下学期统计软件在林业中的应用答案.docx

下学期统计软件在林业中的应用答案.docx

《下学期统计软件在林业中的应用答案.docx》由会员分享，可在线阅读，更多相关《下学期统计软件在林业中的应用答案.docx（25页珍藏版）》请在冰豆网上搜索。

下学期统计软件在林业中的应用答案

统计软件在林业中的应用期末考试试题答案

姓名：

王权龙学号：

201001116012专业：

森林经理学

1.复式线型图

复式条型图

2

Descriptives

产鱼量

N

Mean

Std.Deviation

Std.Error

95%ConfidenceIntervalforMean

Minimum

Maximum

LowerBound

UpperBound

a

7

560.00

28.237

10.673

533.89

586.11

530

610

b

6

612.00

23.229

9.483

587.62

636.38

587

642

Total

13

584.00

36.763

10.196

561.78

606.22

530

642

ANOVA

产鱼量

SumofSquares

df

MeanSquare

F

Sig.

BetweenGroups

8736.000

1

8736.000

12.844

.004

WithinGroups

7482.000

11

680.182

Total

16218.000

12

因sig=0.04<0.05说明两种饵料养殖罗非鱼的产鱼量差异性显著.

3

表1.ANOVA

增量

SumofSquares

df

MeanSquare

F

Sig.

BetweenGroups

50.418

4

12.605

6.025

.002

WithinGroups

41.842

20

2.092

Total

92.260

24

由表1可知Sig=0.02<0.05,说明品种间增重有显著差异.

表2.TestofHomogeneityofVariance

增量

LeveneStatistic

df1

df2

Sig.

.363

4

20

.832

表2为方差齐性检验,相伴概率为0.832,远大于显著性水平0.05,表明各品种间增重总体方差相等,可进行多重比较.

表3.MultipleComparisons

DependentVariable:

增量

LSD

（I）品种

（J）品种

MeanDifference（I-J）

Std.Error

Sig.

95%ConfidenceInterval

LowerBound

UpperBound

b1

b2

3.000（*）

.8351

.002

1.258

4.742

b3

1.967（*）

.8758

.036

.140

3.794

b4

.542

.9336

.568

-1.406

2.489

b5

3.792（*）

.9336

.001

1.844

5.739

b2

b1

-3.000（*）

.8351

.002

-4.742

-1.258

b3

-1.033

.8758

.252

-2.860

.794

b4

-2.458（*）

.9336

.016

-4.406

-.511

b5

.792

.9336

.407

-1.156

2.739

b3

b1

-1.967（*）

.8758

.036

-3.794

-.140

b2

1.033

.8758

.252

-.794

2.860

b4

-1.425

.9703

.157

-3.449

.599

b5

1.825

.9703

.075

-.199

3.849

b4

b1

-.542

.9336

.568

-2.489

1.406

b2

2.458（*）

.9336

.016

.511

4.406

b3

1.425

.9703

.157

-.599

3.449

b5

3.250（*）

1.0228

.005

1.117

5.383

b5

b1

-3.792（*）

.9336

.001

-5.739

-1.844

b2

-.792

.9336

.407

-2.739

1.156

b3

-1.825

.9703

.075

-3.849

.199

b4

-3.250（*）

1.0228

.005

-5.383

-1.117

*Themeandifferenceissignificantatthe.05level.

表3为多重性比较,满足方差齐性的LSD法多重比较结果。

根据相伴概率sig与显著性水平的比较，从表中可以看出b1与b2,b3,b5之间差异显著；b2与b1,b4间差异显著；b3与b1,b5之间差异显著；b4与b2,b5差异显著；b5与b2,b3,b4之间差异显著。

4TestsofBetween-SubjectsEffects

DependentVariable:

剂量

Source

TypeIIISumofSquares

df

MeanSquare

F

Sig.

CorrectedModel

13075.000（a）

11

1188.636

.

.

Intercept

100467.000

1

100467.000

.

.

品系

6457.667

3

2152.556

.

.

剂量类别

6074.000

2

3037.000

.

.

品系*剂量类别

543.333

6

90.556

.

.

Error

.000

0

.

Total

113542.000

12

CorrectedTotal

13075.000

11

aRSquared=1.000（AdjustedRSquared=.）

从表中分析知注射不同剂量的雌激素对各品系有显著性差异，说明雌激素的剂量对子宫发育有影响。

5

MultipleComparisons

DependentVariable:

数量

LSD

（I）种类

（J）种类

MeanDifference（I-J）

Std.Error

Sig.

95%ConfidenceInterval

LowerBound

UpperBound

b1

b2

-2.50

2.741

.371

-8.16

3.16

b3

-12.42（*）

2.741

.000

-18.07

-6.76

b2

b1

2.50

2.741

.371

-3.16

8.16

b3

-9.92（*）

2.741

.001

-15.57

-4.26

b3

b1

12.42（*）

2.741

.000

6.76

18.07

b2

9.92（*）

2.741

.001

4.26

15.57

Basedonobservedmeans.

Themeandifferenceissignificantatthe.05level.

从表可以看出，b3与其他两种差异最显著，属于最优。

MultipleComparisons

DependentVariable:

数量

LSD

（I）肥源

（J）肥源

MeanDifference（I-J）

Std.Error

Sig.

95%ConfidenceInterval

LowerBound

UpperBound

a1

a2

17.67（*）

3.165

.000

11.13

24.20

a3

13.44（*）

3.165

.000

6.91

19.98

a4

3.67

3.165

.258

-2.87

10.20

a2

a1

-17.67（*）

3.165

.000

-24.20

-11.13

a3

-4.22

3.165

.195

-10.75

2.31

a4

-14.00（*）

3.165

.000

-20.53

-7.47

a3

a1

-13.44（*）

3.165

.000

-19.98

-6.91

a2

4.22

3.165

.195

-2.31

10.75

a4

-9.78（*）

3.165

.005

-16.31

-3.25

a4

a1

-3.67

3.165

.258

-10.20

2.87

a2

14.00（*）

3.165

.000

7.47

20.53

a3

9.78（*）

3.165

.005

3.25

16.31

Basedonobservedmeans.

*Themeandifferenceissignificantatthe.05level.

从表可以看出，a1与其他几种差异最显著，属于最优。

6做理想的回归方程

表1：

偏回归系数方差分析

ANOVAb

Model

SumofSquares

df

MeanSquare

F

Sig.

1

Regression

1.382E7

5

2763775.354

1128.303

.000a

Residual

24494.981

10

2449.498

Total

1.384E7

15

a.Predictors:

（Constant）,x5,x3,x4,x2,x1

b.DependentVariable:

y

由表可见，F=1128.303，P≈0<0.01，表明y—民航客运量与x1—国民收入（亿元）、x2—消费额（亿元）、x3—铁路客运量（万人）、x4—民航航线里程（万公里）、x5—来华旅游入境人数（万人）的综合线性影响是极显著的。

表2：

各变量偏回归系数及其检验

Coefficientsa

Model

UnstandardizedCoefficients

StandardizedCoefficients

t

Sig.

B

Std.Error

Beta

1

（Constant）

450.909

178.078

2.532

.030

x1

.354

.085

2.447

4.152

.002

x2

-.561

.125

-2.485

-4.478

.001

x3

-.007

.002

-.083

-3.510

.006

x4

21.578

4.030

.531

5.354

.000

x5

.435

.052

.564

8.440

.000

a.DependentVariable:

y

根据上表课建立以下多元回归方程:

Y=450.909+0.354x1-0.561x2-0.007x3+21.578x4+0.435x5。

并从表中得，偏回归系数x1—国民收入（亿元）、x2—消费额（亿元）、x3—铁路客运量（万人）、x4—民航航线里程（万公里）、x5—来华旅游入境人数（万人）相应的t值和显著性概率分别为tx1=4.152，px1=0.030<0.05；tx2=-4.478，px2=0.002<0.01；tx3=-3.510，px3=0.006<0.01；tx4=5.354，px4=0.000<0.01；tx5=8.440，px5=0.000<0.01所有的偏回归系数都显著说明该回归方程是最优方程。

7.聚类分析如下：

表1：

中国房地产9个指标间的相关系数阵

ProximityMatrix

Case

MatrixFileInput

x1

x2

x3

x4

x5

x6

x7

x8

x9

x1

.000

1470654.000

3.009E8

1.927E8

2.123E8

1.701E8

8.137E7

2.715E8

2.888E8

x2

1470654.000

.000

3.351E8

1.680E8

2.403E8

1.980E8

7.412E7

2.468E8

2.617E8

x3

3.009E8

3.351E8

.000

8.906E8

1.366E8

1.319E8

5.212E8

9.349E8

9.931E8

x4

1.927E8

1.680E8

8.906E8

.000

7.054E8

5.883E8

1.002E8

7.657E7

6.376E7

x5

2.123E8

2.403E8

1.366E8

7.054E8

.000

1.056E8

4.088E8

7.674E8

8.162E8

x6

1.701E8

1.980E8

1.319E8

5.883E8

1.056E8

.000

3.174E8

6.561E8

7.011E8

x7

8.137E7

7.412E7

5.212E8

1.002E8

4.088E8

3.174E8

.000

1.812E8

1.846E8

x8

2.715E8

2.468E8

9.349E8

7.657E7

7.674E8

6.561E8

1.812E8

.000

2418251.435

x9

2.888E8

2.617E8

9.931E8

6.376E7

8.162E8

7.011E8

1.846E8

2418251.435

.000

表2：

聚类过程描述表

AgglomerationSchedule

Stage

ClusterCombined

Coefficients

StageClusterFirstAppears

NextStage

Cluster1

Cluster2

Cluster1

Cluster2

1

1

2

1470654.000

0

0

4

2

8

9

2418251.435

0

0

3

3

4

8

7.017E7

0

2

7

4

1

7

7.775E7

1

0

7

5

5

6

1.056E8

0

0

6

6

3

5

1.343E8

0

5

8

7

1

4

2.106E8

4

3

8

8

1

3

5.421E8

7

6

0

从以上两表可分析如下:

由于该过程有9个变量，因此需经过9步聚类。

第一步:

变量x1与变量x2聚成一类，凝聚系数为1470654.000，与相关系数1470654.000一致。

第二步：

变量x8与变量x9聚成一类，凝聚系数为2418251.435，该凝集系数和变量x8和x9的相关系数一致，因为变量x8和x9事先都没有进入任何一组。

第三步：

变量x4与变量x8聚成一类，即变量x4进入已聚类的“变量x8与变量x9”之中，其凝聚系数为7.017E7，它不等于变量x4与变量x8的相关系数7.657E7。

也不等于变量x4与变量x9的相关系数6.376E7。

因此此处的凝聚系数是变量x4与变量x8、变量x9联合成后多重相关系数。

第四步：

变量x1与变量x7聚成一类，即变量x7进入已聚类的“变量x1与变量x2”之中，其凝聚系数为7.775E7，它不等于变量x7与变量x1的相关系数8.137E7，也不等于变量x7与变量x2的相关系数7.412E7。

因此此处的凝聚系数是变量x7与变量x1、变量x2联合成后多重相关系数。

第五步：

变量x5与变量x6聚成一类，凝聚系数为1.056E8，该凝集系数和变量x5和x6的相关系数一致，因为变量x5和x6事先都没有进入任何一组。

第六步：

变量x3与变量x5聚成一类，即变量x3进入已聚类的“变量x5与变量x6”之中，其凝聚系数为1.343E8，它不等于变量x3与变量x5的相关系数1.366E8，也不等于变量x3与变量x6的相关系数1.319E8。

因此此处的凝聚系数是变量x3与变量x5、变量x6联合成后多重相关系数。

第七步：

变量x1与变量x4聚成一类，即变量x4进入已聚类的“变量x1与变量x2”之中，其凝聚系数为2.106E8，它不等于变量x4与变量x1的相关系数1.927E8，也不等于变量x4与变量x2的相关系数1.680E8。

因此此处的凝聚系数是变量x4与变量x1、变量x2联合成后多重相关系数。

第八步：

变量x1与变量x3聚成一类，即变量x3进入已聚类的“变量x1与变量x2”之中，其凝聚系数为5.421E8，它不等于变量x3与变量x1的相关系数3.009E8，也不等于变量x3与变量x2的相关系数3.351E8。

因此此处的凝聚系数是变量x3与变量x1、变量x2联合成后多重相关系数。

8.建立判别函数，并判定另外4个待判样品属于哪类？

根据SPSS判别分析可得以下数据：

表1：

Eigenvalues

Function

Eigenvalue

%ofVariance

Cumulative%

CanonicalCorrelation

1

59.330（a）

98.8

98.8

.992

2

.693（a）

1.2

100.0

.640

aFirst2canonicaldiscriminantfunctionswereusedintheanalysis.

表2：

Wilks'Lambda

TestofFunction（s）

Wilks'Lambda

Chi-square

df

Sig.

1through2

.010

43.948

12

.000

2

.591

4.999

5

.416

表3：

StandardizedCanonicalDiscriminantFunctionCoefficients

Function

1

2

X1

-17.046

-7.677

X2

14.757

9.870

X3

-1.306

-.513

X4

6.381

-.666

X5

1.332

.710

X6

4.315

1.833

表4:

CanonicalDiscriminantFunctionCoefficients

Function

1

2

X1

-1.950

-.878

X2

1.748

1.169

X3

-.930

-.365

X4

.825

-.086

X5

.102

.054

X6

1.662

.706

（Constant）

-78.896

-30.330

表5：

FunctionsatGroupCentroids

类型

Function

1

2

第一组

-2.647

1.013

第二组

9.444

-.259

第三组

-6.797

-.754

表6：

ClassificationFunctionCoefficients

类型

第一组

第二组

第三组

X1

-159.015

-181.479

-149.370

X2

168.068

187.715

158.749

X3

-98.413

-109.195

-93.908

X4

58.217

68.296

54.948

X5

11.702

12.862

11.185

X6

202.770

221.972

194.625

（Constant）

-5628.382

-6584.377

-5266.780

表7：

CasewiseStatistics

CaseNumber

ActualGroup

HighestGroup

DiscriminantScores

PredictedGroup

P（D>d|G=g）

P（G=g|D=d）

SquaredMahalanobisDistancetoCentroid

Function1

Function2

p

df

1

1

1

.846

2

1.000

.334

-2.197

1.375

2

1

1

.876

2

1.000

.266

-2.292

1.386

3

1

1

.942

2

1.000

.119

-2.782

1.330

4

1

1

.756

2

.999

.561

-3.289

.628

5

1

1

.800

2

1.000

.445

-2.677

.346

6

2

2

.789

2

1.000

.474

9.939

.219

7

2

2

.659

2

1.000

.835

8.594

-.594

8

2

2

.050

2

1.000

5.990

10.332

-2.540

9

2

2

.091

2

1.000

4.786

8.627

1.771

10

2

2

.955

2

1.000

.092

9.728

-.151

11

3

3

.936

2

1.000

.132

-6.901

-.406

12

3

3

.836

2

1.000

.359

-7.393

-.693

13

3

3

.076

2

1.000

5.152

-8.834

-1.756

14

3

3

.178

2

.905

3.457

-4.942

-.630

15

3

3

.607

2

.997

.998

-5.914

-.286

16

ungrouped

3

.000

2

1.000

395.903

-21.903

-13.704

17

ungrouped

1

.745

2

.999

.588

-3.393

.834

18

ungrouped

2

.000

2

1.000

31.237

14.502

2.120

19

ungrouped

3

.310

2

1.000

2.344

-7.914

-1.801

表8：

ClassificationResults（a）

类型

Predi