实验报告册.docx
《实验报告册.docx》由会员分享，可在线阅读，更多相关《实验报告册.docx（36页珍藏版）》请在冰点文库上搜索。
实验报告册
《SPSS统计软件应用》
实验报告册
2013-2014学年第学期
班级：
学号：
姓名：
授课教师：
实验教师：
实验学时：
实验组号：
实验一SPSS的数据管理
1.
（1）先打开SPSS软件
（2）单击左下角“VariableView”选项卡，输入定义变量
（3）确定变量类型
（4）输入备选答案
2、
（1）打开数据文件compute.sav，
（2）选中菜单“Data—SelectCases”，在对话框中输入“不良记录=0”。
单击“OK”。
（3）选中菜单“ComputeVariable”，在“TargetVariable”中选中“西部加分后”，在“NumericExpression”下输入“文化课成绩+10”，单击“OK”。
（4）选中菜单“ComputeVariable”，在“TargetVariable”中选中“奖项加分后”，在“NumericExpression”下输入“文化课成绩+40”，单击“OK”。
（5）选中菜单“Data—SelectCases”，选择“Ifconditionissatisfied”输入“综合分>=438”。
实验结果：
单击“OK”输出实验结果。
实验分析：
由实验结果可知，最后被录取的七名学生分别是孙悦婷（495）、艾甫尔（493）、郭东洋（462）、杨乐（451）、高超（438）、易仲勃（424）、周尧（400），这些学生的文化课成绩都在400 分以上，个人档案中没有“不良记录”。
七名学生中，
艾甫尔、孙悦婷和郭东洋获得了“西部加分”（10 分），艾甫尔和郭东洋还获得
了“民族加分”（20 分），艾甫尔获得了3 个奖项，郭东洋获得了1 个奖项，易
仲勃获得了2 个奖项，都分别获得了“奖项加分”。
实验小结:
1.通过这个实验我学会了如何定义变量，这是学习SPSS最基本的要求，在定义变量时，根据自己的习惯定义变量的Name，注意要选择变量的类型，单击Type可选择，不同的变量要选择不同类型。
2.通过实验课件我还学到了几个常用的type，Numeric：
数值型；Date：
日期型；String：
字符型。
3.做这个实验之前一定要先把例题仔细看一遍。
4.在第一遍的实验中，由于我没有把文化课的成绩综合起来，所以加分后的分数没办法累加，这是需要注意的。
5.当数据中需要分类汇总的项目很多时，可以根据不同的变量逐步进行分类
筛选，最后得到满足条件的数据。
实验二描述性统计分析
1．打开数据文件descriptives.sav，单击analyze—compare means,选择班级到indepent list ,选择年龄 身高 体重到dependent list,单击options—continue。
单击“OK”输出实验结果。
实验分析：
1 班年龄的最大值为15，最小值为13，平均值为14.2，方差和标准差分别
为0.700 和0.837，年龄的极差为2 岁；体重的最大值为50kg，最小值为38kg，
平均值为44.6kg，方差和标准差分别为24.8 和4.98，体重的极差为12kg；身
高的最大值为160cm，最小值为149cm，平均值为154cm，方差和标准差分别为
20.5 和4.53，身高的极差为11cm。
2 班年龄的最大值为17，最小值为16，平均值为16.4，方差和标准差分别
为0.300 和0.548，年龄的极差为1 岁；体重的最大值为65kg，最小值为50kg，
平均值为58kg，方差和标准差分别为32.50 和5.70，体重的极差为15kg；身高
的最大值为175cm，最小值为160cm，平均值为167cm，方差和标准差分别为32.50和5.70，身高的极差为15cm。
3 班年龄的最大值为18，最小值为16，平均值为17.33，方差和标准差分别
为0.667 和0.816，年龄的极差为2 岁；体重的最大值为70kg，最小值为55kg，
平均值为62.83kg，方差和标准差分别为34.167 和5.845，体重的极差为15kg；
身高的最大值为180cm，最小值为160cm，平均值为169cm，方差和标准差分别
为64.0 和8.0，身高的极差为20cm。
实验小结：
2.
（1）定义变量名：
yp为药品，yh为是否愈合，jg为处理结果。
Yp按1=呋喃硝胺、2=甲氰咪胍输入。
Yh按1=愈合、2=未愈合输入。
（2）输入数据
（3）选中菜单“Data—WeightCases”，在弹出的对话框中选中“Weightcasesby”，选中jg进入“FrequencyVariable”。
（4）选中菜单“Analyze-Descriptive-Crosstabs”,将“yh”变量选入“Rows:
”行变量框中，将“yp”变量选入“Columns”列变量框中。
选中Displayclusteredbarcharts。
（5）单击“CellDisplay”钮，勾选Observed、Expected、Rom、Column、Total、Unstandardized、Roundcellcounts。
实验结果：
单击“Continue”输出实验结果。
实验分析：
1.通过上表的检验结果可知，在62 个样本中，呋喃硝胺治愈了54 人，未治愈8 人；在64 个样本中，甲氰咪胍治愈了44 人，未治愈20 人。
2.在卡方检验的结果中，Pearson 卡方检验的值为6.133，连续校正值为5.118，似然比为6.304；Fisher 的精确双侧检验值为0.18，单侧检验值为0.011；线性和线性组合值为6.084，双侧检验值为0.014，有效案例中的N 为126。
3.Continuity Correction 和Pearson 卡方值处分别标注有a和b ，表格下方为相应的注解：
a.只为2*2 表计算。
b.0%个格子的期望频数小于5，最小的期望频数为13.78。
因此，这里无须校正，直接采用第一行的检验结果，即X2=6.133，
实验小结：
1.通过本次实验，使我较好地掌握了利用SPSS 进行描述性统计分析的方法，
学会了频数分析（Frequencies 过程）、描述性分析（Descriptives 过程）、交
叉列联表分析（Crosstabs 过程）。
2.频数分布分析主要通过频数分布表、条形图和直方图，以及集中趋势和离散趋势的各种统计量来描述数据的分布特征。
3.Descriptives过程可对变量进行描述性统计分析，计算并列出一系列相应的统计指标，其功能和频数分析过程类似，主要以计算数值型单变量的统计量为主，但没有图形功能。
实验三均值检验
1．
（1）打开数据文件ttest1.sav，选择菜单“Data—SplitFile”，选择“Comparegroups”钮，选择“机器编号”进入“GroupsBasedon”，选择“sortthefilebygroupingvariables”钮，单击“OK”。
（2）选择菜单“Analyze→CompareMeans→One-SampleTTest”。
弹出“One-SampleTTest”对话框。
在对话框左侧的变量列表中选择变量“制动闸直径”进入“TestVariable（s）”框；在“TestValue”编辑框中输入产品均值322.
（3）单击“Options”钮，设定“ConfidenceInterval”为90%。
实验结果：
单击“Continue”输出实验结果。
实验分析：
在90%的置信水平下，可知1～4 号制动闸直径的均值分别为321.9985、
322.0143、321.9983、321.9954，第1 号和第3 号机器的双尾数概率大于0.05，
第2 号和第4 号机器的双尾数概率小于0.05，说明第1 号和第3 号机器生产的
制动闸直径均值与322 有显著差异，第2 号和第4 号机器生产的产品均值与322
无显著差异。
2.
（1）定义变量名：
Gender为性别，df为得分，输入原始数据。
（2）选择菜单“Analyze→CompareMeans→Independent-samplesTTest”项，弹出“Independent-samplesTTest”对话框。
从对话框左侧的变量列表中选择“df”进入“TestVariable（s）”框，选择变量“Gender”，进入“GroupingVariable”框，点击“DefineGroups”钮弹出“DefineGroups”定义框，在Gender1中输入1，在Gender2中输入2。
试验结果：
单击“OK”,输出实验结果。
实验分析：
1.由组统计量可以看出，男、女生乒乓球得分的平均值分别为82.7143
和76.8571，标准差分别为3.14718 和2.54484，，均值误差分别为1.18952 和
0.96186。
2.对独立样本检验的结分析：
首先进行方差齐性检验， 0H =21〓 =22〓 ,由F=0.622，相应的伴随概率为Sig.=0.445，大于显著性水平0.05，不能拒绝
方差相等的假设，可以认为男、女生乒乓球得分的方差无显著差异。
3.然后就是方差相等时t 检验的结果， 0H :
1〓 - 2〓 =0，由t=3.829，相
应的伴随概率为Sig.=0.002，小于显著性水平0.05，拒绝t 检验的原假设，可
以认为在置信度为95%的情况下，男、女生乒乓球得分有显著差别。
3．打开数据文件ptest.sav.，选择菜单“Analyze→CompareMeans→Paired-samplesTTest”项，弹出“Paired-samplesTTest”对话框。
从对话框左侧的变量列表中选择变量tg0—tg1、wgto—wgt1进入Variables框。
实验结果：
单击“OK”，输出实验结果。
实验分析：
1.由实验结果可以看出，服药前和服药后甘油三酯水平分的平均值分别为138.44 和124.38，误差均值为7.260 和7.353，服药前后体重的平均值分别为198.38 和190.31，误差均值为8.368 和8.377。
2.服药前后甘油三酯水平平均变量的相关系数为-0.286，相应的P 知大于0.05，不显著，呈负相关。
服药前后体重平均变量的相关系数为0.996，相应的P 知小于0.05，很显著，相关程度较高。
3.由配对样本t 检验结果表可以看出，服药前后甘油三酯水平差值序列的平均值为14.063，计算出的t 值为1.200，相应的伴随概率P（Sig.）=0.249,大于显著性水平0.05，接受t 检验的原假设，也就是服药前后甘油三酯水平没有明显变化。
服药前后体重差值序列的平均值为8.063，计算出的t 值为11.175，相应的伴随概率P（Sig.）=0.000,小于显著性水平0.05，不接受t 检验的原假设，也就是服药前后体重有了明显的变化。
实验小结：
1.学习利用SPSS进行单样本、两独立样本以及成对样本的均值检验。
2.在分析问题前要判断是单样本T测验还是双样本T测验，在第一遍的实验过程中由于我没有分清楚这个问题导致了实验结果错误。
实验四相关分析
1.
（1）打开数据文件correlate1.sav，选择菜单“Analyze→Correlate→Bivariate”，弹出“BivariateCorrelation”对话框。
在对话框左侧的变量列表中选Priceinthousands、Fuelefficiency使之进入“Variables”框；再在“CorrelationCoefficients”框中选择Pearson相关系数（r）；在“TestofSignificance”框中选相关系数的“Two-tailed”（双侧）检验。
选中复选框“Flagsignificantcorrelations”设置是否突出显示显著相关。
（2）单击“Options”按钮，弹出“BivariateCorrelation:
Options”对话框，选择“Meansandstandarddeviations”和“Cross-productdeviationsandcovariances”项，输出Priceinthousands、Fuelefficiency的均数与标准差以及Priceinthousands、Fuelefficiency交叉乘积的标准差与协方差。
实验结果：
单击“OK”按钮，得到输出结果。
实验分析：
1.由描述性统计量分析结果可知，汽车价格的均值为27.339075，标准差14.351653，燃油效率的均值为23.84，标准差为4.283。
2.通过相关性分析可知，汽车价格和汽车的燃油效率的相关系数为-0.429，相关性
不显著，表明汽车燃油效率提高度对汽车价格影响不大。
2.
（1）打开数据文件pcorrelation.sav，择菜单“Analyze→Correlate→Partial”，弹出“PartialCorrelations”对话框。
在对话框左侧的变量列表中选变量“身高”、“肺活量”进入Variables框，选择要控制的变量“体重”进入“Controllingfor”框中，以在控制体重的影响下对变量身高与肺活量进行偏相关分析；在“TestofSignificance”框中选双侧检验。
（2）单击“Options”按钮，弹出“PartialCorrelations:
Options”对话框。
在“Statistics”复选框组中选择要输出的统计量。
实验结果:
单击“OK”按钮，得到输出结果。
实验分析：
通过相似性矩阵分析可以看出，身高和体重值向量间的相关性为0.735，相关程度较高；身高和肺活量值向量间的相关性为0.581，中度相关；肺活量和体重值向量间的相关性为0.611，相关性比较显著。
3.打开数据文件distance.sav,选择菜单“Analyze→Correlate→Distance”，弹出“Distance”对话框。
在对话框左侧的变量列表中选变量第一次测量、第二次测量、第三次测量，进入“Variables”框。
在“ComputeDistances”框中选择“Betweenvariables”，作变量之间的距离相关分析。
在“Measure”栏中选择“Similarities”。
单击“Measure”按钮，系统弹出“Distance:
SimilarityMeasure”对话框，选择“Pearsoncorrelation”为测量距离。
实验结果：
单击“OK”按钮，得到输出结果。
实验分析：
通过不相似性矩阵分析可以看出，第一次测量和第二次测量Euclidean 距离为0.750，表明这两次测量结果一致，飞机叶片的半径差别较小；第一次测量和第三次测量Euclidean距离为0.774，这两次测量结果也趋于一致，飞机叶片的半径差别较小；第二次测量和第三次测量的Euclidean 距离为1.209，这两次测量结果不一致，飞机叶片的半径差别较大。
实验小结：
1.通过对这一实验的学习，我学会了利用SPSS进行相关分析、偏相关分析、距离分析。
2.距离相关分析是对观测量之间或变量之间相似或不相似的程度的一种测量。
距离相关分析可用于同一变量内部各个取值间，以考察其相互接近程度；也可用于变量间，以考察预测值对实际值的拟合优度。
实验五方差分析
（1）定义变量：
地区为dp，每天发生交通事故的次数为cs，dp按1=东部、2=北部、3=中部、4=南部、5=西部输入。
（2）选择菜单“Analyze—One-WayANOVA”，弹出对话框，把cs移至DependentList，把dq移至Factor。
（3）单击“PostHoc”钮，在弹出的对话框中选中LSD，单击“Continue”按钮，回到“One-WayANOVA”对话框。
（5）单击“Options”钮，在对话框中选中Statisticss下的“Descriptive”和“Homogeneityofvariancetest”以及MissingValues下的“Excludecasesanalysisbyanalysis”。
实验结果：
单击“Continue”输出实验结果。
实验六绘制统计图
直条图：
（1）定义变量名：
年龄标化发生率为RATE，冠心病临床型为DISEASE，血压状态为BP。
RATE按原数据输入，DISEASE按冠状动脉机能不全=1、猝死=2、心绞痛=3、心肌梗塞=4输入，BP按正常=1、临界=2、异常=3输入。
（2）选择菜单“Graphs→Bar”过程，弹出“BarChart”定义选项框。
在定义选项框的上方选择复式直条图“Clustered”。
（3）单击“Define”钮，弹出“DefineClusteredBar:
SummariesforGroupsofCases”对话框，在左侧的变量列表中选择变量rate，使之进入“BarsRepresent”栏的“Othersummaryfunction”选项的“Variable”框，选择变量disease，使之进入“CategoryAxis”框，并选择变量bp进入“DefineClustersby”框。
（4）单击“Titles”钮，弹出“Titles”对话框，在“Title”栏内输入“血压状态与冠心病各临床型年龄标化发生率的关系”，单击“Continue”按钮返回“DefineClusteredChart:
SummariesforGroupsofCases对话框。
试验结果：
单击“OK“按钮，得到输出结果。
实验分析：
通过实验结果可以看出血压与人们的健康息息相关，当血压正常时发生机能不全、猝死、心绞痛、心肌梗塞的概率分别是8.9、12、34.71、44。
当血压处于临界时发生机能不全、猝死、心绞痛、心肌梗塞的概率分别是10.63、18.05、46.18、67.24。
当血压正常时发生机能不全、猝死、心绞痛、心肌梗塞的概率分别是19.84、30.55、73.06、116.82。
由条形图可知血压异常时各种疾病的发生率越高，其中发生率最高的时心肌梗塞，最低的是机能不全。
实验小结：
通过这个实验的学习我学会了利用SPSS绘制直条图，直条图是用线条的长短或高低来表现性质相近的间断性资料的特征，适用于描绘分类变量的取值大小及比例。
实验七因子分析
1．建立数据文件。
定义变量名：
分别为X1、X2、X3、X4、X5、X6、X7，按顺序输入相应数值，建立数据文件。
2．选择菜单“Analyze→DataReduction→Factor”，弹出“FactorAnalysis”对话框。
在对话框左侧的变量列表中选变量X1至X7，进入“Variables”
3．单击“Descriptives”按钮，弹出“FactorAnalysis:
Descriptives”对话框，在“Statistics”中选“Univariatedescriptives”项，输出各变量的均数与标准差，“在CorrelationMatrix”栏内选“Coefficients”，计算相关系数矩阵，并选“KMOandBartlett’stestofsphericity”项，对相关系数矩阵进行统计学检验.
4．单击“Extraction”按钮，弹出“FactorAnalysis:
Extraction”对话框，选用“Principalcomponents”方法提取因子.
5．单击“Rotation”按钮，弹出“FactorAnalysis:
Rotation”对话框，在“Method”栏中选择“Varimax”进行因子正交旋转.
6．单击“Scores”按钮，弹出“FactorAnalysis:
Scores”对话框，选择“Regression”项估计因子得分系数.
7．单击“OK”钮，得到输出结果。
DescriptiveStatistics
Mean
Std.Deviation
AnalysisN
X1
7.1000
2.32380
25
X2
4.7732
2.41779
25
X3
2.3488
1.66556
25
X4
9.1524
3.01405
25
X5
5.4584
3.27344
25
X6
7.1672
4.55817
25
X7
2.3460
1.61091
25
KMOandBartlett'sTest
Kaiser-Meyer-OlkinMeasureofSamplingAdequacy.
.321
Bartlett'sTestofSphericity
Approx.Chi-Square
326.285
df
21
Sig.
.000
Communalities
Initial
Extraction
X1
1.000
.797
X2
1.000
.773
X3
1.000
.859
X4
1.000
.980
X5
1.000
.983
X6
1.000
.976
X7
1.000
.834
ExtractionMethod:
PrincipalComponentAnalysis.
ComponentMatrix（a）
Component
1
2
X1
.746
.489
X2
.796
.372
X3
.709
-.597
X4
.911
.389
X5
-.234
.963
X6
-.177
.972
X7
-.886
.219
ExtractionMethod:
PrincipalComponentAnalysis.
a2componentsextracted.
RotatedComponentMatrix（a）
Component
1
2
X1
.878
.161
X2
.878
.033
X3
.421
-.826
X4
.990
.004
X5
.159
.979
X6
.215
.964
X7
-.732
.547
ExtractionMethod:
PrincipalComponentAnalysis.
RotationMethod:
VarimaxwithKaiserNormalization.
aRotationconvergedin3iterations.
ComponentTransformationMatrix
Component
1
2
1
.921
-.389
2
.389
.921
ExtractionMethod:
PrincipalComponentAnalysi
升级会员 