spss课程作业第二部分机试题要点.docx
《spss课程作业第二部分机试题要点.docx》由会员分享，可在线阅读，更多相关《spss课程作业第二部分机试题要点.docx（17页珍藏版）》请在冰点文库上搜索。
spss课程作业第二部分机试题要点
第二部分机试题
题目：
试对重庆交通运输集团汽车客运站总站客运服务质量进行总体满意度的影响因素分析，要求找出关键影响因素，并说明提升满意度的主要措施。
1.数据修正及处理
打开软件变量视图页面，如图1所示。
图1.变量视图部分截图
由图中可以看出，变量5-36是显示为无缺失值，即表中最后一列“无”所示。
通过spss软件对数据进行简单的描述统计分析之后，得部分结果如图2所示。
图2.描述统计量部分结果
由图中第二列可以看出，大多是N<201，表明这些变量是存在缺失值的，但是由于未给缺失值定义，会影响后续的分析研究。
因此，此处更正如下：
Spss中主要提供了三种方式处理缺失值，这里采用Replace Missing Analysis 过程。
此处为了提高其后问题的分析精度，采用平均值代替缺失值。
具体操作过程如图3所示。
图3缺失值替代对话框
其输出结果如图4所示。
图4缺失值替代部分结果
由图4中第三列可以看出，整体满意度一栏中缺失值被替换的个数为8个，票务信息获知性缺失值被替换2个。
此步骤后，可得到完整的问卷调查数据，为后续满意程度的影响因素分析提供了数据基础。
变量视图年龄一栏中，数值9代表的为“缺失：
未填的数据”，如图5所示。
图5年龄值设置
但是，数据视图显示，年龄和性别、职业、月收入一样，缺失值均是用0值代替的，如图6所示，此处将年龄的缺失值设置更正为0值。
图6部分数据视图
2.数据分析
2.1因子分析
因子分析法是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。
由于调查问卷中含有31个问题，分析研究问题之间的相关性，可采用因子分析法在31个变量中提取公因子。
因子分析法在spss中实现步骤如下：
择菜单栏中的【分析】—【降维】—【因子分析】命令，其对话框如图7所示。
图7因子分析对话框
在【抽取】一栏中固定选择公因子的个数，为7个，为了使原有31个变量的大部分信息能被公因子解释，所以旋转提取7个变量。
在【旋转】选项中勾选【最大方差法】。
在【得分】一栏中勾选【保存为变量】，即表示采用回归法计算因子得分并保持在原文件中；勾选【显示因子得分系数矩阵】，表示输出因子得分系数矩阵。
在【选项】一栏中勾选【按大小排序】，即将载荷系数按其大小排列构成矩阵。
因子分析法的输出结果及分析包括以下几个部分。
（1）指标效度检验
效度分内容效度准确效度和架构效度，大部分研究主要对架构效度进行检验架构效度主要是用来检验量表是否可以真正度量出所要的度量结果，常常采用探索性因子分析对问卷的架构效度进行检验。
本次采用spss软件得出效度检验指标KMO适当性检验值，本文KMO值为0.958，结果如图8所示。
表示问卷的效度较好，可以采用因子分析法进行分析。
图8KMO检验值
（2）因子分析的共同度
软件输出了公因子方差表格，即表示了因子分析的共同度，显示了所有变量的共同度数据。
图9部分因子分析的共同度
如图11中第二列所示，表示了按指定条件提取特征根时的共同度。
由此可以看出，绝对多数变量70%以上的信息可被因子解释，这些变量信息丢失较少。
（3）因子分析的总方差解释
软件输出的结果其中包括的解释的总方差表格，即因子分析的总方差解释，其中显示了计算得到的相关系数矩阵的特征值、方差贡献率及累计方差贡献率。
如图10所示。
图10因子分析的总方差解释
由图12中可以看出，由于抽取时限定了提取公因子的个数，即特征值大小排在前7个的主成分为初始因子，其解释了数据中总方差的75.499%，能概括和解释原有数据31个变量的大部分信息。
（4）旋转后的因子载荷矩阵
由于本次研究仅选取一个因子就能解释原有数据的大部分信息，因此，此处原因子载荷矩阵也能清晰的表示因子的得分大小顺序，不需再将其旋转。
因子载荷矩阵如表1所示。
表1旋转后的因子矩阵
成份
1
2
3
4
5
6
7
SMEAN（票务信息获知性）
.116
.173
.155
.628
.191
.430
.186
SMEAN（订票便利性）
.182
.246
.080
.763
.132
.082
.093
SMEAN（安检服务）
.185
.155
.271
.533
.490
.186
.002
SMEAN（前台咨询服务）
.233
.327
.413
.617
.157
.020
.098
SMEAN（引导标志）
.213
.221
.367
.576
.245
.142
.218
SMEAN（座椅）
.281
.187
.711
.197
.191
.031
.098
SMEAN（温度与空气）
.365
.119
.571
.389
.260
-.051
-.183
SMEAN（卫生间）
.223
.162
.732
.108
.040
.205
.204
SMEAN（候车室秩序）
.148
.120
.619
.298
.384
.259
.042
SMEAN（自助设施）
.381
.262
.522
.167
.226
.383
.076
SMEAN（饮用水服务）
.328
.370
.483
.063
.169
.496
.106
SMEAN（老弱病残服务）
.370
.487
.464
.261
.148
.185
.074
续表1
SMEAN（候车信息告知）
.330
.396
.284
.477
.158
.327
.029
SMEAN（行包寄存及托运）
.525
.215
.154
.317
.118
.535
.058
SMEAN（网络及通信服务）
.721
.188
.218
.111
.182
.286
.037
SMEAN（商务办公服务）
.762
.222
.263
.227
.159
.144
.013
SMEAN（餐饮购物）
.752
.193
.296
.179
.166
.146
.168
SMEAN（周边旅游资讯）
.737
.234
.264
.194
.229
.047
.246
SMEAN（班次延误服务）
.377
.251
.205
.322
.187
.174
.623
SMEAN（检票速度）
.241
.294
.165
.241
.337
.602
.136
SMEAN（进出站引导）
.320
.458
.252
.185
.387
.377
.133
SMEAN（中转换乘信息引导）
.475
.181
.234
.346
.333
.287
.417
SMEAN（进出站秩序）
.388
.155
.346
.214
.412
.382
.205
SMEAN（发车正点性）
.164
.327
.257
.243
.643
.183
.357
SMEAN（到达正点性）
.257
.433
.299
.228
.508
.053
.298
SMEAN（途中服务）
.486
.311
.155
.135
.553
.107
.259
SMEAN（行车安全）
.234
.417
.184
.326
.597
.207
.030
SMEAN（班车整洁）
.316
.372
.183
.194
.562
.277
-.162
SMEAN（员工服务态度）
.183
.777
.206
.337
.184
.187
.132
SMEAN（员工服务意识）
.252
.783
.150
.197
.231
.162
.092
SMEAN（员工服务技能）
.213
.798
.180
.233
.293
.141
.097
由表1可知，选取的第一个公因子在候车信息告知、行包托运和寄存等6个指标上有较大的载荷系数，因此，根据表1可以得到7个公因子别反映的内容，将其分别命名，及车站周边服务、员工服务、候车设施及环境、买票及站内咨询服务、乘车途中服务、进出站设施及服务和班次延误服务7项。
表2公因子及其包含变量
公因子编号
公因子变量
合并的变量
1
车站周边服务
候车信息告知、行包寄存及托运、网络及通信服务、商务办公服务、餐饮购物服务、周边旅游咨询
2
员工服务
员工服务态度、员工服务意识、员工服务技能
3
候车设施及环境
座椅、温度与空气、卫生间、候车室秩序、自助设施、饮用水服务、老弱病残服务
4
买票及站内咨询服务
票务信息获知性、订票便利性、安检服务、前台咨询服务、引导标志
5
乘车途中服务
发车正点性、到达正点性、途中服务、行车安全、班车整洁
6
进出站设施及服务
检票速度、进出站引导、中转换乘信息引导、进出站秩序
7
班次延误服务
班次延误服务
（5）因子得分系数矩阵
如图11所示，第二列为因子值系数的回归值。
因子值系数乘以对应变量的标准化值就为因子值。
图11部分因子得分系数矩阵
2.1回归分析
因子分析法提出的7个因子均有可能影响客运站乘客的整体满意程度，因此，可以建立回归模型来研究影响因素的影响程度。
本文采取逐步回归法，由于逐步回归法剔除了不重要的变量，属于多元回归分析中的变量筛选问题。
其步骤为选择【分析】-【回归】-【线性】，操作对话框如图12所示。
图12回归分析对话框
逐步回归法的输出结果包括4部分，输出结果及分析结论如下。
（1）逐步回归法过程
由表3可以看出输入、输出的变量顺序，显示了进行逐步回归法的过程。
可以看出，根据影响的显著性，按照X3-X4-X2-X6-X5-X1-X7的顺序分别将变量输入模型中，共建立了7个模型。
第一个模型仅包含候车设施及环境一个自变量，第二个模型包含了候车设施及环境和买票及站内咨询服务两个自变量，由此可知，第7个模型包含了所有的7个自变量。
表3输入/移去的变量
模型
输入的变量
移去的变量
方法
1
候车设施及环境X3
步进（准则:
F-to-enter的概率<=.050，F-to-remove的概率>=.100）。
2
买票及站内咨询服务X4
步进（准则:
F-to-enter的概率<=.050，F-to-remove的概率>=.100）。
3
员工服务X2
步进（准则:
F-to-enter的概率<=.050，F-to-remove的概率>=.100）。
4
进出站设施及服务X6
步进（准则:
F-to-enter的概率<=.050，F-to-remove的概率>=.100）。
5
乘车途中服务X5
步进（准则:
F-to-enter的概率<=.050，F-to-remove的概率>=.100）。
6
车站周边服务X1
步进（准则:
F-to-enter的概率<=.050，F-to-remove的概率>=.100）。
7
班次延误服务X7
步进（准则:
F-to-enter的概率<=.050，F-to-remove的概率>=.100）。
（2）模型汇总表
模型汇总表如图13所示，即对上述7个方程拟合情况的描述。
由表可知，第7个模型的拟合效果最好，其自变量所能解释的方差在总方差中所占的百分比为72.1%，R方值为0.520，值在7个模型中最大，说明此模型拟合效果最好，但其值偏低，说明变量的整体满意度还可能受其他因素的影响。
图13模型汇总表
（3）方差分析表
图14方差分析表
方差分析表主要用于分析整体模型的显著性，由图14可以看出，上述7个模型方差分析结果的概率P值均小于显著性水平0.05，说明变量对整体满意度的影响比较显著。
（4）回归系数表
图15部分回归系数表
由图15所示，可以看出模型5、模型6和模型7的回归模型常数项、回归系数的估计值和检验的结果。
由此前所述，模型7的拟合效果最好，分析摸型7各变量的影响系数可以看出，候车设施及环境的影响系数为0.315，在7个变量中最大，其次为买票及站内咨询服务，为0.279，第三为员工服务，为0.181。
因此，影响乘客整体满意度的显著性因素依次为候车设施及环境、买票及站内咨询服务和员工服务。
3.结果分析和改进措施
（1）候车设施及环境对客运站乘客整体满意度的影响。
其影响系数最大，为0.315。
如前所述，候车设施及环境包括座椅、温度与空气、卫生间、候车室秩序、自助设施、饮用水服务和老弱病残服务八项。
因此，可以从上述八个方面提高乘客整体满意度。
乘客为了避免误点，大多会选择提前进去车站，随着候车时间的增加，乘客的耐心也会不断降低。
因此，良好的候车环境将会大大提高乘客的整体满意度。
因为候车人数一般较多，候车室可适当增多座椅，满足大量乘客的候车需求，其次，干净卫生的候车环境也非常重要，应注重座椅和候车室的整体卫生。
自助设施的完善也可提高乘客满意度，因此，可以增加买票、退票及查询余票等相关自助设施，以满足乘客需求。
（2）买票及站内咨询服务队乘客整体满意度的影响。
其影响系数第二，为0.279。
由前所述，买票及站内咨询服务包含了票务信息获知性、订票便利性、安检服务、前台咨询服务、引导标志五项。
因此，可以从上述5个方面提高乘客满意度。
为了让乘客快速便捷的购票，应该及时更新票务信息，包括余票数、车次变更信息等。
安检服务方面，对于特殊人群，如老人、小孩、孕妇及残障人士等，应开启特殊通道，满足特殊人群的需求，对于进站晚点的乘客，也可开通快速通道，避免乘客误点损失。
通过将乘客分类安检的措施，也可有效加快安检速度，提高安检效率。
前台咨询服务和候车信息告知均体现了车站提供信息服务水平的高低，为了使乘客方便快捷的获取候车信息，可在候车厅各处加设针对性较强的小块信息版。
（3）员工服务对乘客整体满意度的影响。
其影响系数第三，为0.181。
由前所述，员工服务包含了员工服务态度、员工服务意识、员工服务技能三项。
为此，客运站管理层应该重视员工入职培训，提高员工技术的熟练度，高效率的解决乘客遇到的各种问题。
其次，可以针对特定员工增加乘客打分版，以此督促员工端正自身的服务态度，进一步改善整体员工的服务意识
4.可进一步研究的问题
本文是根据问卷调查数据，采用因子分析法和回归分析法分析了影响乘客整体满意度的因素，并就其影响程度给出了一些意见和建议。
问卷调查中包含的个人属性，分别为性别、年龄、收入和职业四项，本文并未对其进行分析。
因此，可以从年龄、性别、职业和收入这四项因素对乘客的整体满意度进行统计分析。
这里可以采用列联表方法分析不同类别乘客的满意程度，还可采用列联表分析中的卡方检验进行上述因素的显著性差异影响研究。
升级会员 