1、精選優質文檔-傾情為你奉上統計實習SPSS實驗報告 姓名： 成功 學號： 班級： 會計二班 實驗報告二實驗項目：描述性統計分析實驗目的：1、掌握數據集中趨勢和離中趨勢的分析方法；2、熟練掌握各個分析過程的基本步驟以及彼此之間的聯系和區別。實驗內容及步驟一、數據輸入案例：對6名男生和6名女生的肺活量的統計，數據如下：1. 打開SPSS軟件，進行數據輸入：通過打開數據的方式對XLS的數據進行輸入其變量視圖為：二、探索分析進行探索分析得出如下輸出結果：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，男生明顯優于女生，范圍更廣，偏度大。男男 Stem-a

2、nd-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 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、頻率分析進行頻率分析得出如下輸出結果：由上圖可知，分析變量名：肺活量。可見樣本量N為6例，缺失值0例， 1500以下的33，1500-2000男生

3、33女生50，2000以上女生16.7，男生33。四、描述分析進行描述分析得出如下輸出結果：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，.標準差為327.735/325.408，離散程度不算大。五、交叉分析 實驗報告三實驗項目：均值比較實驗目的：.學習利用SPSS進行單樣本、兩獨立樣本以及成對樣本的均值檢驗。實驗內容及步驟（1） 描述統計 案例：某醫療機構為研究某種減肥藥的療效，對15位肥胖者進行為期半年的觀察測試，測試指標為

4、使用該藥之前和之后的體重。 編號12345服藥前198237233179219服藥后192225226172214編號678910服藥前169222167199233服藥后161210161193226編號1112131415服藥前179158157216257服藥后173154143206249輸入SPSS建立數據。由上圖可知，結果輸出均值、樣本量和標準差。因為選擇了分組變量，所以三項指標均給出分組及合計值，可見以這種方式列出統計量可以非常直觀的進行各組間的比較。由上表可知，在顯著性水平為0.05時，服藥前后的概率p值為小于0.05，拒絕零假設，說明服藥前后的體重有顯著性變化（2） 單樣本T

5、檢驗進行單樣本T檢驗分析得出如下輸出結果：由上表可以知，單個樣本統計量分析表，的基本情況描述，有樣本量、均值、標準差和標準誤，單樣本t檢驗表，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%可信區間。由上表可知：t=34.215，P=0.0000.05。因此可以認為肺氣腫的總體均值不等于0.（3） 雙樣本T檢驗案例：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。進行雙樣本T檢驗得出如下輸出結果：T

6、檢驗成對樣本統計量均值N標準差均值的標準誤對 1安慰劑組121.801011.4193.611藥物組111.801010.1853.221由上圖可知，對變量各自的統計描述，此處只有1對，故只有對1。成對樣本相關系數N相關系數Sig.對 1安慰劑組 & 藥物組10.802.005此處進行配對變量間的相關性分析成對樣本檢驗成對差分tdfSig.(雙側)均值標準差均值的標準誤差分 95% 置信區間下限上限對 1安慰劑組-藥物組10.0006.8962.1815.06714.9334.5869.001配對t檢驗表，給出最終的檢驗結果，由上表可見P=0.001，故可認為安慰劑組和藥物組對肥胖病人的體重有

7、差別影響實驗報告四實驗項目：相關分析實驗目的：1. 學習利用SPSS進行相關分析、偏相關分析、距離分析、線性回歸分析和曲線回歸。實驗內容及步驟（1） 兩變量的相關分析案例：某醫療機構為研究某種減肥藥的療效，對15位肥胖者進行為期半年的觀察測試，測試指標為使用該藥之前和之后的體重。 編號12345服藥前198237233179219服藥后192225226172214編號678910服藥前169222167199233服藥后161210161193226編號1112131415服藥前179158157216257服藥后173154143206249進行相關雙變量分析得出如下輸出結果：相關性相關系

8、數系數表。變量間兩兩的相關系數是用方陣的形式給出的。每一行和每一列的兩個變量對應的格子中就是這兩個變量相關分析結果結果，共分為三列，分別是相關系數、P值和樣本數。由于這里只分析了兩個變量，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系數均為1（of course），而治療前和治療后的相關系數為0.911，P0.05，因此“月平均流量”與“月平均氣溫”不存在顯著相關性。（3） 距離分析案例：植物在不同的溫度下的生長狀況不同，下列是三個溫度下的植物生長編號10度20度30度112.3612.412.18212.1412.212.22312.3112.2812.35412.3212

9、.2512.21512.1212.2212.1612.2812.3412.25712.2412.3112.2812.4112.312.46近似值（4） 線性回歸分析已知有某河流的一年月平均流量觀測數據和該河流所在地區當年的月平均雨量和月平均溫度觀測數據，如表所示。試分析關系。 觀測數據表月份月平均流量月平均雨量月平均氣溫10.500.10-8.8020.300.10-11.0030.400.40-2.4041.400.406.9053.302.7010.6064.702.4013.9075.902.5015.4084.703.0013.5090.901.3010.00100.601.802.7

10、0110.500.60-4.80120.300.20-6.00進行線性回歸分析得出如下輸出結果：回歸輸入移去的變量b模型輸入的變量移去的變量方法1月平均流量a.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，是第一個問題的分析結果。這里的表格是擬合過程中變量進入/退出模型的情況記錄，由于只引入了一個自變量，所以只出現了一個模型1（在多元回歸中就會依次出現多個回歸模型），該模型中身高為進入的變量，沒有移出的變量， 這里的表格是擬合過程中變量進入/退出模型的情況記錄，由于只引入了一個自變量，所以只出現了一個模型（在多元回歸中就會依次出現多個回歸模型），該模型中身高為進入的變量，

11、沒有移出的變量。 模型匯總模型RR 方調整 R 方標準 估計的誤差1.855a.732.705.6117a. 預測變量: (常量), 月平均流量。擬合模型的情況簡報，顯示在模型中相關系數R為0.855，而決定系數R2為0. 732，校正的決定系數為0.705，說明模型的擬合度較高。Anovab模型平方和df均方FSig.1回歸10.208110.20827.283.000a殘差3.74110.374總計13.94911a. 預測變量: (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結果，可以看到這就是一個標準的方差分析表！從上表可見所用的回歸模型F值為27.283，P值為

12、.00a，因此用的這個回歸模型是有統計學意義的，可以繼續看下面系數分別檢驗的結果。由于這里所用的回歸模型只有一個自變量，因此模型的檢驗就等價與系數的檢驗，在多元回歸中這兩者是不同的。系數a模型非標準化系數標準系數tSig.B標準 誤差試用版1(常量).387.2471.564.149月平均流量.462.088.8555.223.000a. 因變量: 月平均雨量 包括常數項在內的所有系數的檢驗結果。用的是t檢驗，同時還會給出標化/未標化系數。可見常數項和身高都是有統計學意義的殘差統計量a極小值極大值均值標準 偏差N預測值.5263.1131.292.963312殘差-.63371.1358.00

13、00.583212標準 預測值-.7951.890.0001.00012標準 殘差-1.0361.857.000.95312a. 因變量: 月平均雨量圖表（5） 曲線回歸分析某地1963年調查得兒童年齡（歲）與體重的資料試擬合對數曲線。年齡（歲）體重123456768656750707677進行曲線回歸分析得出如下輸出結果：實驗報告五實驗項目：聚類分析和判別分析實驗目的： 1.學習利用SPSS進行聚類分析和判別分析。實驗內容及步驟（一） 系統聚類法為確定老年婦女進行體育鍛煉還是增加營養會減緩骨骼損傷，一名研究者用光子吸收法測量了骨骼中無機物含量,對三根骨頭主側和非主側記錄了測量值，結果見教材表

14、。：受試者編號主側橈骨橈骨主側肱骨肱骨主側尺骨尺骨11.1031.0522.1392.2380.8730.87220.8420.8591.8731.7410.5900.74430.9250.8731.8871.8090.7670.71340.8570.7441.7391.5470.7060.67450.7950.8091.7341.7150.5490.65460.7870.7791.5091.4740.7820.57170.9330.8801.6951.6560.7370.80380.7990.8511.7401.7770.6180.68290.9450.8761.8111.7590.8530

15、.777100.9210.9061.9542.0090.8230.765輸入SPSS建立數據。進行系統聚類分析得出如下輸出結果：聚類快捷聚類研究兒童生長發育的分期，調查名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（%），判別分析對某企業，搜集整理了10名員工2009年第1季度的數據資料。構建1個106維的矩陣職工代號工作產量工作質量工作出勤工砟損耗工作態度工作能力19.689.628.378.639.869.7428.098.839.389.799.989.7337.468.736.745.598.838.4646.088.255.045.928.338.

16、2956.618.366.677.468.388.1467.698.856.447.458.198.177.468.935.77.068.588.3687.69.286.758.038.688.2297.68.267.57.638.797.63107.168.625.727.118.198.181、“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），把X1、X2、X3、X4、X5和X6輸入“自變量框”，選擇“使用逐步式方法”；2、“統計量”中選擇“均值”、“單變量ANOVA”、“Fisher”、“未標準化”、“組內相關”；3、“方法”默認設置；4、“分類”中

17、選擇“根據組大小計算”、“摘要表”、“不考慮該個案時的分類”、“在組內”、“合并圖、分組、區域圖”；5、“保存”中選擇“預測組成員”、“判別得分”；6、點擊確定。 得到以下各表和圖。特征值函數特征值方差的 %累積 %正則相關性11.002a100.0100.0.707a. 分析中使用了前 1 個典型判別式函數。Wilks 的 Lambda函數檢驗Wilks 的 Lambda卡方dfSig.1.4993.4716.748函數1工作質量.270工作產量-.831工作出勤-.406工砟損耗1.415工作態度1.879工作能力-2.061結構矩陣函數1工砟損耗.541工作出勤.355工作態度.175工

18、作產量.063工作能力-.056工作質量-.050判別變量和標準化典型判別式函數之間的匯聚組間相關性 按函數內相關性的絕對大小排序的變量。典型判別式函數系數函數1工作質量.581工作產量-.830工作出勤-.312工砟損耗1.248工作態度2.798工作能力-2.803(常量)-6.817非標準化系數組質心處的函數職工代號函數11-.73121.097在組均值處評估的非標準化典型判別式函數分類統計量分類處理摘要已處理的10已排除的缺失或越界組代碼0至少一個缺失判別變量0用于輸出中10組的先驗概率職工代號先驗用于分析的案例未加權的已加權的1.60066.0002.40044.000合計1.000

19、1010.000分類函數系數職工代號12工作質量121.299122.360工作產量-58.894-60.411工作出勤-14.803-15.373工砟損耗3.7396.020工作態度123.979129.094工作能力-63.284-68.407(常量)-547.493-560.691Fisher 的線性判別式函數單獨組圖表分類結果b,c職工代號預測組成員合計12初始計數15162134%183.316.7100.0225.075.0100.0交叉驗證a計數12462404%133.366.7100.02100.0.0100.0a. 僅對分析中的案例進行交叉驗證。 在交叉驗證中，每個案例都是

20、按照從該案例以外的所有其他案例派生的函數來分類的。b. 已對初始分組案例中的 80.0% 個進行了正確分類。c. 已對交叉驗證分組案例中的 20.0% 個進行了正確分類。實驗報告六實驗項目：因子分析和主成分分析實驗目的：1.學習利用SPSS進行因子分析和主成分分析。實驗內容及步驟（一） 因子分析下表資料為15名健康人的7項生化檢驗結果，6項生化檢驗指標依次命名為X1至X6，請對該資料進行因子分析。因子分析1打開導入excle數據2選擇菜單“分析降維因子分析” ，彈出“因子分析”對話框。在對話框左側的變量列表中選除地區外的變量，進入“變量”框， 3單擊“描述”按鈕，彈出“因子 分析: 描述”對話

21、框，在“統計量”中選“單變量 描述”項，輸出各變量的均數與標準差，“相關矩陣”欄內選“系數”，計算相關系數矩陣，并選“KMO 和 Bartletts 球形度檢驗”項，對相關系數矩陣進行統計學檢驗，對以上資料進行因子分析：分析降維因子分析，確定操作得出描述統計量均值標準差分析 NX16.02131.2384815X27.9880.5734015X33.99601.0119515X45.57001.3869915X58.3727.7778015X68.0247.6895515相關矩陣X1X2X3X4X5X6相關X11.000.966.782.055.104.019X2.9661.000.747.0

22、28.233.158X3.782.7471.000.125.214-.024X4.055.028.1251.000-.150.233X5.104.233.214-.1501.000.753X6.019.158-.024.233.7531.000Sig.（單側）X1.000.000.423.356.473X2.000.001.461.202.287X3.000.001.329.222.467X4.423.461.329.297.202X5.356.202.222.297.001X6.473.287.467.202.001KMO 和 Bartlett 的檢驗取樣足夠度的 Kaiser-Meyer-Olkin 度量。.460Bartlett 的球形度檢驗近似卡方64.035df15Sig.