《統(tǒng)計(jì)實(shí)習(xí)》SPSS實(shí)驗(yàn)報(bào)告

1、.統(tǒng)計(jì)實(shí)習(xí)spss 實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)報(bào)告二實(shí)驗(yàn)報(bào)告二實(shí)驗(yàn)項(xiàng)目：實(shí)驗(yàn)項(xiàng)目：描述性統(tǒng)計(jì)分析實(shí)驗(yàn)?zāi)康模簩?shí)驗(yàn)?zāi)康模?、掌握數(shù)據(jù)集中趨勢和離中趨勢的分析方法；2、熟練掌握各個(gè)分析過程的基本步驟以及彼此之間的聯(lián)系和區(qū)別。實(shí)驗(yàn)內(nèi)容及步驟實(shí)驗(yàn)內(nèi)容及步驟一、數(shù)據(jù)輸入一、數(shù)據(jù)輸入案例：對 6 名男生和 6 名女生的肺活量的統(tǒng)計(jì)，數(shù)據(jù)如下：1. 打開 spss 軟件， 進(jìn)行數(shù)據(jù)輸入：通過打開數(shù)據(jù)的方式對 xls 的數(shù)據(jù)進(jìn)行輸入.其變量視圖為：二、探索分析二、探索分析進(jìn)行探索分析得出如下輸出結(jié)果：瀏覽瀏覽.由上表可以看出，6 例均為有效值，沒有記錄缺失值得情況。由上表可以看出，男女之間肺活量的差異，男生明顯優(yōu)于女生，范圍

2、更廣，偏度大。男男男 stem-and-leaf plot frequency stem & leaf 2.00 1 . 34 2.00 1 . 89. 2.00 2 . 02 stem width: 1000 each leaf: 1 case(s)女女女 stem-and-leaf plot frequency stem & leaf 2.00 1 . 23 3.00 1 . 568 1.00 2 . 0. stem width: 1000 each leaf: 1 case(s)三、頻率分析三、頻率分析進(jìn)行頻率分析得出如下輸出結(jié)果：.由上圖可知，分析變量名：肺活量?？梢姌?/p>

3、本量 n 為 6 例，缺失值 0 例， 1500以下的 33， 1500-2000 男生 33女生 50， 2000 以上女生 16.7， 男生 33。四、描述分析四、描述分析進(jìn)行描述分析得出如下輸出結(jié)果：由上圖可知，分析變量名：工資，可見樣本量n為6例，極小值為男1342女1213，極大值為男2200女2077，說明12人中肺活量最少的為女生是1213，最多的為男生有2200，均值為1810.50/1621.33，.標(biāo)準(zhǔn)差為327.735/325.408，離散程度不算大。五、交叉分析五、交叉分析.實(shí)驗(yàn)報(bào)告三實(shí)驗(yàn)報(bào)告三實(shí)驗(yàn)項(xiàng)目：實(shí)驗(yàn)項(xiàng)目：均值比較實(shí)驗(yàn)?zāi)康模簩?shí)驗(yàn)?zāi)康模?學(xué)習(xí)利用 spss 進(jìn)行單

4、樣本、兩獨(dú)立樣本以及成對樣本的均值檢驗(yàn)。實(shí)驗(yàn)內(nèi)容及步驟實(shí)驗(yàn)內(nèi)容及步驟（一）描述統(tǒng)計(jì)描述統(tǒng)計(jì)案例：某醫(yī)療機(jī)構(gòu)為研究某種減肥藥的療效，對 15 位肥胖者進(jìn)行為期半年的觀察測試，測試指標(biāo)為使用該藥之前和之后的體重。編號服藥前服藥后編號服藥前服藥后編號服藥前119819261691611117922372257222210121583233226816716113157417917291991931421652192141023322615257.服藥后173154143206249輸入 spss 建立數(shù)據(jù)。由上圖可知，結(jié)果輸出均值、樣本量和標(biāo)準(zhǔn)差。因?yàn)檫x擇了分組變量，所以三項(xiàng)指標(biāo)均給出分組及合計(jì)值，

5、 可見以這種方式列出統(tǒng)計(jì)量可以非常直觀的進(jìn)行各組間的比較。由上表可知，在顯著性水平為 0.05 時(shí)，服藥前后的概率 p 值為小于 0.05，拒絕零假設(shè)，說明服藥前后的體重有顯著性變化.（二）單樣本（二）單樣本 t t 檢驗(yàn)檢驗(yàn)進(jìn)行單樣本 t 檢驗(yàn)分析得出如下輸出結(jié)果：由上表可以知， 單個(gè)樣本統(tǒng)計(jì)量分析表， 的基本情況描述， 有樣本量、 均值、標(biāo)準(zhǔn)差和標(biāo)準(zhǔn)誤，單樣本 t 檢驗(yàn)表，第一行注明了用于比較的已知總體均值為14，從左到右依次為 t 值(t)、自由度(df)、p 值(sig.2-tailed)、兩均值的差值(mean difference)、差值的 95%可信區(qū)間。由上表可知：t=34.2

6、15，p=0.0000.05。因此可以認(rèn)為肺氣腫的總體均值不等于 0.（三）雙樣本（三）雙樣本 t t 檢驗(yàn)檢驗(yàn)案例：研究某安慰劑對肥胖病人治療作用，用 20 名患者分組配對，測得體重如下表，要求測定該安慰劑對人的體重作用是否比藥物好。.進(jìn)行雙樣本 t 檢驗(yàn)得出如下輸出結(jié)果：t t 檢驗(yàn)檢驗(yàn)成對樣本統(tǒng)計(jì)量成對樣本統(tǒng)計(jì)量對 1安 慰 劑組藥物組均值121.80n10標(biāo)準(zhǔn)差11.419均值的標(biāo)準(zhǔn)誤3.611111.801010.1853.221由上圖可知，對變量各自的統(tǒng)計(jì)描述，此處只有 1 對，故只有對 1。.成對樣本相關(guān)系數(shù)成對樣本相關(guān)系數(shù)對 1安慰劑組 & 藥物組n10相關(guān)系數(shù).802

7、sig.005此處進(jìn)行配對變量間的相關(guān)性分析成對樣本檢驗(yàn)成對樣本檢驗(yàn)成對差分差分 95% 置標(biāo)準(zhǔn)均值差均值的信區(qū)間tdf9sig.(雙側(cè)).001標(biāo)準(zhǔn)誤下限上限對安慰劑組 10.00 6.8962.1815.067 14.93 4.5861-藥物組03配對 t 檢驗(yàn)表，給出最終的檢驗(yàn)結(jié)果，由上表可見p=0.001，故可認(rèn)為安慰劑組和藥物組對肥胖病人的體重有差別影響.實(shí)驗(yàn)報(bào)告四實(shí)驗(yàn)報(bào)告四實(shí)驗(yàn)項(xiàng)目：相關(guān)分析實(shí)驗(yàn)項(xiàng)目：相關(guān)分析實(shí)驗(yàn)?zāi)康模簩?shí)驗(yàn)?zāi)康模?.學(xué)習(xí)利用 spss 進(jìn)行相關(guān)分析、偏相關(guān)分析、距離分析、線性回歸分析和曲線回歸。實(shí)驗(yàn)內(nèi)容及步驟實(shí)驗(yàn)內(nèi)容及步驟（一）兩變量的相關(guān)分析（一）兩變量的相關(guān)分析

8、案例：某醫(yī)療機(jī)構(gòu)為研究某種減肥藥的療效，對 15 位肥胖者進(jìn)行為期半年的觀察測試，測試指標(biāo)為使用該藥之前和之后的體重。編號服藥前服藥后編號服藥前服藥后編號服藥前服藥后119819261691611117917322372257222210121581543233226816716113157143417917291991931421620652192141023322615257249.進(jìn)行相關(guān)雙變量分析得出如下輸出結(jié)果：相關(guān)性相關(guān)性相關(guān)系數(shù)系數(shù)表。變量間兩兩的相關(guān)系數(shù)是用方陣的形式給出的。每一行和每一列的兩個(gè)變量對應(yīng)的格子中就是這兩個(gè)變量相關(guān)分析結(jié)果結(jié)果，共分為三列，分別是相關(guān)系數(shù)、p 值和

9、樣本數(shù)。由于這里只分析了兩個(gè)變量，因此給出的是 2*2 的方陣。 由上表可見， 服藥前和服藥后自身的相關(guān)系數(shù)均為 1 （of course） ，而治療前和治療后的相關(guān)系數(shù)為 0.911，p0.05，因此“月平均流量”與“月平均氣溫”不存在顯著相關(guān)性。（三）距離分析（三）距離分析案例：植物在不同的溫度下的生長狀況不同，下列是三個(gè)溫度下的植物生長編號1234567810 度12.3612.1412.3120 度12.412.212.2830 度12.1812.2212.3512.3212.1212.2812.2412.4112.2512.2212.3412.3112.312.2112.112.25

10、12.212.46近似值近似值.（四）線性回歸分析（四）線性回歸分析已知有某河流的一年月平均流量觀測數(shù)據(jù)和該河流所在地區(qū)當(dāng)年的月平均雨量和月平均溫度觀測數(shù)據(jù)，如表所示。試分析關(guān)系。觀測數(shù)據(jù)表觀測數(shù)據(jù)表月份123456789101112月平均流量0.500.300.401.403.304.705.904.700.900.600.500.30月平均雨量0.100.100.400.402.702.402.503.001.301.800.600.20月平均氣溫-8.80-11.00-2.406.9010.6013.9015.4013.5010.002.70-4.80-6.00進(jìn)行線性回歸分析得出如下輸

11、出結(jié)果：回歸回歸.輸入移去的變量b模型1輸入的變量月平均流量 a移去的變量.方法輸入a. 已輸入所有請求的變量。b. 因變量: 月平均雨量由表可知，是第一個(gè)問題的分析結(jié)果。這里的表格是擬合過程中變量進(jìn)入/退出模型的情況記錄，由于只引入了一個(gè)自變量，所以只出現(xiàn)了一個(gè)模型1（在多元回歸中就會依次出現(xiàn)多個(gè)回歸模型） ，該模型中身高為進(jìn)入的變量，沒有移出的變量， 這里的表格是擬合過程中變量進(jìn)入/退出模型的情況記錄， 由于只引入了一個(gè)自變量， 所以只出現(xiàn)了一個(gè)模型（在多元回歸中就會依次出現(xiàn)多個(gè)回歸模型） ，該模型中身高為進(jìn)入的變量，沒有移出的變量。模型匯總調(diào)整 r標(biāo)準(zhǔn) 估計(jì)的模型1r.855ar 方.7

12、32方.705誤差.6117.模型匯總調(diào)整 r標(biāo)準(zhǔn) 估計(jì)的模型1r.855ar 方.732方.705誤差.6117a. 預(yù)測變量: (常量), 月平均流量。擬合模型的情況簡報(bào)，顯示在模型中相關(guān)系數(shù) r 為 0.855，而決定系數(shù) r2為 0. 732，校正的決定系數(shù)為 0.705，說明模型的擬合度較高。anovab模型1平方和df11011均方fsig.回歸10.208殘差3.741總計(jì)13.94910.20827.283.000a.374a. 預(yù)測變量: (常量), 月平均流量。b. 因變量: 月平均雨量這是所用模型的檢驗(yàn)結(jié)果， 可以看到這就是一個(gè)標(biāo)準(zhǔn)的方差分析表！從上表可見所用的回歸模型f

13、值為27.283，p值為.00a， 因此用的這個(gè)回歸模型是有統(tǒng)計(jì)學(xué)意義的， 可以繼續(xù)看下面系數(shù)分別檢驗(yàn)的結(jié)果。由于這里所用的回歸模型只有一個(gè)自變量， 因此模型的檢驗(yàn)就等價(jià)與系數(shù)的檢驗(yàn)，在多元回歸中這兩者是不同的。.系數(shù) a非標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)系數(shù)標(biāo)準(zhǔn) 誤模型1(常量)月平均流量a. 因變量: 月平均雨量包括常數(shù)項(xiàng)在內(nèi)的所有系數(shù)的檢驗(yàn)結(jié)果。用的是 t 檢驗(yàn)，同時(shí)還會給出標(biāo)化/未標(biāo)化系數(shù)?？梢姵?shù)項(xiàng)和身高都是有統(tǒng)計(jì)學(xué)意義的殘差統(tǒng)計(jì)量 a預(yù)測值殘差標(biāo)準(zhǔn) 預(yù)測值極小值.526-.6337-.795極大值3.1131.13581.890均值1.292.0000.000標(biāo)準(zhǔn) 偏差.9633.58321.000

14、n121212b.387.462差.247.088試用版.855t1.5645.223sig.149.000.標(biāo)準(zhǔn) 殘差-1.0361.857.000.95312a. 因變量: 月平均雨量圖表圖表（五）曲線回歸分析（五）曲線回歸分析某地 1963 年調(diào)查得兒童年齡（歲）與體重的資料試擬合對數(shù)曲線。.年齡（歲）1234567進(jìn)行曲線回歸分析得出如下輸出結(jié)果：體重68656750707677.實(shí)驗(yàn)報(bào)告五實(shí)驗(yàn)報(bào)告五實(shí)驗(yàn)項(xiàng)目：聚類分析和判別分析實(shí)驗(yàn)項(xiàng)目：聚類分析和判別分析實(shí)驗(yàn)?zāi)康模簩?shí)驗(yàn)?zāi)康模?.學(xué)習(xí)利用 spss 進(jìn)行聚類分析和判別分析。.實(shí)驗(yàn)內(nèi)容及步驟實(shí)驗(yàn)內(nèi)容及步驟（一）（一）系系統(tǒng)聚類法統(tǒng)聚類法為

15、確定老年婦女進(jìn)行體育鍛煉還是增加營養(yǎng)會減緩骨骼損傷， 一名研究者用光子吸收法測量了骨骼中無機(jī)物含量,對三根骨頭主側(cè)和非主側(cè)記錄了測量值，結(jié)果見教材表。：受試者編號12345678910主側(cè)橈骨橈骨主側(cè)肱骨肱骨主側(cè)尺骨尺骨1.1030.8420.9250.8570.7950.7870.9330.7990.9450.9211.0520.8590.8730.7440.8090.7790.8800.8510.8760.9062.1391.8731.8871.7391.7341.5091.6951.7401.8111.9542.2381.7411.8091.5471.7151.4741.6561.777

16、1.7592.0090.8730.5900.7670.7060.5490.7820.7370.6180.8530.8230.8720.7440.7130.6740.6540.5710.8030.6820.7770.765輸入 spss 建立數(shù)據(jù)。進(jìn)行系統(tǒng)聚類分析得出如下輸出結(jié)果：聚類聚類.快捷聚類快捷聚類研究兒童生長發(fā)育的分期，調(diào)查名1 月至 7 歲兒童的身高（cm） 、體重（kg） 、胸圍（cm）和資料。求出月平均增長率（%） ，.判別分析判別分析對某企業(yè)，搜集整理了10名員工2009年第1季度的數(shù)據(jù)資料。構(gòu)建1個(gè)106維的矩陣職工代號 工作產(chǎn)量 工作質(zhì)量 工作出勤 工砟損耗 工作態(tài)度 工作

17、能力123456789109.688.097.466.086.617.697.467.67.67.169.628.838.738.258.368.858.939.288.268.628.379.386.745.046.676.445.76.757.55.728.639.795.595.927.467.457.068.037.637.119.869.988.838.338.388.198.588.688.798.199.749.738.468.298.148.18.368.227.638.181、 “分析分類判別分析” ，把“分類”選入“分組變量” ，定義范圍：.最小值（1） ，最大值（4） ，

18、把 x1、x2、x3、x4、x5 和 x6 輸入“自變量框” ，選擇“使用逐步式方法” ；2、 “統(tǒng)計(jì)量”中選擇“均值” 、 “單變量 anova” 、 “fisher” 、 “未標(biāo)準(zhǔn)化” 、 “組內(nèi)相關(guān)” ；3、 “方法”默認(rèn)設(shè)置；4、 “分類” 中選擇 “根據(jù)組大小計(jì)算” 、 “摘要表” 、 “不考慮該個(gè)案時(shí)的分類” 、“在組內(nèi)” 、 “合并圖、分組、區(qū)域圖” ；5、 “保存”中選擇“預(yù)測組成員” 、 “判別得分” ；6、點(diǎn)擊確定。得到以下各表和圖。特征值函數(shù)1特征值1.002a方差的 %100.0累積 %100.0正則相關(guān)性.707a. 分析中使用了前 1 個(gè)典型判別式函數(shù)。wilks

19、的 lambda函數(shù)檢驗(yàn)1.wilks 的 lambda.499卡方3.471df6sig.748.函數(shù)1工作質(zhì)量工作產(chǎn)量工作出勤工砟損耗工作態(tài)度工作能力結(jié)構(gòu)矩陣函數(shù)1工砟損耗工作出勤工作態(tài)度.541.355.175.270-.831-.4061.4151.879-2.061.工作產(chǎn)量工作能力工作質(zhì)量.063-.056-.050判別變量和標(biāo)準(zhǔn)化典型判別式函數(shù)之間的匯聚組間相關(guān)性按函數(shù)內(nèi)相關(guān)性的絕對大小排序的變量。典型判別式函數(shù)系數(shù)函數(shù)1工作質(zhì)量工作產(chǎn)量工作出勤工砟損耗工作態(tài)度工作能力(常量)非標(biāo)準(zhǔn)化系數(shù)組質(zhì)心處的函數(shù).581-.830-.3121.2482.798-2.803-6.817.函數(shù)

20、職工代號121-.7311.097在組均值處評估的非標(biāo)準(zhǔn)化典型判別式函數(shù)分類統(tǒng)計(jì)量分類統(tǒng)計(jì)量分類處理摘要已處理的已排除的缺失或越界組代碼至少一個(gè)缺失判別變量用于輸出中組的先驗(yàn)概率用于分析的案例職工代號12合計(jì)分類函數(shù)系數(shù)先驗(yàn).600.4001.000未加權(quán)的6410已加權(quán)的6.0004.00010.000100010.職工代號1工作質(zhì)量工作產(chǎn)量工作出勤工砟損耗工作態(tài)度工作能力(常量)121.299-58.894-14.8033.739123.979-63.284-547.493fisher 的線性判別式函數(shù)2122.360-60.411-15.3736.020129.094-68.407-56

21、0.691單獨(dú)組圖表單獨(dú)組圖表.分類結(jié)果 b,c初始計(jì)數(shù)職工代號12%12交叉驗(yàn)證 a計(jì)數(shù)12%12預(yù)測組成員15183.325.02433.3100.021316.775.04066.7.0合計(jì)64100.0100.064100.0100.0a. 僅對分析中的案例進(jìn)行交叉驗(yàn)證。 在交叉驗(yàn)證中，每個(gè)案例都是按照從該案例以外的所有其他案例派生的函數(shù)來分類的。b. 已對初始分組案例中的 80.0% 個(gè)進(jìn)行了正確分類。c. 已對交叉驗(yàn)證分組案例中的 20.0% 個(gè)進(jìn)行了正確分類。.實(shí)驗(yàn)報(bào)告六實(shí)驗(yàn)報(bào)告六實(shí)驗(yàn)項(xiàng)目：因子分析和主成分分析實(shí)驗(yàn)項(xiàng)目：因子分析和主成分分析實(shí)驗(yàn)?zāi)康模簩?shí)驗(yàn)?zāi)康模?.學(xué)習(xí)利用 sps

22、s 進(jìn)行因子分析和主成分分析。實(shí)驗(yàn)內(nèi)容及步驟實(shí)驗(yàn)內(nèi)容及步驟（一）（一）因因子分析子分析下表資料為 15 名健康人的 7 項(xiàng)生化檢驗(yàn)結(jié)果，6 項(xiàng)生化檢驗(yàn)指標(biāo)依次命名為x1 至 x6，請對該資料進(jìn)行因子分析。因子分析因子分析1打開導(dǎo)入 excle 數(shù)據(jù)2選擇菜單“分析降維因子分析” ，彈出“因子分析”對話框。在對話框左側(cè)的變量列表中選除地區(qū)外的變量，進(jìn)入“變量”框，3單擊“描述”按鈕，彈出“因子 分析: 描述”對話框，在“統(tǒng)計(jì)量”中選“單.變量 描述”項(xiàng)，輸出各變量的均數(shù)與標(biāo)準(zhǔn)差， “相關(guān)矩陣”欄內(nèi)選“系數(shù)” ，計(jì)算相關(guān)系數(shù)矩陣，并選“kmo 和 bartletts 球形度檢驗(yàn)”項(xiàng)，對相關(guān)系數(shù)矩陣

23、進(jìn)行統(tǒng)計(jì)學(xué)檢驗(yàn)，對以上資料進(jìn)行因子分析：分析降維因子分析，確定操作得出描述統(tǒng)計(jì)量描述統(tǒng)計(jì)量x1x2x3x4x5x6均值6.02137.98803.99605.57008.37278.0247標(biāo)準(zhǔn)差1.23848.573401.011951.38699.77780.68955分析 n151515151515相關(guān)矩陣相關(guān)矩陣相關(guān)x1x2x3x4x5x6x11.000.966.782.055.104.019x2.9661.000.747.028.233.158x3.782.7471.000.125.214-.024x4.055.028.1251.000-.150.233x5.104.233.214-.1501.000.753x6.019.158-.024.233.7531.000.sig.（單側(cè)）x1.000.000.000.423.356.473x2.001.001.461.202.287x3.000.329.329.222.467x4.423.461.297.297.202x5.356.202.222.001.001x6.473.287.467.202kmokmo 和和 bartlett bartlett 的檢驗(yàn)的檢驗(yàn)取樣足夠度的 kaiser-meyer-olkin 度量