數(shù)據(jù)分析spss作業(yè)

1、數(shù)據(jù)分析方法及軟件應(yīng)用（作業(yè)）題目： 4、8、13 、16 題指導(dǎo)教師： 學(xué) 院：交通運輸學(xué)院姓 名： 學(xué) 號：4、在某化工生產(chǎn)中為了提高收率，選了三種不同濃度，四種不同溫度做試驗。 在同一濃度與溫度組合下各做兩次試驗，其收率數(shù)據(jù)如下面計算表所列。試在 =0.05 顯著性水平下分析(1) 給出 SPSS數(shù)據(jù)集的格式 (列舉前 3個樣本即可 )；(2) 分析濃度對收率有無顯著影響；(3) 分析濃度、溫度以及它們間的交互作用對收率有無顯著影響。解答：(1)分別定義分組變量濃度、溫度、收率，在變量視圖與數(shù)據(jù)視圖中 輸入表格數(shù)據(jù)，具體如下圖。(2) 思路： 本問是研究一個控制變量即濃度的不同水平是否對

2、觀測變量收率 產(chǎn)生了顯著影響，因而應(yīng)用單因素方差分析。假設(shè)：濃度對收率無顯著影響。步驟：【分析 - 比較均值-單因素】，將收率選入到因變量列表中， 將濃度選入 到因子框中，確定。輸出：變異數(shù)分析收率平方和df平均值平方F顯著性群組之間39.083219.5425.074.016在群組內(nèi)80.875213.851總計119.95823顯著性水平為 0.05 ，由于概率 p值小于顯著性水平，則應(yīng)拒絕原假設(shè)， 認(rèn)為濃度對收率有顯著影響。（3）思路： 本問首先是研究兩個控制變量濃度及溫度的不同水平對觀測變 量收率的獨立影響， 然后分析兩個這控制變量的交互作用能否對收率產(chǎn)生顯著影 響，因而應(yīng)該采用多因素

3、方差分析。假設(shè)， H01：濃度對收率無顯著影響； H02： 溫度對收率無顯著影響； H03：濃度與溫度的交互作用對收率無顯著影響。步驟：【分析-一般線性模型 -單變量】，把收率制定到因變量中， 把濃度與溫 度制定到固定因子框中，確定。輸出：主旨間效果檢定因變數(shù) : 收率來源第 III 類平方 和df平均值平方F顯著性修正的模型70.458 a116.4051.553.230截距2667.04212667.042646.556.000濃度39.083219.5424.737.030溫度13.79234.5971.114.382濃度 * 溫度17.58362.931.710.648錯誤49.500

4、124.125總計2787.00024校正後總數(shù)119.95823a. R 平方 = .587 （調(diào)整的 R 平方 = .209 ）第一列是對觀測變量總變差分解的說明；第二列是觀測變量變差分解的結(jié) 果；第三列是自由度；第四列是均方；第五列是檢驗統(tǒng)計量的觀測值；第六列 是檢驗統(tǒng)計量的概率值?？梢钥吹接^測變量收率的總變差為 119.958 ，由濃度 不同引起的變差是 39.083 ，由溫度不同引起的變差為 13.792 ，由濃度和溫度的交 互作用引起的變差為 17.583 ，由隨機因素引起的變差為 49.500。濃度，溫度和濃 度*溫度的概率 p值分別為 0.030,0.382 和0.648 。濃

5、度：顯著性0.05說明拒絕原假設(shè) （濃度對收率無顯著影響） ，證明濃度對 收率有顯著影響； 溫度：顯著性 0.05 說明不拒絕原假設(shè) （溫度對收率無顯著影 響），證明溫度對收率無顯著影響；濃度與溫度 : 顯著性 0.05說明不拒絕原假 設(shè)（濃度與溫度的交互作用對收率無顯著影響） ，證明溫濃度與溫度的交互作用 對收率無顯著影響。8、以高?？蒲醒芯繑?shù)據(jù)為例：以課題總數(shù) X5為被解釋變量，解釋變量為投入人 年數(shù) X2、投入科研事業(yè)費 X4、專著數(shù) X6、獲獎數(shù) X8；建立多元線性回歸模型， 分析它們之間的關(guān)系。解釋變量采用逐步篩選策略，并做多重共線性、方差齊 性和殘差的自相關(guān)性檢驗。解答：思路：根據(jù)

6、要求采用逐步篩選的解釋變量篩選策略， 利用回歸分析方法建立 多元線性回歸模型， 分析它們之間的關(guān)系， 并且要求做多重共線性、 方差齊性和 殘差的自相關(guān)性檢驗。（1）步驟：【分析 -回歸-線性】，X5選入因變量， X2、X4、X6、X8選入自變 量，方法選擇【逐步】 ?！窘y(tǒng)計量】勾選【估計】 、【模型擬合度】、【共線性診斷】 與【Durbin-Waston（U） 】?！纠L制（T）按鈕】，將*ZRESID添加到 Y（Y）框中，將*ZPRED 添加到X2（X）框中，勾選【正態(tài)概率圖】 ，【保存（ S）】按鈕。在預(yù)測值與殘差 中勾選【標(biāo)準(zhǔn)化】選項。選擇菜單【分析相關(guān)雙變量】將標(biāo)準(zhǔn)化預(yù)測值和標(biāo) 準(zhǔn)化殘差

7、選入 【變量】框，在相關(guān)系數(shù)中選擇 Spearman,各項完成后點擊 【確定】。輸出：變數(shù)已輸入 / 已移除模型變數(shù)已輸入變數(shù)已移除方法1投入人年數(shù)逐步（準(zhǔn)則： F-to-enter 的 機率 <= .050 ， F-to-remove 的 機率 >= .100 ）。a. 應(yīng)變數(shù) : 課題總數(shù)模型摘要模型RR 平方調(diào)整後 R 平方標(biāo)準(zhǔn)偏斜度錯誤Durbin-Watson1.959 a.919.917241.95821.747a. 預(yù)測值：（常數(shù)），投入人年數(shù)b. 應(yīng)變數(shù) : 課題總數(shù)表中變量為投入人年數(shù)，參考調(diào)整的判定系數(shù)， 由于調(diào)整的判定系數(shù) （0.917） 較接近于 1，因此認(rèn)

8、為擬合優(yōu)度較高，被解釋變量可以被模型解釋的部分較多， 未能被解釋的部分較少。方程 DW檢驗值為 1.747 ，殘差存在一定的正自相關(guān)。變異數(shù)分析模型平方和df平均值平方F顯著性1迴歸19379040.047119379040.047331.018.000 b殘差1697769.9532958543.791總計21076810.00030a. 應(yīng)變數(shù) :課題總數(shù)b. 預(yù)測值：（常數(shù)），投入人年數(shù)被解釋變量的總離差平方和為 21076810.00 ，回歸平方和及均方分別為19379040.047 和19379040.047，剩余平方和及均方分別為 1697769.953和 58543.791，?檢

9、驗統(tǒng)計量的觀測值為 331.018 ，對應(yīng)的概率 ?值近似為 0。依據(jù)該 表可進(jìn)行回歸方程的顯著性檢驗。如果顯著性水平 ?為0.05 ，由于概率 ?值小于 顯著性水平 ? ，應(yīng)拒絕回歸方程顯著性檢驗的零假設(shè)，認(rèn)為回歸系數(shù)不為 0，被 解釋變量與解釋變量的線性關(guān)系是顯著的，可建立線性模型。係數(shù)模型非標(biāo)準(zhǔn)化係數(shù)標(biāo)準(zhǔn)化係數(shù)T顯著性共線性統(tǒng)計資料B標(biāo)準(zhǔn)錯誤Beta允差VIF1 （常數(shù)）-94.52472.442-1.305.202投入人年數(shù).492.027.95918.194.0001.0001.000a. 應(yīng)變數(shù) : 課題總數(shù)依據(jù)該表可以進(jìn)行回歸系數(shù)顯著性檢驗，寫出回歸方程和檢測多重共線性。 可以看

10、到， 如果顯著性水平 ?為0.05，投入人年數(shù)變量的回歸系數(shù)顯著性 t檢驗的 概率p值小于顯著性水平 ?，因此拒絕零假設(shè)， 認(rèn)為其偏回歸系數(shù)與 0有顯著差異， 與被解釋變量與解釋變量的線性關(guān)系是顯著的， 應(yīng)保留在方程中。 同時從容忍度 和方差膨脹因子看， 解釋變量與投入人年數(shù)多重共線性很弱， 可以建立模型。 最 終回歸方程為， 課題總數(shù) = -94.524+0.492 投入人年數(shù)。排除的變數(shù)模型Beta 入T顯著性偏相關(guān)共線性統(tǒng)計資料允差VIF允差下 限1 投入科研事業(yè)費（百元）.152 b1.528.138.278.2673.748.267專著數(shù).023 b.182.857.034.1885

11、.308.188獲獎數(shù).030 b.411.684.077.5421.846.542a. 應(yīng)變數(shù) : 課題總數(shù)b. 模型中的預(yù)測值：（常數(shù)），投入人年數(shù)該表展示回歸方程的剔除變量，可以看到，如果顯著性水平 ?為0.05，表中 三個變量的回歸系數(shù)顯著性 t檢驗的概率 p值大于顯著性水平 ?，因此不拒絕零假 設(shè)，認(rèn)為其偏回歸系數(shù)與 0無顯著差異，與被解釋變量與解釋變量的線性關(guān)系是 不顯著的， 不應(yīng)保留在方程中。 同時從容忍度和方差膨脹因子看， 解釋變量與三 個解釋變量多重共線性嚴(yán)重，在建立模型的時候應(yīng)當(dāng)被剔除。共線性診斷模型 維度特徵值條件指數(shù)變異數(shù)比例（常數(shù)）投入人年數(shù)111.8001.000.

12、10.102.2003.001.90.90a. 應(yīng)變數(shù) : 課題總數(shù)依據(jù)該表可進(jìn)行多重共線性檢測， 從方差比例上看第二個變量可解釋常量的 90%，也可解釋投入人年數(shù)的 90% ，一次認(rèn)為這些變量存在多重共線性。 條件指 數(shù)都小于 10，說明存在共線性較弱，低個變量特征值小于 0.7，說明線性相關(guān)關(guān) 系較弱。殘差統(tǒng)計資料最小值最大值平均數(shù)標(biāo)準(zhǔn)偏差N預(yù)測值-57.6423246.986960.000803.721331殘差-466.2850509.6787.0000237.891431標(biāo)準(zhǔn)預(yù)測值-1.2662.845.0001.00031標(biāo)準(zhǔn)殘差-1.9272.106.000.98331a. 應(yīng)變

13、數(shù) : 課題總數(shù)數(shù)據(jù)點圍繞基準(zhǔn)線還存在一定的規(guī)律性， 但標(biāo)準(zhǔn)化殘差的非參數(shù)檢驗結(jié)果表明標(biāo)準(zhǔn)化殘差與標(biāo)準(zhǔn)正態(tài)分布不存在顯著差異， 可以認(rèn)為殘差滿足了線性模型的 前提要求。隨著標(biāo)準(zhǔn)化預(yù)測值的變化，殘差點在 0線周圍隨機分布，但殘差的等方差性 并不完全滿足，方差似乎有增大的趨勢。但計算殘差與預(yù)測值的Spearman等級相關(guān)系數(shù)為 -0.176，且檢驗并不顯著，因此認(rèn)為異方差現(xiàn)象并不明顯。相關(guān)Standardized Predicted ValueStandardizedResidualSpearman 的 rhoStandardized Predicted相關(guān)係數(shù)1.000-.176Value顯著性

14、 (雙尾).344N3131Standardized Residual相關(guān)係數(shù)-.1761.000顯著性 (雙尾).344N3131依據(jù)該表可以對標(biāo)準(zhǔn)化殘差和標(biāo)準(zhǔn)化預(yù)測值的 Spearman等級進(jìn)行分析，可以看到，計算殘差與預(yù)測值的相關(guān)性弱，認(rèn)為異方差現(xiàn)象不明顯。13、利用 1950年1990年的天津食品消費數(shù)據(jù)，分析這段時間內(nèi)的人均生活費 用年收入的變化情況。要求：數(shù)據(jù)進(jìn)行對數(shù)變換后，運用 Holt線性趨勢平滑模型 分析。(1) 輸出均方根誤差和參數(shù)估計結(jié)果；(2) 輸出ACF和PACF圖形并對其特征進(jìn)行分析， 是否滿足白噪聲序列的條件；(3) 給出1991-1992 的預(yù)測值，并輸出擬合圖

15、。解答：思路：根據(jù)題意， 先不進(jìn)行序列圖和自相關(guān)、 偏自相關(guān)的觀察和檢驗階段處 理。直接利用指數(shù)平滑模型中的 Holt 線性趨勢模型對數(shù)據(jù)進(jìn)行分析，同時輸出均 方根誤差和參數(shù)估計誤差， ACF和PACF圖像判斷是否滿足白噪音序列的條件； 最后然后對數(shù)據(jù)進(jìn)行 1991 年、1992年做出預(yù)測，并用模型進(jìn)行擬合步驟：【分析-預(yù)測-創(chuàng)建模型】，將人均生活費年收入選入【因變量】中，將 【方法】選為【指數(shù)平滑法】；點擊【條件】，在【因變量轉(zhuǎn)換】 中選【自然對數(shù)】， 在【模型類型】中【 Holt 線性趨勢】，【繼續(xù)】?！窘y(tǒng)計量】，在【擬合度量】中選擇【平穩(wěn)的 R方、均方根誤差】，在【個別 模型的統(tǒng)計量】中

16、選中【參數(shù)估計】 ，在【比較模型的統(tǒng)計量】中選中【擬合優(yōu) 度】，選中【顯示預(yù)測值】 ，【確定】【圖表】，在【單個模型圖】中選擇【序列、殘差自相關(guān)函數(shù)、殘差部分自 相關(guān)函數(shù)】，在【每張圖顯示的內(nèi)容】中現(xiàn)則【觀察值、預(yù)測值、擬合值】 ?！具x項】，在【預(yù)測階段】選擇第二個， 在【日期】的【年】框中填入【1992】。 輸出：模型適合度適合度統(tǒng)計資料平均數(shù)SE最小值最大值百分位數(shù)5102550759095平穩(wěn) R平方.221.221.221.221.221.221.221.221.221.221R 平方.994.994.994.994.994.994.994.994.994.994RMSE28.1792

17、8.17928.17928.17928.17928.17928.17928.17928.17928.179MAPE3.5173.5173.5173.5173.5173.5173.5173.5173.5173.517MaxAPE12.49512.49512.49512.49512.49512.49512.49512.49512.49512.495MAE17.14617.14617.14617.14617.14617.14617.14617.14617.14617.146MaxAE82.91182.91182.91182.91182.91182.91182.91182.91182.91182.91

18、1標(biāo)準(zhǔn)化BIC6.8586.8586.8586.8586.8586.8586.8586.8586.8586.858模型統(tǒng)計資料模型預(yù)測變數(shù)數(shù) 目模型適合度統(tǒng)計資料Ljung-Box Q(18)離群值數(shù) 目平穩(wěn) R 平 方RMSE統(tǒng)計資 料DF顯著性人均生活費年收入 - 模 型 10.22128.17916.36016.4280均方根誤差為 28.179 ，誤差較小指數(shù)平滑化模型參數(shù)模型估計SET顯著性人均生活費年收入 - 模型自然對數(shù) Alpha （水準(zhǔn)）1.000.1576.381.0001Gamm（a 趨勢）.400.1782.244.031模型的兩個參數(shù)分別為： 1.0和0.4，則具體模

19、型為 ft+m =1.0+0.4m ，但兩函數(shù)都預(yù)測模型19911992人均生活費年收入 - 模型_1 預(yù)測1708.821920.58UCL1887.022274.43LCL1543.631609.99雖然殘差自相關(guān)函數(shù)和偏自相關(guān)函數(shù)絕大多數(shù)處于置信區(qū)間內(nèi)， 具有明顯減少趨勢，且具有一定的季節(jié)性，因此不屬于白噪音序列。針對每一個模型，預(yù)測是在所要求的估計期間範(fàn)圍內(nèi)的前次非遺 漏開始，並在其所有預(yù)測值的非遺漏值可用的前次期間，或是在 所要求的預(yù)測期間的結(jié)束日期結(jié)束，取較早的時間。1991、1992 年的預(yù)測值與 1990年的觀測值有較大的增長趨勢。從整個數(shù)據(jù) 來看， 1950年至1980年這段

20、時期較為平穩(wěn)的增長，但是 1980年之后迅速上升， 最后預(yù)測值上升較為明顯，這與實際趨勢基本一致。且 1991 、1992年預(yù)測值分 別為1708.82 、1920.58 。16 、結(jié)合自己的研究方向、參與項目等，舉出一個說明 SPSS在交通運輸中應(yīng)用 的例子。例子需包含問題說明、數(shù)據(jù)來源、統(tǒng)計方法、統(tǒng)計結(jié)果及其主要結(jié)論。解答：問題說明：利用1950年2013 年美國么歷年定期航班旅客周轉(zhuǎn)量 （單位：“臺 億客公里）歷年數(shù)據(jù)數(shù)據(jù)，建立幾種指數(shù)平滑模型，預(yù)測 2016 年美國定期航班 旅客周轉(zhuǎn)量。數(shù)據(jù)來源：從統(tǒng)計看民航（ 2014）中國民航出版社，2014年11月第一版年份19501951195

21、21953195419551956195719581959定期航班旅客周轉(zhuǎn) 量 / 億客公里164.4211.8250.3292.1331.6391.8444.5503506.9585.3年份1960196119621963196419651966196719681969定期航班旅客周轉(zhuǎn) 量 / 億客公里625.4640.9704.2810.4941.31105.21285.71605.81830.72017.3年份1970197119721973197419751976197719781979定期航班旅客周轉(zhuǎn) 量 / 億客公里2131.32155.9145326062621262028823

22、11036404080年份1980198119821983198419851986198719881989定期航班旅客周轉(zhuǎn) 量 / 億客公里3930395041004460472052795800647067436948年份1990199119921993199419951996199719981999定期航班旅客周轉(zhuǎn) 量 / 億客公里731471837651.477598199.88491.69214.89655.7984710448.7年份2000200120022003200420052006200720082009定期航班旅客周轉(zhuǎn) 量 / 億客公里11109.510444.810218

23、.410389.611643.712446.912753.813120.51279012570年份2010201120122013定期航班旅客周轉(zhuǎn) 量 / 億客公里12998.713105.413247.513525.2解題思路：首先首先繪制和觀察彩電出口量的序列圖， 通過圖形觀察和檢驗 尋找規(guī)律，然后通過指數(shù)平滑模型簡單、 HOIT線性趨勢、 Brown 線性趨勢三 個模型進(jìn)行分析預(yù)測，比較選擇最佳模型預(yù)測 2016年億客公里數(shù)。統(tǒng)計結(jié)果：美國億客公里時間序列圖如下：該序列圖為平穩(wěn)序列則可以直接進(jìn)行建模分析1）簡單指數(shù)平滑模型型號說明模型類型模型 ID 億客公里 模型 1簡單模型統(tǒng)計資料模型

24、預(yù)測變數(shù)數(shù) 目模型適合度統(tǒng)計資料Ljung-Box Q(18)離群值數(shù) 目平穩(wěn) R 平 方RMSE統(tǒng)計資料DF顯著性億客公里 - 模型10-.417367.91812.51117.0460指數(shù)平滑化模型參數(shù)模型估計SET顯著性億客公里 -模型 1 自然對數(shù)Alpha （水準(zhǔn)）1.000.1228.175.000預(yù)測模型201420152016億客公里 - 模型 _1 預(yù)測13638.2113752.1613867.06UCL17502.4819474.7921137.62LCL10451.729393.228654.28針對每一個模型，預(yù)測是在所要求的估計期間範(fàn)圍內(nèi)的前次非遺漏開 始，並在其所有預(yù)測值的非遺漏值可用的前次期間，或是在所要求的預(yù) 測期間的結(jié)束日期結(jié)束，取較早的時間。2) HOIT線性趨勢指數(shù)平滑模型型號說明模型類型模型 ID 億客公里 模型 1Holt模型統(tǒng)計資料預(yù)測變數(shù)數(shù)模型適合度統(tǒng)計資料Ljung-Box Q(18)離群值數(shù)目平穩(wěn) R 平 方RMSE統(tǒng)計資料DF顯著性目億客公里 - 模型10.610417.99015.33616.0500指數(shù)平滑化模型參數(shù)模型估計SET顯著性億客公里 -模型_1 自然對數(shù) Alpha （水準(zhǔn)）.694.1185.893.000Gamm（a 趨勢）.117.0621.895.063預(yù)測模型201420152016億客公里 -