SPSS实验设计1.docx

1、SPSS实验设计1实验一 两变量相关分析产妇与婴儿体重相关分析某妇幼医院对33名产妇进行产前检查并对应二的体重进行测量得到一组数据，数据见文中，试对所有变量两两之间进行相关分析。数据：实验结论：相关性描述性统计量均值标准差N髂前上棘间径23.65151.2021133髂脊间径25.93941.3155233耻骶外径17.5909.9799133坐骨节间径7.8485.6432933血红蛋白9.6803.9065733婴儿体重3.0894.5147433表1-1表1-1给出了基本的描述性统计结果，其中各行数据分别是6组数据的均值，样本标准差及样本容量。相关性髂前上棘间径髂脊间径耻骶外径坐骨节间径

2、血红蛋白婴儿体重髂前上棘间径Pearson 相关性1.796*.684*.283.269.340显著性（双侧）.000.000.110.130.053平方与叉积的和46.24240.30325.7957.0089.3736.728协方差1.4451.259.806.219.293.210N333333333333髂脊间径Pearson 相关性.796*1.617*.441*.213.277显著性（双侧）.000.000.010.235.119平方与叉积的和40.30355.37925.43211.9478.1116.004协方差1.2591.731.795.373.253.188N333333

3、333333耻骶外径Pearson 相关性.684*.617*1.171.377*.273显著性（双侧）.000.000.341.031.124平方与叉积的和25.79525.43230.7273.45510.7094.407协方差.806.795.960.108.335.138N333333333333坐骨节间径Pearson 相关性.283.441*.1711.166.054显著性（双侧）.110.010.341.355.765平方与叉积的和7.00811.9473.45513.2423.102.572协方差.219.373.108.414.097.018N333333333333血红蛋白

4、Pearson 相关性.269.213.377*.1661.027显著性（双侧）.130.235.031.355.880平方与叉积的和9.3738.11110.7093.10226.300.408协方差.293.253.335.097.822.013N333333333333婴儿体重Pearson 相关性.340.277.273.054.0271显著性（双侧）.053.119.124.765.880平方与叉积的和6.7286.0044.407.572.4088.479协方差.210.188.138.018.013.265N333333333333表1-2*. 在 .01 水平（双侧）上显著相关

5、。*. 在 0.05 水平（双侧）上显著相关。表1-2给出了各个变量的皮尔逊相关系数矩阵及相关性检验结果，其中每个行变量与列变量交叉单元格是二者的相关统计量的值。例如，髂前上棘间径与髂脊间径，耻骶外径之间的相关系数分别是0.796、0.684，反映了髂前上棘间径与髂脊间径，耻骶外径具有高度的正相关关系。而血红蛋白与耻骶外径之间的相关系数为0.377，这说明，血红蛋白与耻骶外径虽然具有一定的正相关关系，但相关系数较低，说明两者之间有差异。非参数相关系数髂前上棘间径髂脊间径耻骶外径坐骨节间径血红蛋白婴儿体重Kendall 的 tau_b髂前上棘间径相关系数1.000.606*.606*.202.2

6、36.229Sig.（双侧）.000.000.163.080.085N333333333333髂脊间径相关系数.606*1.000.534*.388*.165.261*Sig.（双侧）.000.000.006.215.046N333333333333耻骶外径相关系数.606*.534*1.000.146.311*.203Sig.（双侧）.000.000.307.020.122N333333333333坐骨节间径相关系数.202.388*.1461.000.109.058Sig.（双侧）.163.006.307.431.670N333333333333血红蛋白相关系数.236.165.311*.

7、1091.000-.028Sig.（双侧）.080.215.020.431.827N333333333333婴儿体重相关系数.229.261*.203.058-.0281.000Sig.（双侧）.085.046.122.670.827.N333333333333Spearman 的 rho髂前上棘间径相关系数1.000.708*.740*.250.317.317Sig.（双侧）.000.000.161.072.072N333333333333髂脊间径相关系数.708*1.000.652*.481*.221.350*Sig.（双侧）.000.000.005.216.046N33333333333

8、3耻骶外径相关系数.740*.652*1.000.178.413*.290Sig.（双侧）.000.000.320.017.101N333333333333坐骨节间径相关系数.250.481*.1781.000.142.079Sig.（双侧）.161.005.320.432.663N333333333333血红蛋白相关系数.317.221.413*.1421.000-.013Sig.（双侧）.072.216.017.432.942N333333333333婴儿体重相关系数.317.350*.290.079-.0131.000Sig.（双侧）.072.046.101.663.942.N33333

9、3333333表1-3*. 在置信度（双测）为 0.01 时，相关性是显著的。*. 在置信度（双测）为 0.05 时，相关性是显著的。表1-3给出了肯德尔和斯皮尔曼的相关系数矩阵和相关检验的结果。注意图中标有星号的相关系数，这个结果与皮尔逊相关性检验的结果有些差异：在0.05的显著性水平下，婴儿体重与髂脊间径之间的相关系数是显著的。这说明不同的检验和分析方法的结论可能会有差异，要求我们在分析过程中要尽量使用多种方法进行分析，谨慎下结论，从而提高分析结果的可靠性。附注：创建的输出04-6月-2012 12时30分31秒注释 输入数据D:源文件Chap04chanfu.sav活动的数据集数据集2过

10、滤器权重拆分文件工作数据文件中的 N 行33缺失值处理缺失的定义用户定义的缺失值将作为丢失对待。使用的案例每对变量的统计量是根据变量对中具有有效值的所有案例计算的。语法NONPAR CORR /VARIABLES=x1 x2 x3 x4 x5 x6 /PRINT=BOTH TWOTAIL NOSIG /MISSING=PAIRWISE.资源处理器时间00 00:00:00.031已用时间00 00:00:00.079允许的案例数目92521 案例a实验二 线性回归分析高血压病因线性回归分析为研究男性高血压患者的血压与年龄、身高、体重等变量的关系，随机测量了32名40岁以上男性的血压、年龄、身高

11、及吸烟史。试建立血压作为被解释变量，其他变量作为解释变量的线性回归模型并进行分析。数据表： 实验结论：回归描述性统计量均值标准 偏差N血压144.437514.3030332年龄53.43756.8905632吸烟.5313.5070132体重指数3.53484.78275532表2-1表2-1给出了基本的描述性统计结果，其中各行数据分别是各组数据的均值，样本标准差及样本容量。相关性血压年龄吸烟体重指数Pearson 相关性血压1.000.818.243.659年龄.8181.000-.115.621吸烟.243-.1151.000.069体重指数.659.621.0691.000Sig. （

12、单侧）血压.000.090.000年龄.000.266.000吸烟.090.266.354体重指数.000.000.354.N血压32323232年龄32323232吸烟32323232体重指数32323232表2-2表2-2给出了相关系数矩阵表，表中显示各个变量两两之间的皮尔逊相关系数矩阵及相关性检验结果，其中每个行变量与列变量交叉单元格是二者的相关统计量的值。从表中看到因变量（血压）与自变量年龄、体重指数之间的相关系数分别为0.818、0.659，反应血压与年龄、体重指数之间存在显著的相关关系；血压与吸烟之间的相关系数为0.243，吸烟与其他几个自变量之间的相关系数也很小，说明他们之间线性

13、关系不明显。另外，年龄与体重指数之间的相关系数为0.621，说明它们之间存在显著的相关关。输入移去的变量b模型输入的变量移去的变量方法1体重指数, 吸烟, 年龄.输入a. 已输入所有请求的变量。b. 因变量: 血压表2-3表2-3给出了进入模型和被剔除的变量的信息，从表中我们可以看出，所有自变量都进入模型，说明我们的解释变量都是显著并且是有解释力的。模型汇总b模型RR 方调整 R 方标准 估计的误差Durbin-Watson1.895a.801.7806.706361.213a. 预测变量: (常量), 体重指数, 吸烟, 年龄。b. 因变量: 血压表2-4表2-4给出了模型整体拟合的效果的概

14、述，模型的拟合优度系数为0.895，反映了因变量与自变量之间存在高度显著的线性相关关系。表里还显示了R平方以及调整的R值估计标准误差。另外表中还给出了DW=1.213。Anovab模型平方和df均方FSig.1回归5082.56631694.18937.669.000a残差1259.3092844.975总计6341.87531a. 预测变量: (常量), 体重指数, 吸烟, 年龄。b. 因变量: 血压表2-5表2-5给出了方差分析表，我们可以看到模型的设定检验F统计量的值为37.669，显著性水平的P值几乎为0，也就是说我们的模型通过了设定检验，因变量与自变量之间的线性关系明显。系数a模型非

15、标准化系数标准系数tSig.B标准 误差试用版1(常量)45.7249.7464.692.000年龄1.547.228.7456.798.000吸烟8.9222.431.3163.670.001体重指数3.1951.995.1751.601.120a. 因变量: 血压表2-6表2-6给出了回归系数表和变量显著性检验的T值，我们发现，只有体重指数没有达到显著性水平，因此，我们要将这个变量剔除，从这里我们也可以看出，模型虽然通过了设定检验，但很有可能不通过变量的显著性检验。残差统计量a极小值极大值均值标准 偏差N预测值119.5472168.4835144.437512.8044432标准 预测值

16、-1.9441.878.0001.00032预测值的标准误差1.6485.9922.245.77532调整的预测值118.7923175.4356144.555913.3179032残差-9.5766413.71040.000006.3736132标准 残差-1.4282.044.000.95032Student 化 残差-1.4742.206-.0031.01232已删除的残差-10.2006715.96993-.118407.3454532Student 化 已删除的残差-1.5072.384.0071.03832Mahal。 距离.90323.7772.9063.98232Cook 的距

17、离.000.395.043.07832居中杠杆值.029.767.094.12832a. 因变量: 血压表2-7表2-7给出了残差分析表，表中显示了预测值、残差、标准化预测值、标准化残差的极小值、极大值、均值、标准差及样本容量等统计指标。根据概率的3西格玛原则，标准化残差的绝对值最大为2.044，小于3，说明样本数据中没有奇异值。图表图2-1 图2-2图2-1，2-2给出了模型残差直方图，由于我们在模型中始终假设残差服从正态分布，因此我们可以从这两张图中直观地看出回归后实际残差是否符合我们的假设。从直方图与附于图上的正态分布曲线相比较，可以认为残差分布不是明显的服从正态分布。但是，从2-2的散

18、点分布状况来看，散点大致散布于斜线附近，因此可以认为残差分布基本上是正态的。实验三 配对样本T检验（自学）检验两种轮胎耐磨性的差异为了比较两种橡胶轮胎的耐磨性，分别从甲乙两家生产地同规格的前轮轮胎中随机的抽取10只，将它们随机的安装在10辆汽车吊左右轮胎上，行驶相同的里程之后，测得各只轮胎磨损量的数据，试用配对样本T检验过程检验两种轮胎的耐磨性之间的差异。数据表： 实验结论：T检验成对样本统计量均值N标准差均值的标准误对 1左轮胎磨损量614.200010119.6446637.83496右轮胎磨损量586.90001099.3125831.40540表3-1表3-1给出了几个基本的配对样本描

19、述性统计量，包括左右轮磨损前后的均值、标准差等，从这里可以看出左右轮胎磨损量的均值差别不大。成对样本相关系数N相关系数Sig.对 1左轮胎磨损量 & 右轮胎磨损量10.989.000表3-2表3-2给出了两配对样本之间的相关系数，相关系数的值为0.989，说明两组样本之间有显著的相关性。成对样本检验成对差分tdfSig.(双侧)均值标准差均值的标准误差分的 95% 置信区间下限上限对左轮胎磨损量 -右轮胎磨损量27.3000025.824418.166398.8263345.773673.3439.009表3-3表3-3给出了正式的配对检验结果，从图中看到T统计量的值为3.343，双尾显著性水平的P值为0.009，小于0.05，因此拒绝原假设，这样我们认为左右轮胎的磨损具有显著的差异。