SPSS統(tǒng)計軟件課程作業(yè)

1、SPSS統(tǒng)計軟件課程作業(yè) 信計111 劉曉蕾1. 某單位對100名女生測定血清總蛋白含量，數(shù)據(jù)如下：74.3 78.8 68.8 78.0 70.4 80.5 80.5 69.7 71.2 73.579.5 75.6 75.0 78.8 72.0 72.0 72.0 74.3 71.2 72.075.0 73.5 78.8 74.3 75.8 65.0 74.3 71.2 69.7 68.073.5 75.0 72.0 64.3 75.8 80.3 69.7 74.3 73.5 73.575.8 75.8 68.8 76.5 70.4 71.2 81.2 75.0 70.4 68.070.4

2、72.0 76.5 74.3 76.5 77.6 67.3 72.0 75.0 74.373.5 79.5 73.5 74.7 65.0 76.5 81.6 75.4 72.7 72.767.2 76.5 72.7 70.4 77.2 68.8 67.3 67.3 67.3 72.775.8 73.5 75.0 73.5 73.5 73.5 72.7 81.6 70.3 74.373.5 79.5 70.4 76.5 72.7 77.2 84.3 75.0 76.5 70.4計算樣本均值、中位數(shù)、方差、標(biāo)準(zhǔn)差、最大值、最小值、極差、偏度和峰度，并給出均值的置信水平為95%的置信區(qū)間。第1步 數(shù)

3、據(jù)組織：定義1個變量為：“血清總蛋白含量”，其度量標(biāo)準(zhǔn)為“度量”。第2步 探索分析設(shè)置：選擇菜單“分析 描述統(tǒng)計 探索”，打開“探索” 對話框，將“血清總蛋白含量”字段移入“因變量列表”。 打開“統(tǒng)計量”對話框，選中“描述性”選項；打開“探索：圖”對話框，選中“按因子水平分組”、“莖葉圖”、“帶檢驗的正態(tài)圖”、“直方圖”等選項。打開“探索：選項”，選中“按列表排除個案”選項。第3步 運行結(jié)果及分析：描述統(tǒng)計量標(biāo)準(zhǔn)誤血清總蛋白含量均值73.6680.39389均值的 95% 置信區(qū)間下限72.8864上限74.44965% 修整均值73.6533中值73.5000方差15.515標(biāo)準(zhǔn)差3.938

4、92極小值64.30極大值84.30范圍20.00四分位距4.60偏度.054.241峰度.037.478表中顯示“血清總蛋白含量”的描述性統(tǒng)計量，左表中只顯示的是均值、均值的95%置信區(qū)間的上下限、中值、方差、標(biāo)準(zhǔn)差、極大/小值、偏度、峰度等 2. 繪出習(xí)題1所給數(shù)據(jù)的直方圖、盒形圖和QQ圖，并判斷該數(shù)據(jù)是否服從正態(tài)分布。上圖為標(biāo)準(zhǔn)Q-Q圖，Q-Q圖可以用來檢驗數(shù)據(jù)是否服從某種分布，在Q-Q圖中，檢驗數(shù)據(jù)是否較好地服從給定分布的標(biāo)準(zhǔn)有兩個：看標(biāo)準(zhǔn)Q-Q圖上的數(shù)據(jù)點與直線的重合度；Q-Q趨勢圖上的點是否關(guān)于直線Y=0在較小的范圍內(nèi)上下波動。從上圖中可以看出，題目中的數(shù)據(jù)與直線重合度較好，故很好

5、地服從正態(tài)分布，這與前面的正態(tài)檢驗表中的結(jié)果是一致的 箱圖中顯示血清蛋白總含量數(shù)據(jù)繪制成對應(yīng)的箱體。每一個箱體上方那條線的取值代表該分組中最大值，下方那條線的取值代表最小值。箱體自身的三條線從上到下分別代表3/4分位點、中位點、1/4分位點的取值。正態(tài)性檢驗Kolmogorov-SmirnovaShapiro-Wilk統(tǒng)計量dfSig.統(tǒng)計量dfSig.血清總蛋白含量.073100.200*.990100.671a. Lilliefors 顯著水平修正*. 這是真實顯著水平的下限。表中顯示了血清總蛋白含量的兩種檢驗方法的正態(tài)性檢驗結(jié)果，包括各分組的統(tǒng)計量、自由度及顯著性水平，以K-S方法的分析

6、：其自由度sig.=0.200,明顯大于0.05，故應(yīng)接受原假設(shè)，認(rèn)為題中數(shù)據(jù)服從正態(tài)分布3. 正常男子血小板計數(shù)均值為, 今測得20名男性油漆工作者的血小板計數(shù)值（單位：）如下： 220 188 162 230 145 160 238 188 247 113 126 245 164 231 256 183 190 158 224 175問油漆工人的血小板計數(shù)與正常成年男子有無異常？ 分析:這是一個典型的比較樣本均值和總體均值的T檢驗問題 ;第1步 數(shù)據(jù)組織：首先建立SPSS數(shù)據(jù)文件，只需建立一個變量“血小板計數(shù)”，錄入相應(yīng)的數(shù)據(jù)即可第2步 單樣本T檢驗分析設(shè)置選擇菜單“分析比較均值單樣本T檢

7、驗（S）”，打開 “單樣本T檢驗” 對話框，將變量“血小板計數(shù)”移入”檢驗變量”列表框,并輸入檢驗值225；打開“單樣本T檢驗：選項”對話框 ,設(shè)置置信區(qū)間為95%(缺省為95%);單個樣本統(tǒng)計量N均值標(biāo)準(zhǔn)差均值的標(biāo)準(zhǔn)誤血小板計數(shù)20192.150042.236529.44437上表給出了單樣本T檢驗的描述性統(tǒng)計量，包括樣本數(shù)（N）、均值、標(biāo)準(zhǔn)差、均值的標(biāo)準(zhǔn)誤。 單個樣本檢驗檢驗值 = 225 tdfSig.(雙側(cè))均值差值差分的 95% 置信區(qū)間下限上限血小板計數(shù)-3.47819.003-32.85000-52.6173-13.0827本例置信水平為95%，顯著性水平為0.05，從上表中可以

8、看出，雙尾檢測概率P值為0.003，小于0.05，故原假設(shè)不成立，也就是說，男性油漆工作者的血小板與有顯著性差異，無理由相信油漆工人的血小板計數(shù)與正常成年男子無異常。4. 在某次考試中，隨機抽取男女學(xué)生的成績各10名，數(shù)據(jù)如下： 男：99 79 59 89 79 89 99 82 80 85 女：88 54 56 23 75 65 73 50 80 65假設(shè)總體服從正態(tài)分布，比較男女得分是否有顯著性差異。第1步 數(shù)據(jù)組織:在SPSS數(shù)據(jù)文件中建立兩個變量，分別為“性別”、“成績”，度量標(biāo)準(zhǔn)分別為“名義”、“度量”，變量“品種”的值標(biāo)簽為：b男生，g女生，錄入數(shù)據(jù)。第2步 獨立樣本T檢驗設(shè)置:選

9、擇菜單 “選擇比較均值獨立樣本T檢驗”，打開“獨立樣本T檢驗”對話框，將“成績” 作為要進行T檢驗的變量，將“性別”字段作為分組變量，定義分組變量的兩個分組分別為“b”和“g”。 打開“獨立樣本T檢驗：選項”對話框，具體選項內(nèi)容及設(shè)置與單樣本T檢驗相同。 組統(tǒng)計量性別N均值標(biāo)準(zhǔn)差均值的標(biāo)準(zhǔn)誤成績男生1084.000011.527743.64539女生1062.900018.453855.83562上表給出了本例獨立樣本T檢驗的基本描述統(tǒng)計量，包括兩個樣本的均值、標(biāo)準(zhǔn)差和均值的標(biāo)準(zhǔn)誤。 獨立樣本檢驗方差方程的 Levene 檢驗均值方程的 t 檢驗差分的 95% 置信區(qū)間FSig.tdfSig.

10、(雙側(cè))均值差值標(biāo)準(zhǔn)誤差值下限上限成績假設(shè)方差相等1.607.2213.06718.00721.100006.880656.6442935.55571假設(shè)方差不相等3.06715.096.00821.100006.880656.4423535.75765根據(jù)上表“方差方程的 Levene 檢驗”中的sig.為0.221，遠大于設(shè)定的顯著性水平0.05，故本例兩組數(shù)據(jù)方差相等。在方差相等的情況下，獨立樣本T檢驗的結(jié)果應(yīng)該看上表中的“假設(shè)方差相等”一行，第5列為相應(yīng)的雙尾檢測概率（Sig.（雙側(cè)）為0.007，在顯著性水平為0.05的情況下，T統(tǒng)計量的概率p值小于0.05，故應(yīng)拒絕零假設(shè),，即認(rèn)為

11、兩樣本的均值不是相等的，在本例中，能認(rèn)為男女得分績有顯著性差異。 5. 設(shè)有5種治療蕁麻疹的藥，要比較它們的療效。假設(shè)將30個病人分成5組，每組6人，令同組病人使用一種藥，并記錄病人從使用藥物開始到痊愈所需時間，得到下面的記錄：藥物類別治愈所需天數(shù)15，8，7，7，10，824，6，6，3，5，636，4，4，5，4，347，4，6，6，3，559，3，5，7，7，6問所有藥物的效果是否一樣？第1步 分析：由于考慮的是一個控制變量（藥物）對一個觀測變量（治愈所需天數(shù)）的影響，而且是五種藥物，所以不適宜用獨立樣本T檢驗（僅適用兩組數(shù)據(jù)），應(yīng)采用單因素方差分析。第2步 數(shù)據(jù)的組織：數(shù)據(jù)分成兩列，一

12、列是治愈所需天數(shù)，變量名為“治愈所需天數(shù)”，另一變量是藥物種類（變量值分別為1,2,3,4，5），變量名為“藥物種類”，輸入數(shù)據(jù)并保存。 第3步 方差相等的齊性檢驗：由于方差分析的前提是各個水平下（這里是不同的藥物種類影響下的治愈所需天數(shù)）的總體服從方差相等的正態(tài)分布，且各組方差具有齊性。其中正態(tài)分布的要求并不是很嚴(yán)格，但對于方差相等的要求是比較嚴(yán)格的，因此必須對方差相等的前提進行檢驗。 誤差方差等同性的 Levene 檢驗a因變量:治愈所需天數(shù)Fdf1df2Sig.552425.699檢驗零假設(shè)，即在所有組中因變量的誤差方差均相等。a. 設(shè)計 : 截距 + 藥物類別方差齊性檢驗的H0假設(shè)是：

13、方差相等。從上表可看出相伴根據(jù)Sig.=0.699>（0.05）說明應(yīng)該接受H0假設(shè)（即方差相等）。故下面就用方差相等的檢驗方法。 ANOVA治愈所需天數(shù)平方和df均方F顯著性組間36.46749.1173.896.014組內(nèi)58.500252.340總數(shù)94.96729上表是幾種飼料方差分析的結(jié)果，組間（Between Groups）平方和（Sum of Squares）為36.467，自由度（df）為4，均方為9.117；組內(nèi)（Within Groups）平方和為58.500，自由度為25，均方為2.340；F統(tǒng)計量為3.896。由于組間比較的相伴概率Sig.（p值）=0.014&l

14、t;0.05，故應(yīng)拒絕H0假設(shè)（四種飼料喂豬效果無顯著差異），說明五種藥物對治愈所需天數(shù)有顯著性差異。第4步 多重比較分析：通過上面的步驟，只能判斷4種飼料喂豬效果是否有顯著差異。如果想進一步了解究竟是哪種藥物與其他組有顯著性的均值差別（即哪種藥物更好）等細(xì)節(jié)問題，就需要在多個樣本均值間進行兩兩比較。由于第3步檢驗出來方差具有齊性，故選擇一種方差相等的方法，這里選LSD方法；顯著性水平默認(rèn)取0.05；多個比較治愈所需天數(shù)LSD(I) 藥物類別(J) 藥物類別均值差值 (I-J)標(biāo)準(zhǔn) 誤差Sig.95% 置信區(qū)間下限上限類別1類別22.5000*.88318.009.68114.3189類別33

15、.1667*.88318.0011.34774.9856類別42.3333*.88318.014.51444.1523類別51.3333.88318.144-.48563.1523類別2類別1-2.5000*.88318.009-4.3189-.6811類別3.6667.88318.457-1.15232.4856類別4-.1667.88318.852-1.98561.6523類別5-1.1667.88318.198-2.9856.6523類別3類別1-3.1667*.88318.001-4.9856-1.3477類別2-.6667.88318.457-2.48561.1523類別4-.833

16、3.88318.354-2.6523.9856類別5-1.8333*.88318.048-3.6523-.0144類別4類別1-2.3333*.88318.014-4.1523-.5144類別2.1667.88318.852-1.65231.9856類別3.8333.88318.354-.98562.6523類別5-1.0000.88318.268-2.8189.8189類別5類別1-1.3333.88318.144-3.1523.4856類別21.1667.88318.198-.65232.9856類別31.8333*.88318.048.01443.6523類別41.0000.88318.

17、268-.81892.8189基于觀測到的均值。 誤差項為均值方 (錯誤) = 2.340。*. 均值差值在 .05 級別上較顯著。從整個表反映出來五種藥物相互之間均存在顯著性差異，從效果來看是第3種最好，其次是第2種，第1種最差。 上圖為幾種藥物均值的折線圖，可以看出均值分布比較陡峭，均值差異也較大。6. 某公司在各地區(qū)銷售一種特殊化妝品。該公司觀測了15 個城市在某月內(nèi)對該化妝品的銷售量Y及各地區(qū)適合使用該化妝品的人數(shù)X1和人均收入X2，得到數(shù)據(jù)如下： 地區(qū)銷售（箱）人數(shù)（千人）人均收入（元）1162274245021201803254322337538024131205283856786

18、23476169265378278198300881923302450911619521371055532560112524304020122323724427131442362660141031572088152123702605(1) 畫出這三個變量的兩兩散點圖，并計算出兩兩之間的相關(guān)系數(shù)。(2)試建立Y與X1，X2之間的線性回歸方程，并研究相應(yīng)的統(tǒng)計推斷問題，同時預(yù)測適合購買此化妝品的人數(shù)為220千人，人均收入為2500元的某城市對該化妝品的銷量。第1步 分析：這是一個因變量和兩個自變量之間的問題，故應(yīng)該考慮用二元線性回歸解決。第2步 數(shù)據(jù)組織：定義三個變量，分別為“z”（銷售量）、“x

19、”（人數(shù)）、“y”（人均收入）。第3步 一元線性回歸分析設(shè)置：選擇菜單“分析回歸線性”，打開“線性回歸”對話框，將變量“銷售量”作為因變量 ，“人數(shù)”和“人均收入”作為自變量。打開“統(tǒng)計量”對話框，選上“估計”和“模型擬合度”。單擊“繪制（T）”按鈕，打開“線性回歸：圖”對話框，選用DEPENDENT作為y軸，*ZPRED為x軸作圖。并且選擇“直方圖”和“正態(tài)概率圖” 作相應(yīng)的保存選項設(shè)置，如預(yù)測值、殘差和距離等。輸入移去的變量模型輸入的變量移去的變量方法1人均收入, 人數(shù)a.輸入a. 已輸入所有請求的變量。表中顯示回歸模型編號、進入模型的變量、移出模型的變量和變量的篩選方法?？梢钥闯?，進入模

20、型的自變量為“銷售量” 模型匯總b模型RR 方調(diào)整 R 方標(biāo)準(zhǔn) 估計的誤差1.999a.999.9992.17722a. 預(yù)測變量: (常量), 人均收入, 人數(shù)。b. 因變量: 銷售量R=0.999，說明自變量與因變量之間的相關(guān)性很強。R方(R2) =0.999，說明自變量“銷售量”可以解釋因變量“人數(shù)”和“人均收入”的99.9%的差異性。 Anovab模型平方和df均方FSig.1回歸53844.716226922.3585679.466.000a殘差56.884124.740總計53901.60014a. 預(yù)測變量: (常量), 人均收入, 人數(shù)。b. 因變量: 銷售量表中顯示因變量的方

21、差來源、方差平方和、自由度、均方、F檢驗統(tǒng)計量的觀測值和顯著性水平。方差來源有回歸、殘差。從表中可以看出，F(xiàn)統(tǒng)計量的觀測值為5679.466，顯著性概率為0.000，即檢驗假設(shè)“H0：回歸系數(shù)B = 0”成立的概率為0.000，從而應(yīng)拒絕原假設(shè)，說明因變量和自變量的線性關(guān)系是非常顯著的，可建立線性模型。系數(shù)a模型非標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)系數(shù)tSig.B標(biāo)準(zhǔn) 誤差試用版1(常量)3.4532.4311.420.181人數(shù).496.006.93481.924.000人均收入.009.001.1089.502.000a. 因變量: 銷售量表中顯示回歸模型的常數(shù)項、非標(biāo)準(zhǔn)化的回歸系數(shù)B值及其標(biāo)準(zhǔn)誤差、標(biāo)準(zhǔn)化的

22、回歸系數(shù)值、統(tǒng)計量t值以及顯著性水平（Sig.）。從表中可看出，回歸模型的常數(shù)項為3.453，自變量“人數(shù)”的回歸系數(shù)為0.496，“人均收入”的回歸系數(shù)為0.009.因此，可以得出回歸方程：銷售量=3.453+ 0.496 × 人數(shù)+0.009×人均收入。回歸系數(shù)的顯著性水平為0.000，明顯小于0.05，故應(yīng)拒絕T檢驗的原假設(shè)，這也說明了回歸系數(shù)的顯著性，說明建立線性模型是恰當(dāng)?shù)?。?dāng)購買此化妝品的人數(shù)為220千人，人均收入為2500元時，該城市該化妝品的銷量為：銷售量=220×0.496+0.009×2500+3.453=135.073箱系數(shù)a模型非

23、標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)系數(shù)tSig.相關(guān)性B標(biāo)準(zhǔn) 誤差試用版零階偏部分1(常量)3.4532.4311.420.181人數(shù).496.006.93481.924.000.995.999.768人均收入.009.001.1089.502.000.639.940.089a. 因變量: 銷售量7. 研究青春發(fā)育階段的年齡和遠視率的變化關(guān)系，測得數(shù)據(jù)如下年齡6789101112131415161718遠視率63.6461.0638.8413.7514.58.074.412.272.091.022.513.122.98請對年齡與遠視率的關(guān)系進行曲線估計。第1步 分析：先用散點圖的形式進行分析，看究竟是否具有一元線

24、性關(guān)系，如果具有一元線性關(guān)系，則用一元線性回歸分析，否則采用曲線估計求解。第2步 數(shù)據(jù)組織：定義為兩個變量，分別是“x”（年齡）、“y”（遠視率），輸入數(shù)據(jù)并保存。第3步 作散點圖初步判定變量的分布趨勢：第4步 進行曲線估計：依次選擇菜單“分析回歸曲線估計”，將所有模型全部選上，看哪種模型擬合效果更好(主要看決定系數(shù)R2)，其所有模型的擬合優(yōu)度R2如下表所示。模型匯總和參數(shù)估計值因變量:遠視率方程模型匯總參數(shù)估計值R 方Fdf1Df2Sig.常數(shù)b1b2b3線性.75828.18219.00088.198-6.265對數(shù).85151.22119.000180.617-68.560倒數(shù).9129

25、3.29119.000-48.486679.341二次.95381.44828.000214.566-31.3111.138三次.95650.63837.000271.869-48.7352.804-.050復(fù)合.925110.42219.000834.164.658冪.934127.84819.000232454.999-4.351S.90182.30119.000-1.96340.901增長.925110.42219.0006.726-.419指數(shù).925110.42219.000834.164-.419Logistic.925110.42219.000.0011.520自變量為 年齡。從決定系數(shù)（