果分析
得到两组的均数（mean）分别为198和161
独立样本t检验，取的t值与Sig为p>0..05
旅游花费不成显着性差异，由图中可知旅行的旅游花费较高。
学号:
姓名:
班级:
升级会员 