數(shù)據(jù)分析spss作業(yè)匯總

1、精選優(yōu)質(zhì)文檔-傾情為你奉上數(shù)據(jù)分析方法及軟件應(yīng)用（作業(yè)） 題 目：4、8、13、16題 指導(dǎo)教師： 學(xué) 院：交通運(yùn)輸學(xué)院姓 名： 學(xué) 號： 4、在某化工生產(chǎn)中為了提高收率，選了三種不同濃度，四種不同溫度做試驗(yàn)。在同一濃度與溫度組合下各做兩次試驗(yàn)，其收率數(shù)據(jù)如下面計(jì)算表所列。試在=0.05顯著性水平下分析(1)給出SPSS數(shù)據(jù)集的格式(列舉前3個(gè)樣本即可)；(2)分析濃度對收率有無顯著影響；(3)分析濃度、溫度以及它們間的交互作用對收率有無顯著影響。解答：（1）分別定義分組變量濃度、溫度、收率，在變量視圖與數(shù)據(jù)視圖中輸入表格數(shù)據(jù)，具體如下圖。(2)思路：本問是研究一個(gè)控制變量即濃度的不同水平是否

2、對觀測變量收率產(chǎn)生了顯著影響，因而應(yīng)用單因素方差分析。假設(shè)：濃度對收率無顯著影響。步驟：【分析-比較均值-單因素】，將收率選入到因變量列表中，將濃度選入到因子框中，確定。輸出：變異數(shù)分析收率 平方和df平均值平方F顯著性群組之間39.083219.5425.074.016在群組內(nèi)80.875213.851總計(jì)119.95823顯著性水平為0.05，由于概率p值小于顯著性水平，則應(yīng)拒絕原假設(shè)，認(rèn)為濃度對收率有顯著影響。（3）思路：本問首先是研究兩個(gè)控制變量濃度及溫度的不同水平對觀測變量收率的獨(dú)立影響，然后分析兩個(gè)這控制變量的交互作用能否對收率產(chǎn)生顯著影響，因而應(yīng)該采用多因素方差分析。假設(shè)，H01

3、：濃度對收率無顯著影響；H02：溫度對收率無顯著影響；H03：濃度與溫度的交互作用對收率無顯著影響。步驟：【分析-一般線性模型-單變量】，把收率制定到因變量中，把濃度與溫度制定到固定因子框中，確定。輸出：主旨間效果檢定因變數(shù): 收率 來源第 III 類平方和df平均值平方F顯著性修正的模型70.458a116.4051.553.230截距2667.04212667.042646.556.000濃度39.083219.5424.737.030溫度13.79234.5971.114.382濃度 * 溫度17.58362.931.710.648錯(cuò)誤49.500124.125總計(jì)2787.00024校

4、正後總數(shù)119.95823a. R 平方 = .587（調(diào)整的 R 平方 = .209）第一列是對觀測變量總變差分解的說明；第二列是觀測變量變差分解的結(jié)果；第三列是自由度；第四列是均方；第五列是檢驗(yàn)統(tǒng)計(jì)量的觀測值；第六列是檢驗(yàn)統(tǒng)計(jì)量的概率值?？梢钥吹接^測變量收率的總變差為119.958，由濃度不同引起的變差是39.083，由溫度不同引起的變差為13.792，由濃度和溫度的交互作用引起的變差為17.583，由隨機(jī)因素引起的變差為49.500。濃度，溫度和濃度*溫度的概率p值分別為0.030,0.382和0.648。濃度：顯著性<0.05說明拒絕原假設(shè)（濃度對收率無顯著影響），證明濃度對收率

5、有顯著影響；溫度：顯著性0.05說明不拒絕原假設(shè)（溫度對收率無顯著影響），證明溫度對收率無顯著影響；濃度與溫度: 顯著性0.05說明不拒絕原假設(shè)（濃度與溫度的交互作用對收率無顯著影響），證明溫濃度與溫度的交互作用對收率無顯著影響。8、以高?？蒲醒芯繑?shù)據(jù)為例：以課題總數(shù)X5為被解釋變量，解釋變量為投入人年數(shù)X2、投入科研事業(yè)費(fèi)X4、專著數(shù)X6、獲獎數(shù)X8；建立多元線性回歸模型，分析它們之間的關(guān)系。解釋變量采用逐步篩選策略，并做多重共線性、方差齊性和殘差的自相關(guān)性檢驗(yàn)。解答：思路：根據(jù)要求采用逐步篩選的解釋變量篩選策略，利用回歸分析方法建立多元線性回歸模型，分析它們之間的關(guān)系，并且要求做多重共線性

6、、方差齊性和殘差的自相關(guān)性檢驗(yàn)。（1）步驟：【分析-回歸-線性】，X5選入因變量，X2、X4、X6、X8選入自變量，方法選擇【逐步】?！窘y(tǒng)計(jì)量】勾選【估計(jì)】、【模型擬合度】、【共線性診斷】與【Durbin-Waston(U)】?！纠L制（T）按鈕】，將*ZRESID添加到Y(jié)(Y)框中，將*ZPRED添加到X2（X）框中，勾選【正態(tài)概率圖】，【保存（S）】按鈕。在預(yù)測值與殘差中勾選【標(biāo)準(zhǔn)化】選項(xiàng)。選擇菜單【分析相關(guān)雙變量】將標(biāo)準(zhǔn)化預(yù)測值和標(biāo)準(zhǔn)化殘差選入【變量】框，在相關(guān)系數(shù)中選擇Spearman,各項(xiàng)完成后點(diǎn)擊【確定】。輸出：變數(shù)已輸入/已移除a模型變數(shù)已輸入變數(shù)已移除方法1投入人年數(shù).逐步（準(zhǔn)則

7、：F-to-enter 的機(jī)率 <= .050，F(xiàn)-to-remove 的機(jī)率 >= .100）。a. 應(yīng)變數(shù): 課題總數(shù)模型摘要b模型RR 平方調(diào)整後 R 平方標(biāo)準(zhǔn)偏斜度錯(cuò)誤Durbin-Watson1.959a.919.917241.95821.747a. 預(yù)測值：（常數(shù)），投入人年數(shù)b. 應(yīng)變數(shù): 課題總數(shù)表中變量為投入人年數(shù)，參考調(diào)整的判定系數(shù)，由于調(diào)整的判定系數(shù)(0.917)較接近于1，因此認(rèn)為擬合優(yōu)度較高，被解釋變量可以被模型解釋的部分較多，未能被解釋的部分較少。方程DW檢驗(yàn)值為1.747，殘差存在一定的正自相關(guān)。變異數(shù)分析a模型平方和df平均值平方F顯著性1迴歸.04

8、71.047331.018.000b殘差.9532958543.791總計(jì).00030a. 應(yīng)變數(shù): 課題總數(shù)b. 預(yù)測值：（常數(shù)），投入人年數(shù)被解釋變量的總離差平方和為.00，回歸平方和及均方分別為.047 和.047，剩余平方和及均方分別為.953和58543.791，𝑭檢驗(yàn)統(tǒng)計(jì)量的觀測值為331.018，對應(yīng)的概率𝒑值近似為0。依據(jù)該表可進(jìn)行回歸方程的顯著性檢驗(yàn)。如果顯著性水平𝜶為0.05，由于概率𝒑值小于顯著性水平𝜶 ，應(yīng)拒絕回歸方程顯著性檢驗(yàn)的零假設(shè)，認(rèn)為回歸系數(shù)不為0，被解釋變量與解釋變量的線性關(guān)系是顯

9、著的，可建立線性模型。係數(shù)a模型非標(biāo)準(zhǔn)化係數(shù)標(biāo)準(zhǔn)化係數(shù)T顯著性共線性統(tǒng)計(jì)資料B標(biāo)準(zhǔn)錯(cuò)誤Beta允差VIF1（常數(shù)）-94.52472.442-1.305.202投入人年數(shù).492.027.95918.194.0001.0001.000a. 應(yīng)變數(shù): 課題總數(shù)依據(jù)該表可以進(jìn)行回歸系數(shù)顯著性檢驗(yàn)，寫出回歸方程和檢測多重共線性?？梢钥吹剑绻@著性水平𝜶為0.05，投入人年數(shù)變量的回歸系數(shù)顯著性t檢驗(yàn)的概率p值小于顯著性水平𝜶，因此拒絕零假設(shè)，認(rèn)為其偏回歸系數(shù)與0有顯著差異，與被解釋變量與解釋變量的線性關(guān)系是顯著的，應(yīng)保留在方程中。同時(shí)從容忍度和方差膨脹因子看，解釋變

10、量與投入人年數(shù)多重共線性很弱，可以建立模型。最終回歸方程為，課題總數(shù)= -94.524+0.492投入人年數(shù)。排除的變數(shù)a模型Beta 入T顯著性偏相關(guān)共線性統(tǒng)計(jì)資料允差VIF允差下限1投入科研事業(yè)費(fèi)（百元）.152b1.528.138.278.2673.748.267專著數(shù).023b.182.857.034.1885.308.188獲獎數(shù).030b.411.684.077.5421.846.542a. 應(yīng)變數(shù): 課題總數(shù)b. 模型中的預(yù)測值：（常數(shù)），投入人年數(shù)該表展示回歸方程的剔除變量，可以看到，如果顯著性水平𝜶為0.05，表中三個(gè)變量的回歸系數(shù)顯著性t檢驗(yàn)的概率p值大于顯

11、著性水平𝜶，因此不拒絕零假設(shè)，認(rèn)為其偏回歸系數(shù)與0無顯著差異，與被解釋變量與解釋變量的線性關(guān)系是不顯著的，不應(yīng)保留在方程中。同時(shí)從容忍度和方差膨脹因子看，解釋變量與三個(gè)解釋變量多重共線性嚴(yán)重，在建立模型的時(shí)候應(yīng)當(dāng)被剔除。共線性診斷a模型維度特徵值條件指數(shù)變異數(shù)比例（常數(shù)）投入人年數(shù)111.8001.000.10.102.2003.001.90.90a. 應(yīng)變數(shù): 課題總數(shù)依據(jù)該表可進(jìn)行多重共線性檢測，從方差比例上看第二個(gè)變量可解釋常量的90%，也可解釋投入人年數(shù)的90%，一次認(rèn)為這些變量存在多重共線性。條件指數(shù)都小于10，說明存在共線性較弱，低個(gè)變量特征值小于0.7，說明線性相

12、關(guān)關(guān)系較弱。殘差統(tǒng)計(jì)資料a最小值最大值平均數(shù)標(biāo)準(zhǔn)偏差N預(yù)測值-57.6423246.986960.000803.721331殘差-466.2850509.6787.0000237.891431標(biāo)準(zhǔn)預(yù)測值-1.2662.845.0001.00031標(biāo)準(zhǔn)殘差-1.9272.106.000.98331a. 應(yīng)變數(shù): 課題總數(shù)數(shù)據(jù)點(diǎn)圍繞基準(zhǔn)線還存在一定的規(guī)律性，但標(biāo)準(zhǔn)化殘差的非參數(shù)檢驗(yàn)結(jié)果表明標(biāo)準(zhǔn)化殘差與標(biāo)準(zhǔn)正態(tài)分布不存在顯著差異，可以認(rèn)為殘差滿足了線性模型的前提要求。隨著標(biāo)準(zhǔn)化預(yù)測值的變化，殘差點(diǎn)在0線周圍隨機(jī)分布，但殘差的等方差性并不完全滿足，方差似乎有增大的趨勢。但計(jì)算殘差與預(yù)測值的Spearm

13、an等級相關(guān)系數(shù)為-0.176，且檢驗(yàn)并不顯著，因此認(rèn)為異方差現(xiàn)象并不明顯。相關(guān)Standardized Predicted ValueStandardized ResidualSpearman 的 rhoStandardized Predicted Value相關(guān)係數(shù)1.000-.176顯著性 （雙尾）.344N3131Standardized Residual相關(guān)係數(shù)-.1761.000顯著性 （雙尾）.344.N3131依據(jù)該表可以對標(biāo)準(zhǔn)化殘差和標(biāo)準(zhǔn)化預(yù)測值的Spearman等級進(jìn)行分析，可以看到，計(jì)算殘差與預(yù)測值的相關(guān)性弱，認(rèn)為異方差現(xiàn)象不明顯。13、利用1950年1990年的天津食品

14、消費(fèi)數(shù)據(jù)，分析這段時(shí)間內(nèi)的人均生活費(fèi)用年收入的變化情況。要求：數(shù)據(jù)進(jìn)行對數(shù)變換后，運(yùn)用Holt線性趨勢平滑模型分析。(1)輸出均方根誤差和參數(shù)估計(jì)結(jié)果；(2)輸出ACF和PACF圖形并對其特征進(jìn)行分析，是否滿足白噪聲序列的條件；(3)給出1991-1992的預(yù)測值，并輸出擬合圖。解答：思路：根據(jù)題意，先不進(jìn)行序列圖和自相關(guān)、偏自相關(guān)的觀察和檢驗(yàn)階段處理。直接利用指數(shù)平滑模型中的Holt線性趨勢模型對數(shù)據(jù)進(jìn)行分析，同時(shí)輸出均方根誤差和參數(shù)估計(jì)誤差，ACF和PACF圖像判斷是否滿足白噪音序列的條件；最后然后對數(shù)據(jù)進(jìn)行1991年、1992年做出預(yù)測，并用模型進(jìn)行擬合。步驟：【分析-預(yù)測-創(chuàng)建模型】，

15、將人均生活費(fèi)年收入選入【因變量】中，將【方法】選為【指數(shù)平滑法】；點(diǎn)擊【條件】，在【因變量轉(zhuǎn)換】中選【自然對數(shù)】，在【模型類型】中【Holt線性趨勢】，【繼續(xù)】?！窘y(tǒng)計(jì)量】，在【擬合度量】中選擇【平穩(wěn)的R方、均方根誤差】，在【個(gè)別模型的統(tǒng)計(jì)量】中選中【參數(shù)估計(jì)】，在【比較模型的統(tǒng)計(jì)量】中選中【擬合優(yōu)度】，選中【顯示預(yù)測值】，【確定】【圖表】，在【單個(gè)模型圖】中選擇【序列、殘差自相關(guān)函數(shù)、殘差部分自相關(guān)函數(shù)】，在【每張圖顯示的內(nèi)容】中現(xiàn)則【觀察值、預(yù)測值、擬合值】?！具x項(xiàng)】，在【預(yù)測階段】選擇第二個(gè)，在【日期】的【年】框中填入【1992】。輸出：模型適合度適合度統(tǒng)計(jì)資料平均數(shù)SE最小值最大值百分

16、位數(shù)5102550759095平穩(wěn) R 平方.221.221.221.221.221.221.221.221.221.221R 平方.994.994.994.994.994.994.994.994.994.994RMSE28.179.28.17928.17928.17928.17928.17928.17928.17928.17928.179MAPE3.517.3.5173.5173.5173.5173.5173.5173.5173.5173.517MaxAPE12.495.12.49512.49512.49512.49512.49512.49512.49512.49512.495MAE17.1

17、46.17.14617.14617.14617.14617.14617.14617.14617.14617.146MaxAE82.911.82.91182.91182.91182.91182.91182.91182.91182.91182.911標(biāo)準(zhǔn)化 BIC6.858.6.8586.8586.8586.8586.8586.8586.8586.8586.858模型統(tǒng)計(jì)資料模型預(yù)測變數(shù)數(shù)目模型適合度統(tǒng)計(jì)資料Ljung-Box Q(18)離群值數(shù)目平穩(wěn) R 平方RMSE統(tǒng)計(jì)資料DF顯著性人均生活費(fèi)年收入-模型_10.22128.17916.36016.4280均方根誤差為28.179，誤差較小。指

18、數(shù)平滑化模型參數(shù)模型估計(jì)SET顯著性人均生活費(fèi)年收入-模型_1自然對數(shù)Alpha（水準(zhǔn)）1.000.1576.381.000Gamma（趨勢）.400.1782.244.031模型的兩個(gè)參數(shù)分別為：1.0和0.4，則具體模型為ft+m=1.0+0.4m， 雖然殘差自相關(guān)函數(shù)和偏自相關(guān)函數(shù)絕大多數(shù)處于置信區(qū)間內(nèi)，但兩函數(shù)都具有明顯減少趨勢，且具有一定的季節(jié)性，因此不屬于白噪音序列。預(yù)測模型19911992人均生活費(fèi)年收入-模型_1預(yù)測1708.821920.58UCL1887.022274.43LCL1543.631609.99針對每一個(gè)模型，預(yù)測是在所要求的估計(jì)期間範(fàn)圍內(nèi)的前次非遺漏開始，並在

19、其所有預(yù)測值的非遺漏值可用的前次期間，或是在所要求的預(yù)測期間的結(jié)束日期結(jié)束，取較早的時(shí)間。1991、1992年的預(yù)測值與1990年的觀測值有較大的增長趨勢。從整個(gè)數(shù)據(jù)來看，1950年至1980年這段時(shí)期較為平穩(wěn)的增長，但是1980年之后迅速上升，最后預(yù)測值上升較為明顯，這與實(shí)際趨勢基本一致。且1991、1992年預(yù)測值分別為1708.82、1920.58。16、結(jié)合自己的研究方向、參與項(xiàng)目等，舉出一個(gè)說明SPSS在交通運(yùn)輸中應(yīng)用的例子。例子需包含問題說明、數(shù)據(jù)來源、統(tǒng)計(jì)方法、統(tǒng)計(jì)結(jié)果及其主要結(jié)論。解答：問題說明：利用1950年2013年美國么歷年定期航班旅客周轉(zhuǎn)量（單位：“臺億客公里）歷年數(shù)據(jù)

20、數(shù)據(jù)，建立幾種指數(shù)平滑模型，預(yù)測2016年美國定期航班旅客周轉(zhuǎn)量。數(shù)據(jù)來源：從統(tǒng)計(jì)看民航（2014）中國民航出版社，2014年11月第一版。年份1950195119521953195419551956195719581959定期航班旅客周轉(zhuǎn)量/億客公里164.4211.8250.3292.1331.6391.8444.5503506.9585.3年份1960196119621963196419651966196719681969定期航班旅客周轉(zhuǎn)量/億客公里625.4640.9704.2810.4941.31105.21285.71605.81830.72017.3年份1970197119721

21、973197419751976197719781979定期航班旅客周轉(zhuǎn)量/億客公里2131.32155.914532606262126202882311036404080年份1980198119821983198419851986198719881989定期航班旅客周轉(zhuǎn)量/億客公里3930395041004460472052795800647067436948年份1990199119921993199419951996199719981999定期航班旅客周轉(zhuǎn)量/億客公里731471837651.477598199.88491.69214.89655.7984710448.7年份20002001

22、20022003200420052006200720082009定期航班旅客周轉(zhuǎn)量/億客公里11109.510444.810218.410389.611643.712446.912753.813120.51279012570年份2010201120122013定期航班旅客周轉(zhuǎn)量/億客公里12998.713105.413247.513525.2解題思路：首先首先繪制和觀察彩電出口量的序列圖，通過圖形觀察和檢驗(yàn)尋找規(guī)律，然后通過指數(shù)平滑模型簡單、HOIT線性趨勢、Brown線性趨勢三個(gè)模型進(jìn)行分析預(yù)測，比較選擇最佳模型預(yù)測2016年億客公里數(shù)。統(tǒng)計(jì)結(jié)果：美國億客公里時(shí)間序列圖如下：該序列圖為平穩(wěn)序

23、列則可以直接進(jìn)行建模分析。（1）簡單指數(shù)平滑模型型號說明模型類型模型 ID億客公里模型_1簡單模型統(tǒng)計(jì)資料模型預(yù)測變數(shù)數(shù)目模型適合度統(tǒng)計(jì)資料Ljung-Box Q(18)離群值數(shù)目平穩(wěn) R 平方RMSE統(tǒng)計(jì)資料DF顯著性億客公里-模型_10-.417367.91812.51117.0460指數(shù)平滑化模型參數(shù)模型估計(jì)SET顯著性億客公里-模型_1自然對數(shù)Alpha（水準(zhǔn)）1.000.1228.175.000預(yù)測模型201420152016億客公里-模型_1預(yù)測13638.2113752.1613867.06UCL17502.4819474.7921137.62LCL10451.729393.22

24、8654.28針對每一個(gè)模型，預(yù)測是在所要求的估計(jì)期間範(fàn)圍內(nèi)的前次非遺漏開始，並在其所有預(yù)測值的非遺漏值可用的前次期間，或是在所要求的預(yù)測期間的結(jié)束日期結(jié)束，取較早的時(shí)間。（2）HOIT線性趨勢指數(shù)平滑模型型號說明模型類型模型 ID億客公里模型_1Holt模型統(tǒng)計(jì)資料模型預(yù)測變數(shù)數(shù)目模型適合度統(tǒng)計(jì)資料Ljung-Box Q(18)離群值數(shù)目平穩(wěn) R 平方RMSE統(tǒng)計(jì)資料DF顯著性億客公里-模型_10.610417.99015.33616.0500指數(shù)平滑化模型參數(shù)模型估計(jì)SET顯著性億客公里-模型_1自然對數(shù)Alpha（水準(zhǔn)）.694.1185.893.000Gamma（趨勢）.117.0621.895.063預(yù)測模型201420152016億客公里-