SPSS数据分析报告.docx
《SPSS数据分析报告.docx》由会员分享，可在线阅读，更多相关《SPSS数据分析报告.docx（9页珍藏版）》请在冰豆网上搜索。
SPSS数据分析报告
SPSS数据分析报告
第一部分：
原始资料和数据
资料来源：
某班级29名同学实际情况
编号
姓名
性别
学科背景
年龄
身高
体重
体测成绩
1
吕鑫
0
文科
20.5
164.2
54.2
81
2
王阳
0
文科
20
158.3
46.2
75
3
洪华阳
0
理科
21
171
57.2
71
4
刘卫秀
0
理科
21
165.5
54
75
5
吴梦琦
0
文科
21
166.2
48
69
6
韩玮
0
文科
20
164.3
47
61
7
汤丽娟
0
文科
21
162.8
48.2
66
8
江桂英
0
理科
20
157.2
44.2
70
9
熊如意
0
文科
20
166.5
54.5
73
10
余婵
0
文科
19.5
156.2
45.5
77
11
彭茜
0
文科
20
165.4
52.4
66
12
赵丹
0
文科
20.5
174.3
55.6
76
13
安怡君
0
文科
20
175
56.2
72
14
武阳帆
0
文科
20.5
162.4
55.5
67
15
倪亚萍
0
文科
22
157.5
48.6
74
16
张明辉
1
文科
21.5
170
60
71
17
张春旭
1
理科
20.5
168.5
57.8
80
18
刘晓伟
1
文科
21
170.5
59.5
70
19
黄炜
1
文科
20.5
171
62.2
76
20
李强
1
文科
20.5
167.5
56.5
68
21
温明煌
1
文科
21.5
170
60
75
22
雷翀翀
1
理科
21
168.5
60
79
23
陈志强
1
文科
22
180
70.4
79
24
尹传萍
1
文科
21.5
165.2
55.6
78
25
郑南
1
理科
21.5
168.5
55.9
64
26
幸恒恒
1
文科
21.5
168.5
58
79
27
李拓
1
理科
21.5
172
68.1
66
28
张发宝
1
理科
21
160.5
52.5
73
29
杨涛
1
理科
21.5
176
70.5
72
第二部分：
数据分析
一、描述统计
打开文件“某班级29名同学的身高、体重、年龄数据”，通过菜单兰中的分析选项，进行描述性分析，选择年龄、体重和身高，求最大值、最小值、方差、偏度、峰度和均值，
得到如下结果：
描述统计量
N
极小值
极大值
均值
方差
偏度
峰度
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
身高
29
156.20
180.00
167.0172
33.840
-0.015
0.434
-0.146
0.845
体重
29
44.20
70.50
55.6655
46.780
0.437
0.434
0.159
有效的N（列表状态）
29
0.845
表1-1统计量描述分析
年龄
频率
百分比
有效百分比
累积百分比
有效
19.50
1
3.4
3.4
3.4
20.00
6
20.7
20.7
24.1
20.50
6
20.7
20.7
44.8
21.00
7
24.1
24.1
69.0
21.50
7
24.1
24.1
93.1
22.00
2
6.9
6.9
100.0
合计
29
100.0
100.0
表1-2年龄分布表
图1-3身高分布直方图
图1-4体重分布条形图
文字描述：
从SPSS分析结果中可以得出，有效数据共有29个。
其中年龄主要分布在19.5-22.0岁之间，其中又以20.5-21.5之间最多。
身高的极小值为156.20cm，极大值为180.00cm，均值为167.01，方差为33.84，该项指标方差过大，说明身高存在较大差异，当然极值的出现对此影响较大，从条形分布图中看出身高在165-175之间人数较多，身高的偏度为负，呈现右偏分布状态。
体重的极小值为44.20kg，极大值为70.5kg，均值为55.67kg，方差为46.78，该指标方差偏大，个体之间差异性显著，从条形图中可以看出50-60kg之间分布较多，体重的偏度为负，呈现出右偏分布状态，峰度为负，分布呈低峰态。
这些数据都可以从图表中轻易得出。
二、相关分析（以身高和体测成绩为例进行相关性分析）
图4-1身高和体测成绩之间的散点图
身高
体测成绩
身高
Pearson相关性
1
.097
显著性（双侧）
.615
N
29
29
体测成绩
Pearson相关性
.097
1
显著性（双侧）
.615
N
29
29
表4-1身高和体测成绩之间的相关性分析
按【图形】→【旧对话框】→【散点图】的流程，以身高为横轴，体测成绩为纵轴，得到如上如所示的散点图，可以看出各点分布较多零散，相关性不强。
再做【分析】→【相关】→【双变量】操作，得出如4-1所示的表格，可以看出相关系数仅为0.097，相关性较弱，与上面散点图所呈现出的状态相符合。
这表明身高和体测成绩之间的相关性不大。
三、均值检验（在此以身高为例，其他指标分析类似）
单个样本统计量
N
均值
标准差
均值的标准误
身高
29
167.0172
5.81722
1.08023
易知该样本总体服从正态分布，从中选出吴梦琪166.20cm，熊如意166.50cm，刘晓伟170.00cm，尹传萍165.20cm共4个数据。
计算得出的平均值为166.975。
我们现在以单样本T检验为例，对身高进行均值检验。
建立原假设H0：
总体均值与检验值之间不存在显著性差异。
下面我们对此进行分析：
选择菜单【分析】→【比较均值】→【单样本t检验】得出结果如下图
单个样本检验
检验值=166.975
t
df
Sig.（双侧）
均值差值
差分的95%置信区间
下限
上限
身高
0.039
28
0.969
0.04224
-2.1705
2.2550
表2-1，单样本T检验分析结果
由图表可知：
样本总体均值为167.02，标准差为5.82，均值标准误差为1.08023.样本检验值为166.975，第二列是统计量的观测值0.039；第三列是自由度；第四列是统计量观测值的双尾概率P值；第五列是样本均值与检验的差值；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，因为167.0172在置信区间（164.8045,169.23）内，所以我们有95%的把握认为总体均值和样本均值之间不存在显著性差异。
四、回归分析（在此以身高和体重之间的关系为例进行分析）
有科学研究表明，身高和体重存在一定得线性相关关系，在此我们以某班级29个样本为例为此作出分析。
选择【分析】→【回归】→【线性】进行分析，得到如下的输出结果：
输入／移去的变量b
模型
输入的变量
移去的变量
方法
1
体重a
.
输入
a.已输入所有请求的变量。
b.因变量:
身高
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
.847a
.717
.706
3.15356
a.预测变量:
（常量）,体重。
表5-1
表5-2
从表5-2中可以看出相关系数R=0.847，即身高和体重之间存在较强的线性相关关系。
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
（常量）
126.939
4.886
25.982
.000
体重
.720
.087
.847
8.263
.000
a.因变量:
身高
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
679.007
1
679.007
68.276
.000a
残差
268.514
27
9.945
总计
947.521
28
a.预测变量:
（常量）,体重。
b.因变量:
身高
系数Bootstrap
模型
B
Bootstrapa
偏差
标准误差
显著性水平（双侧）
93.3%置信区间
下限
上限
1
（常量）
126.939
-.719
5.924
.033
113.641
139.147
体重
.720
.014
.104
.033
.514
.962
a.Unlessotherwisenoted,bootstrapresultsarebasedon29bootstrapsamples
从上图中可以得出体重x对身高y的线性关系可以用二元线性函数表示，a=0.72，b=126.939.相应的直线方程为y=0.72x+126.939.
（注：
可编辑下载，若有不当之处，请指正，谢谢!
）
升级会员 