市场营销调研上机实验报告文档格式.docx
《市场营销调研上机实验报告文档格式.docx》由会员分享，可在线阅读，更多相关《市场营销调研上机实验报告文档格式.docx（24页珍藏版）》请在冰点文库上搜索。
打开“美国家庭汽车保有量调研原始数据”，点击“图形”︳“旧对话框”︳“条形图”，弹出条形图对话窗口，点击“定义”，选中“家庭收入”放到“类别轴”，点击“确定”，如图1-8所示“家庭收入”分析结果如下：
图1-8美国家庭收入频数分析
从图中我们可以看到，美国家庭收入分布在137百万到1042百万之间大体上人数都在1人，其中少数出现在2到3人。
（2）描述性分析
针对输入的关于美国家庭汽车保有量调研数据当中的“家长受教育年数”进行描述性分析。
打开“分析”︳“描述统计”︳“描述”，弹出描述性窗口，将“家长受教育年数”放入变量，点击“选项”，相应的选择分析的量，点击“继续”，点击“确定”，如图1-9所示：
描述统计量
N
全距
极小值
极大值
均值
标准差
方差
家长受教育程度
50
11
6
17
11.76
2.016
4.064
有效的N（列表状态）
图1-9美国家长受教育程度分析
从描述统计量表中我们可以看出，家长受教育程度样本为50，最少受教育年为6年，最长受教育年为17年，同时平均受教育年约为12年，其样本距离均值在2个标准差左右。
（3）列联表分析
针对输入的关于美国家庭汽车保有量调研数据当中的“汽车保有量”和“家庭规模”进行列联表分析。
打开“分析”︳“描述统计”︳“交叉表”，弹出交叉表窗口，将“家庭规模”和“汽车保有量”分别放入行和列，点击“统计量”，相应的选择分析的量，点击“继续”，点击“确定”，如图1-10所示：
汽车保有量
合计
1
2
家庭人口
家庭人口中的%
85.7%
14.3%
100.0%
汽车保有量中的%
27.3%
33.3%
28.0%
3
90.0%
10.0%
40.9%
40.0%
4
87.5%
12.5%
31.8%
32.0%
88.0%
12.0%
图1-10家庭人口*汽车保有量交叉制表
从列联表中可以看出针对家庭人口与汽车保有量之间的关系中，家庭规模对汽车保有量有很强的关系，大家庭必须要拥有多辆车。
详细上机实验内容（截图和文字部分的数据分析）
四、实验结果（实验结果及数据分析已插入内容中。
）
实验二：
均值过程、t检验、非参数检验和方差分析
理解参数检验的基本原理，能用SPSS软件对样本进行检验，熟练掌握实验步骤，并能对样本是否来自均值不同的总体判别。
1.均值过程和t检验。
（1）均值过程分析（分析2-1.sav中的数据资料）
打开“分析”︳“比较均值”︳“均值”，弹出均值窗口，将“投保人的性别”和“过去5年的事故数”分别放入“自变量列表”和“因变量列表”，点击“选项”，选择相应的参考值，点击“继续”，最后“确定”，结果如图2-1所示：
过去5年的事故数
投保人性别
男
1.98
250
1.608
女
1.47
1.412
总计
1.72
500
1.533
图2-1均值过程分析图
从图中我们可以看出在样本为500的数据中，在过去5年发生事故数男性要明显高于女性。
（2）单一样本t检验（数据文件06-01.sav0）
打开“分析”︳“比较均值”︳“单样本t检验”，弹出窗口，将“强度”放入到“检验变量”,点击“选项”，设置置信区间为95%，点击“继续”，点击“确定”。
分析如图2-2所示。
单个样本统计量
均值的标准误
强度
10
53.2070
2.22940
.70500
单个样本检验
检验值=0
t
df
Sig.（双侧）
均值差值
差分的95%置信区间
下限
上限
75.471
9
.000
53.20700
51.6122
54.8018
如图2-2单一样本t检验
由分析结果，样本在10的情况下，样本均值为53.2070，标准差约为2.23，可知在95%的置信区间为【51.6122，54.8018】，由题目可知
，在其区间内，因此可知不拒绝假设，因此用新法炼钢后钢筋的强度没有提高。
（3）独立样本t检验（06-05.sav）
打开“分析”︳“比较均值”︳“独立样本t检验”，弹出窗口，将“橡胶伸长率”放入到“检验变量”,将“配方类型”放入“分组变量”点击“选项”，设置置信区间为95%，点击“继续”，点击“确定”。
组统计量
配方类型
橡胶伸长率
氧化锌5克
533.1111
7.99131
2.66377
氧化锌1克
561.8000
15.38975
4.86667
独立样本检验
方差方程的Levene检验
均值方程的t检验
F
Sig.
标准误差值
假设方差相等
2.517
.131
-5.008
-28.68889
5.72846
-40.77488
-16.60290
假设方差不相等
-5.171
13.806
5.54798
-40.60381
-16.77397
图2-2独立样本t检验分析
从分析结果可知在用两种配方来做实验的情况下，方差相等或不想等时，t值在95%置信区间外，因此拒绝零假设，即有显著差异。
（4）配对样本t检验（06-07.sav）
打开“分析”︳“比较均值”︳“配对样本t检验”，弹出窗口，将“正常”和“附加”,设置“成对变量”点击“选项”，设置置信区间为95%，点击“继续”，点击“确定”。
分析如图2-3所示。
成对样本统计量
对1
正常
32.1111
6.82723
2.27574
附加
38.8889
6.15314
2.05105
对2
成对样本相关系数
相关系数
正常&
附加
.226
.558
附加&
正常
成对样本检验
成对差分
正常-附加
-6.77778
8.08977
2.69659
-12.99613
-.55943
-2.513
8
.036
附加-正常
6.77778
.55943
12.99613
2.513
图2-3从分析图中配对样本t检验
从图中看两个配对样本的相关系数，其相关系数大于0小于1，且相等说明其有较强的相关性，同时在95%的置信区间来看，t值分别在其区间，故不拒绝。
因此，这两种不同情况下他们在自行车测功机上工作时的每分钟呼吸量有差异。
2非参数检验
（1）卡方检验（卡方检验2.sav）
打开“分析”︳“非参数检验”︳“卡方”，弹出窗口，将“新型山地车”和“人数”,放入检验变量表，点击“选项”，选择“描述”，点击“继续”，点击“确定”。
分析如图2-4所示。
描述性统计量
新型山地车
267
2.61
.735
人数
161.16
72.226
25
202
观察数
期望数
残差
美观轻便
40
89.0
-49.0
经济耐用
-64.0
速度型
113.0
检验统计量
卡方
216.472a
渐近显著性
a.0个单元（.0%）具有小于5的期望频率。
单元最小期望频率为89.0。
图2-5初期样本数据卡方分析
从图中我们可以假设零假设为三种款型受欢迎程度一样，备择假设为三种款型受欢迎程度存在显著差异。
从表中检验统计量：
卡方经计算约为216.472.选择显著水平为0.005，自由度由上可知为2，查表可知卡方分布为10.597,216.472大于10.597，故拒绝零假设，接受备择假设。
当样本发生改变是故，分析结果如图2-6所示。
246
200.0
46.0
152
-48.0
2.0
22.120a
单元最小期望频率为200.0。
选择显著水平为0.005，自由度由上可知为2，查表可知卡方分布为22.12,22.12大于10.597，故拒绝零假设，接受备择假设。
也就是说美观轻便型的受欢迎程度明显高于其他两类。
（2）两独立样本检验（07-13.sav）
打开“分析”︳“非参数检验”︳“2个独立样本检验”，弹出窗口，将“型号”和“行驶里程”,分别放入“分组变量”，“检验变量”表，并定义型号类别，点击“选项”，选择“描述”，点击“继续”，点击“确定”。
分析如图2-7所示。
行驶里程
24
19.3667
1.96970
14.20
24.20
型号
1.50
.511
秩
秩均值
秩和
第1种型号
12
15.79
189.50
第2种型号
9.21
110.50
总数
检验统计量b
Mann-WhitneyU
32.500
WilcoxonW
110.500
Z
-2.282
渐近显著性（双侧）
.023
精确显著性[2*（单侧显著性）]
.020a
a.没有对结进行修正。
图2-7两独立样本检验
从图2-7中我们可以假设零假设为两种型号汽车每加仑汽油的行驶里程不相同，备择假设为两种型号汽车每加仑汽油的行驶里程相同。
由上图可知，Z值为-2.282，在显著水平为0.005下，则绝对值大于1.96，故拒绝零假设。
即两种型号汽车每加仑汽油的行驶里程相同。
（2）两相关样本检验（07-22.sav）
打开“分析”︳“非参数检验”︳“2个相关样本检验”，弹出窗口，将“期中考试情况”和“期末考试情况”,放入“检验对”表，点击“选项”，选择“描述”，点击“继续”，点击“确定”。
分析如图2-8所示。
期中考试情况
441
.86
.343
期末考试情况
.8322
.37411
.00
1.00
期中考试情况&
期末考试情况
不合格
合格
22
38
52
329
卡方a
1.878
.171
a.连续性已修正
b.McNemar检验
从图中可以看出渐近的显著性为0.171，期中考试和期末考试及格的比例是相同。
3方差分析（文件：
单因素方差分析）
打开“分析”︳“比较均值”︳“单因素”，弹出窗口，将“投诉次数”和“行业”,分别放入“因变量列表”和“因子”，点击“选项”，选择“描述”，点击“继续”，点击“确定”。
分析如图2-9所示。
投诉次数
标准误
均值的95%置信区间
零售业
7
49.00
10.801
4.082
39.01
58.99
34
66
旅游业
48.00
13.594
5.550
33.73
62.27
29
68
航空公司
5
35.00
10.416
4.658
22.07
47.93
21
49
家电制造业
59.00
12.748
5.701
43.17
74.83
44
77
23
47.87
13.759
2.869
41.92
53.82
平方和
均方
显著性
组间
1456.609
485.536
3.407
.039
组内
2708.000
19
142.526
4164.609
图2-9方差分析
从图2-9中我们可以假设四个行业之间的服务质量没有显著差异，备择假设为四个行业之间的服务质量有显著差异。
由上述图可知，0.039小于F值3.407，所以在α=0.05显著水平下，拒绝零假设。
则四个行业之间的服务质量没有显著差异。
实验三：
相关分析
理解相关分析的基本原理，学习掌握两变量相关分析，偏相关分析。
1相关分析（10-01.sav）
（1）简单相关分析
打开“分析”︳“相关”︳“双关”，弹出窗口，将“质量”和“弹簧拉长长度”,分别放入“变量”，点击“选项”，选择“均值和标准差”，点击“继续”，点击“确定”。
分析如图3-1所示。
质量
250.0000
165.83124
弹簧拉长长度
4.14091
2.606657
相关性
Pearson相关性
.999**
显著性（双侧）
**.在.01水平（双侧）上显著相关。
如图3-1简单相关分析
从图中可以看出在显著性0.000<
0.05，即含有很强的相关性。
（2）偏相关分析（文件：
偏相关）
打开“分析”︳“相关”︳“偏相关”，弹出窗口，将“IQ”和“语文成绩”和“数学成绩”,分别放入“控制”和“变量”点击“选项”，选择“均值和标准差”，点击“继续”，点击“确定”。
分析如图3-2所示。
语文成绩
77.50
19.019
数学成绩
76.17
22.811
IQ
98.33
22.960
控制变量
1.000
.893
.
如图3-2偏相关分析
从图中我们可以知在IQ的控制语文成绩下，语文成绩本身相关性100%，而对于数学成绩来说在89.3%，显著性0.000＜0.005，这说明语文成绩和数学成绩具有相关性。
在IQ的控制数学成绩下，同理是一样的。
综上，这在IQ的控制下，语文成绩和数学成绩具有相关性。
实验四：
回归分析
理解回归分析的基本原理，掌握对变量进行简单线性回归和多元回归的方法。
1.回归分析（信用卡支付数额对年收入的回归估计）
对原始资料进行数据录入（文件：
有关年收入、家庭成员人数和年信用卡支付数额的统计资料.doc）
（1）简单线性回归
打开“分析”︳“回归”︳“线性”，弹出窗口，将“年收入”和“信用卡支付额度”,分别放入“自变量”和“因变量”点击“统计量”，选择需要的值，点击“继续”，点击“确定”。
分析结果如图4-1所示。
输入／移去的变量b
模型
输入的变量
移去的变量
方法
年收入a
输入
a.已输入所有请求的变量。
b.因变量:
信用支付
模型汇总
R
R方
调整R方
标准估计的误差
更改统计量
R方更改
F更改
df1
df2
Sig.F更改
.616a
.380
.353
$817.892
14.090
.001
a.预测变量:
（常量）,年收入。
Anovab
回归
9425511.176
.001a
1.539E7
668947.333
2.481E7
系数a
非标准化系数
标准系数
B的95.0%置信区间
共线性统计量
B
标准误差
试用版
零阶
偏
部分
容差
VIF
（常量）
1914.575
548.323
3.492
.002
780.282
3048.869
年收入
45.814
12.205
.616
3.754
20.566
71.062
a.因变量:
图4-1简单线性回归
由表可知一元回归方程为：
由表检验统计量F=14.090，检验P=0.01<
0.05，即可认为变量Y与X之间具有线性回归关系。
各回归系数t检验的P=0.002值均小于0.05，即可认为各回归系数都具有显著意义。
（2）多元线性回归（信用卡支
升级会员 