spass软件与统计分析实验报告(共16页).doc

精选优质文档-倾情为你奉上Spass16.0与统计数据分析实验报告实验课程：专业统计软件运用 上课时间： 2012 学年 上 学期 16 周 （ 2012 年 06 月 04 日 07日）姓名： 花满楼 学号： 班级： 班 学院： 经济管理学院 上课地点： 经管实验室五楼 指导教师： 刘 进 第六章实验一 实验1及目的1. 某农场为了比较4种不同品种的小麦产量的差异，选择土壤条件基本相同的土地，分成16块，将每一个品种在4块试验田上试种，测得小表亩产量（kg）的数据如表6.17所示（数据文件为data6-4.sav），试问不同品种的小麦的平均产量在显著性水平0.05和0.01下有无显著性差异。（数据来源：SPSS实用统计分析 郝黎仁，中国水利水电出版社）表6.17 小麦产量的实测数据品种A1A2A3A4产量277.5244.2249.2273276.4249.5244.2240.9271236.8252.8257.4272.4239251.4266.5二 实验内容解决问题1的原理：单因素方差分析实验步骤：1.打开数据文件data6-4.sav2.选择analyzecompare meansone-way ANOVA3.dependent list 框里为产量，factor为品种4.在options中选择homogeneity of variance test和exclude cases analysis by analysis5.在post hoc按钮里选择LSD方法，改变相关系数为0.05和0.016.得出结果三 结果分析1.实验结果图如下Test of Homogeneity of Variances产量Levene Statisticdf1df2Sig.3.593312.046ANOVA产量Sum of SquaresdfMean SquareFSig.Between Groups2263.4823754.49412.158.001Within Groups744.7151262.060Total3008.197152.数据分析：在0.05和0.01显著性水平下，H0假设都是：方差相等，从上表中可以看出Sig.=0.046，小于0.05大于0.01，所以在0.05的显著性水平下不接受H0假设，即有显著性差异，但是在0.01的显著性水平下接受H0假设，即无显著性差异。一 实验2及目的2. 某公司希望检测四种类型的轮胎A，B，C，D的寿命（由行驶的里程数决定），见表6.18（单位：千英里）（数据文件为data6-5.sav），其中每种轮胎应用在随机选择的6辆汽车上。在显著性水平0.05下判断不同类型轮胎的寿命间是否存在显著性差异？（数据来源：统计学（第三版），M.R.斯皮格尔，科学出版社）表6.18 四种轮胎的寿命数据A333836403135B324042383034C313735333430D293432303331二 实验内容解决问题2的原理：单因素方差分析实验步骤：1.打开数据文件data6-5.sav2.选择analyzecompare meansone-way ANOVA3.方差相等的齐性检查。将“历程”、“轮胎”分别移入Dependent List以及Factor。点击Options按钮，选中Homogeneity of variance test（方差齐性检验），而后运行4.多重分析比较。在One-way NOVA中单击Post Hoc按钮，选择LSD方法，显著性水平取0.05，单击 Options按钮，选中Descripive和Means plot，对数据进行整体描绘5.得出结果。三 结果分析1.数据截图Test of Homogeneity of Variances里程 Levene Statisticdf1df2Sig.3.088320.050ANOVA里程 Sum of SquaresdfMean SquareFSig.Between Groups77.500325.8332.388.099Within Groups216.3332010.817Total293.833232：数据分析：在0.05显著性水平下，H0假设是：方差相等，从上表中可以看出Sig.=0.050，等于于0.05，所以在0.05的显著性水平下接受H0假设，说明没有显著性差异。一 实验3及目的3. 某超市将同一种商品做3种不同的包装（A）并摆放在3个不同的货架区（B）进行销售试验，随机抽取3天的销售量作为样本，具体资料见表6.20。要求检验：在显著性水平0.05下商品包装、摆放位置及其搭配对销售情况是否有显著性影响。（数据来源：应用统计学 耿修林，科学出版社；数据文件：data6-7.sav）表6.20 销售样本资料B1B2B3A15,6,46,8,74,3,5A27,8,85,5,63,6,4A33,2,46,6,58,9,6二 实验内容解决问题3的原理：多因素方差分析原理实验步骤：1.分析，需要研究不同包装的产品A和不同货架区对销售量的影响。这是一个多因素方差分析问题。2.数据组织，按表6.20的变量名组织成4列数据。3变量设置，按AnalyzeGeneral LinearModelUniveariate的步骤打开 Univariate对话框。并将“销售量”变量移入Dependent Variable框中作为观测变量，将“包装（A）”、“货架区（B）”移入Fixed Factor（s）中作为控制变量。4.设置方差齐性检验，单击Options按钮，由于方差分析要求不同组别数据方差相等，故应进行方差齐性检验，选中“Homogeneity tests5.得出结果。三 结果分析1.数据截图Between-Subjects FactorsValue LabelN包装1A192A293A39摆放位置1B192B29Levene's Test of Equality of Error VariancesaDependent Variable:销量Fdf1df2Sig.754818.646Tests the null hypothesis that the error variance of the dependent variable is equal across groups.a. Design: Intercept + casing + place + casing * placeTests of Between-Subjects EffectsDependent Variable:销量SourceType III Sum of SquaresdfMean SquareFSig.Corrected Model65.407a88.1767.612.000Intercept822.2591822.259765.552.000casing.9632.481.448.646place3.18521.5931.483.253casing * place61.259415.31514.259.000Error19.333181.074Total907.00027Corrected Total84.74126a. R Squared = .772 (Adjusted R Squared = .670)Multiple ComparisonsDependent Variable:销量(I) 包装(J) 包装Mean Difference (I-J)Std. ErrorSig.95% Confidence IntervalLower BoundUpper BoundLSDA1A2-.44.489.375-1.47.58A3-.11.489.823-1.14.92A2A1.44.489.375-.581.47A3.33.489.504-.691.36A3A1.11.489.823-.921.14A2-.33.489.504-1.36.69TamhaneA1A2-.44.778.924-2.521.63A3-.11.915.999-2.582.36A2A1.44.778.924-1.632.52A3.33.941.980-2.192.86A3A1.11.915.999-2.362.58A2-.33.941.980-2.862.19Based on observed means. The error term is Mean Square(Error) = 1.074.2.数据分析：从上图可以看出，所有的LSD方法的结果中，三组相伴概率Sig.均大于显著性性水平0.05，所以不能拒绝原假设，结果没有显著性影响。一 实验4及目的4. 研究杨树一年生长量与施用氮肥和钾肥的关系。为了研究这种关系，一共进行了18个样地的栽培实验，测定杨树苗的一年生长量、初始高度、全部实验条件（包括氮肥量和钾肥量）及实验结果（杨树苗的生长量）数据如表6.21，请在显著水平0.05下检验氮肥量、钾肥量及树苗初始高度中哪些对杨树的生长有显著性影响。（数据来源：生物数学模型的统计学基础李勇，科学出版社；数据文件：data6-8.sav）表6.21 杨树栽培试验数据序号氮肥量钾肥量树苗初高生长量序号氮肥量钾肥量树苗初高生长量1少04.51.8510多06.52.152少06211多061.993少041.612多06.52.064少12.56.5213多12.541.935少12.572.0414多12.562.16少12.551.9115多12.55.52.157少2572.416多2554.28少2554.2517多2562.39少2552.118多255.54.25二 实验内容解决问题4的原理：多因素方差分析原理实验步骤：1.打开数据源文件data6-8.sav2.变量设置，按AnalyzeGeneral LinearModelUniveariate的步骤打开Univariate对话框。并将“生长量”变量移入Dependent Variable框中作为观测变量，将“氮肥量”、“钾肥量”、“树苗初高”移入Fixed Factor（s）中作为控制变量。3.设置方差齐性检验，单击Options按钮，由于方差分析要求不同组别数据方差相等，故应进行方差齐性检验，选中“Homogeneity tests4.得出结果三 结果分析1.数据截图Tests of Between-Subjects EffectsDependent Variable:生长量SourceType III Sum of SquaresdfMean SquareFSig.Corrected Model.574a15.0385.006.179Intercept69.453169.4539078.823.000N6.429E-516.429E-5.008.935K.1432.0729.378.096height.1446.0243.143.261N * K.0000.N * height.0000.K * height.0052.003.332.751N * K * height.0000.Error.0152.008Total77.80118Corrected Total.59017a. R Squared = .974 (Adjusted R Squared = .779)2.数据分析：从表格中可以看出，“氮肥量”、“钾肥量”、“树苗初高”的相伴概率Sig.均大于0.05，所以他们对杨树的生长无显著性影响。第八章实验一 实验3及目的3 K.K.Smith在烟草杂交繁殖的花上收集到如表8.16所示的数据，要求对以上3组数据两两之间进行相关分析，以0.05的显著性水平检验相关系数的显著性。（数据来源：统计软件SPSS系列应用实践篇 苏金明 ，电子工业出版社；数据文件：data8-5.sav）表8.16 K.K.Smith所调查的长度资料花瓣长494432423253363937454148453940343735花枝长272412221329142016212225231820152013花萼长191612171019151415211422221514151516实验原理：本章实验原理主要包括二元变量相关性分析（3、4、5题）和偏相关分析（6）以及距离分析（7）实验步骤：1.打开相应数据文件2.运行AnalyzeCorrelatebivariate,填好Variables框，选择Pearson相关系数；在test of significance 中选择单尾或者双尾检验，单击options按钮，在打开对话框中选择Means and standard deviations和cross-product deviation and covariances选项3.运行，得出结果。三 结果分析第3题实验结果图表Correlations花瓣长花枝长花瓣长Pearson Correlation1.955*Sig. (2-tailed).000Sum of Squares and Cross-products606.444487.667Covariance35.67328.686N1818花枝长Pearson Correlation.955*1Sig. (2-tailed).000Sum of Squares and Cross-products487.667430.000Covariance28.68625.294N1818*. Correlation is significant at the 0.01 level (2-tailed).Correlations花枝长花萼长花枝长Pearson Correlation1.678*Sig. (2-tailed).002Sum of Squares and Cross-products430.000191.000Covariance25.29411.235N1818花萼长Pearson Correlation.678*1Sig. (2-tailed).002Sum of Squares and Cross-products191.000184.500Covariance11.23510.853N1818*. Correlation is significant at the 0.01 level (2-tailed).Correlations花萼长花瓣长花萼长Pearson Correlation1.797*Sig. (2-tailed).000Sum of Squares and Cross-products184.500266.667Covariance10.85315.686N1818花瓣长Pearson Correlation.797*1Sig. (2-tailed).000Sum of Squares and Cross-products266.667606.444Covariance15.68635.673N1818*. Correlation is significant at the 0.01 level (2-tailed).数据分析：从上面三个图可以看出，Sig.值为0.00和0.002均小于0.05，所以，显著性很明显。一 试验4及目的4. 试确定1962-1988年安徽省国民收入与城乡居民储蓄存款余额两个变量间的线性相关性，数据如表8.17所示。（数据来源：数据统计与管理 1990年第5期，中国商场统计研究会主办；数据文件：data8-6.sav）表8.17 1962-1988年安徽省国民收入数据表年份19621963196419651966196719681969197019711972197319741975国民收入(亿元)34.6135.6739.5247.3254.1450.8649.6951.6165.0672.5777.7283.578287.44存款余额(亿元)0.590.710.8511.221.141.321.281.351.61.874.22.552.61年份1976197719781979198019811982198319841985198619871988国民收入(亿元)95.6397.23103.81116.29127.87150.29161.47180.2221.17271.81310.53357.86444.78存款余额(亿元)2.743.133.915.758.7612.1916.3620.9528.3238.4355.4374.289.83二 实验步骤及内容偏相关分析的步骤：1.打开相应数据文件2. 选择AnalyzeCorrelatePartial，指定分析变量和数据变量 3.运行，得出结果第4题实验结果图表Correlations国民收入存款余额国民收入Pearson Correlation1.976*Sig. (1-tailed).000Sum of Squares and Cross-products.56764137.265Covariance11275.7912466.818N2727存款余额Pearson Correlation.976*1Sig. (1-tailed).000Sum of Squares and Cross-products64137.26514723.639Covariance2466.818566.294N2727*. Correlation is significant at the 0.01 level (1-tailed).数据分析：从上图可以看出，Sig.值为0.00小于0.05，所以，线性相关具有显著性。一 试验5及目的5. 某高校抽样得到10名短跑运动员，测出100米的名次和跳高的名次如表8.18，问这两个名次是否在0.05的显著性水平下具有相关性。（数据来源：应用统计学：数据统计方法、数据获取与SPSS应用 马庆国，科学出版社；数据文件：data8-7.sav）表8.18 10名运动员的100米及跳高名次百米名次12345678910跳高名次43152710896二 实验步骤及内容距离分析的步骤：1.打开相应数据文件2.运行按AnalyzeCorrelatedistance，在computer distances中选 择between variables单选框，定义进行变量间的距离分析，在measure中选择 dissmilarities,求解其不相似测度；单击measures按钮在interval下拉列表中选择 euclidean distances表示计算变量间的欧式距离第5题实验结果图表Correlations百米名次跳高名次百米名次Pearson Correlation1.697*Sig. (1-tailed).013Sum of Squares and Cross-products82.50057.500Covariance9.1676.389N1010跳高名次Pearson Correlation.697*1Sig. (1-tailed).013Sum of Squares and Cross-products57.50082.500Covariance6.3899.167N1010*. Correlation is significant at the 0.05 level (1-tailed).数据分析：从上图可以看出，两个Sig.值均为0.013均小于0.05，所以，两个名次的线性相关都具有显著性。第6题实验结果图表CorrelationsControl Variables销量价格广告费用日照时间销量Correlation1.000-.772.748Significance (2-tailed).005.008df099价格Correlation-.7721.000-.492Significance (2-tailed).005.125df909广告费用Correlation.748-.4921.000Significance (2-tailed).008.125.df990数据分析：从上图中可以看出销量与价格的相关系数为-0.772，Sig.为0.005小于0.05，所以二者存在显著的相关性。同理，销量和广告费用之间也存在显著的相关性。第7题实验结果图表Proximity Matrix Euclidean Distance 1231.00011.26913.191211.269.0002.236313.1912.236.000This is a dissimilarity matrix数据分析：从上表中可以看出1和2和3的差距都比较大，2和3的差距要小些。第九章实验题目一 实验目的3. 合金钢的强度y与钢材中碳的含量x有密切的关系，为了冶炼出符合要求强度的钢，常常通过控制钢水中的碳含量来达到目的，因此需要了解y与x之间的关系，数据如表9.27所示，现对x和y进行一元线性回归分析。（数据文件为：data9-5.sav）表9.27 碳含量与钢强度数据碳含量0.030.040.050.070.090.10.120.150.170.2钢强度40.539.54141.543424547.55356二 实验步骤及内容实验原理：本章实验原理主要为一元线性回归分析（3题）、多元线性回归分析（4题）、曲线估计（5题）一元线性回归分析的实验步骤：1.打开相应数据文件，定义相应变量X、Y2.按AnalyzeRegressionLinear的顺序打开对话框，将变量“Y”作为因变量选入Dependent列表框，将变量“X”作为自选变量选入Independent列表框。3.单击Plots按钮打开对话框，选用DEPENDENT和*ZPRED作图。并且选择Histogram复选框给出正态曲线和Normal probability plot复选框标出标准化残差的正态概率图。4.单击Save按钮，打开Linear Regression:Save对话框，在Predicted Values选项组中选择Standardized选项，在Residuals选项组中选择Standard-ized选项，在Distans选项中选择Cooks和Leverage values两个选项。5.运行，得出结果。三 结果分析第3题实验数据CoefficientsaModelUnstandardized CoefficientsStandardized CoefficientstSig.BStd. ErrorBeta1(Constant)-94.57528.417-3.328.009x1410.21088.511.98315.933.000a. Dependent Variable: Y数据分析：从表格和图形中可以看出，残差满足正态分布，且一元线性拟合优度较高。一 实验4及目的4. 某公司太阳镜销售情况如表8.17，销售量与平均价格、广告费用和日照时间之间的关系作多元线性回归分析。（数据文件：data8-8.sav）二 实验步骤及内容多元线性回归分析的步骤：1. 打开相应数据文件，定义相应变量X、Y2.按AnalyzeRegressionLinear的顺序打开对话框，将变量“Y”作为因变量选入Dependent列表框，将所有的变量“X”作为自选变量选入Independent列表框。3.在Statistics对话框中选择estimated、model fit、discriptives、durbin-watson4.单击Plots按钮打开对话框，选用DEPENDENT和ZRESID作图。并且选择Histogram复选框给出正态曲线和Normal probability plot复选框标出标准化残差的正态概率图。5.单击Save按钮，打开Linear Regression:Save对话框，在Predicted Values选项组中选择Standardized选项，在Residuals选项组中选择Standard-ized选项，在Distans选项中选择Cooks和Leverage values两个选项。6.在options对话框里默认设置。各项选项确认后运行。7.运行，得出结果。第4题实验数据：Correlations销量价格广告费用日照时间Pearson Correlation销量1.000-.922.964.973价格-.9221.000-.885-.851广告费用.964-.8851.000.923日照时间.973-.851.9231.000Sig. (1-tailed)销量.000.000.000价格.000.000.000广告费用.000.000.000日照时间.000.000.000.N销量12121212价格12121212广告费用12121212日照时间12121212数据分析：根据图形和数据可以了解到回归分析的拟合优度。一 试验5及目的5 研究青春发育阶段的年龄与远视率的变化关系，测得数据如表9.28所示，请对x与y的关系进行曲线估计。（数据来源：统计学（第二版） 袁卫，高等教育出版社；数据文件：data9-6.sav）表9.28 青春发育阶段年龄与远视率的变化关系年龄（x）6789101112131415161718远视率（y）63.6461.0638.8413.7514.58.074.414.272.091.022.513.122.98二 实验步骤及内容曲线估计实验步骤：1. 打开相应数据文件，定义相应变量X、Y2.按graphlegacy dialogsscatter/dot顺序打开scatter/dot图形 类型选择对话框，并 选择simple scatter，点击define并作图运行3. 按AnalyzeRegressioncurve estimation，将models下的模型全 选上，看哪种模拟更好，得出拟合优度4.运行，得出结果。第5题实验结果图表Model Summary and Parameter EstimatesDependent Variable:远视率EquationModel SummaryParameter EstimatesR SquareFdf1df2Sig.Constantb1Linear.67422.710111.00174.006-4.768The independent variable is 年龄.数据分析：根据表格中的数据和拟合的曲线，我们可以知道变量之间的相关关系。实验心得与体会作为一名经济管理学院的学生，对于我们来说这次的专业统计软件的学习实在是太重要了，他对于我的学习以及将来的工作都有很大的帮助。其一：我将自己所学的理论知识应用于实践，众所周知，理论和实际是必不可分的，只有将理论与实践相结合才能发挥真正的效力。在本次实验中，我的理论知识得到了充分的巩固，实践能力也得到了显著的提高。其次，这次实验开阔了我的视野，使我对统计的认识更近了一步。同时，也让我对于统计软件在现实生活中的作用认识更加深刻。随着经济社会的快速发展，统计在现代化管理和日常生活中的地位越来越重要。这就是说，专业的统计软件的应用重要性也水涨船高。英国统计学家哈斯利特说：“统计方法的应用时如此的普遍，在我们的工作、学习和生活中，统计的影响是那么的巨大，以至于说统计的重要性无论怎么样强调也不过分。”因此，认真学习和掌握专业的统计软件的理论知识和实践应用就变得理所当然了。总而言之，统计已经深入的融入在我们的日常生活中。所以，学好统计软件的理论知识以及统计软件的实际应用变得至关重要。专心-专注-专业