SPSS人大薛微第三版课后习题.doc

第四章114-1164.1 利用居民储蓄的数据，采用SPSS频数分析，分析被调查者的常住地、职业和年龄分布特征，并绘制条形图。Analyze-Descriptive Statistics-Frequencies，选择“常住地”“职业”和“年龄”到Variable(s)中。按charts,然后在Chart Type里选择Bar charts、Chart Values里选择Frequencies.然后按continue，ok。分析：本次被访调查者的总家庭为347户，户主常住地在沿海或繁华中心城市的人最多，在商业服务业的人最多，年龄在35-50岁的人最多。由于变量中无缺失数据，因此聘书分布表中的百分比相同。4.2 利用居民储蓄的数据，从数据的集中趋势、离散程度和分布形状等角度，分析被调查者本次存款金额的基本特征，并与标准正态分布曲线进行对比，进一步，对不同常住地储户存款金额的基本特征进行对比分析。Analyze-Descriptive Statistics-Descriptives,选择存款金额到Variable(s)中。按Option,然后选择Mean,std.deviation,Minlmum,Variance,Maximum,Range,Kutosis,Skewness,Variable list.然后按continue，ok。分析：由表中可以看出，有效样本为282份，最小值为1，最大值为100001，均值是4738.09，标准差为10945.09，峰度系数为33.656，偏度系数为5.234。 与标准正态分布曲线进行对比，由峰度系数可以看出，此表的存款金额的数据分布比标准正态分布更陡峭；由偏度系数可以看出，此表的存款金额的数据正偏值大，为右偏。由此可以知道，此表的存款金额数据不具有代表性。4.3 利用居民储蓄的数据，如果假设存款金额服从正态分布，能否利用第四章所讲解的功能，找到存款金额“与众不同”的样本，并说明理由。Analyze-Descriptive Statistics-Descriptives,选择存款金额到Variable(s)中（save打钩），然后看数据（Data view）最后一列按降序排列，绝对值大于三的都是“与众不同”的样本。理由：标准化值反映的是样本值与样本均值的差是几个标准差单位。如果标准化值等于0，则表示该样本值等于样本均值；如果标准化值大于0，则表示该样本值大于样本均值；如果标准化值小于0，则表示该样本值小于样本均值。如果标准化值的绝对值大于3，则可认为是异常值。4.4 简述SPSS的“Sort”功能与“Split”功能的不同。 “Sort”功能即排序功能，“Split”功能即拆分功能，数据拆分与数据排序很相似，但也有一个重要的不同点，即数据拆分不仅是按指定变量对数据进行简单排序，更重要的是根据指定变量对数据进行分组，它将为以后所进行的分组统计分析提供便利。4.5 利用居民储蓄的数据，综合被调查者的常住地或职业或年龄状况，分析储户的收入分布特征。Analyze-Descriptive Statistics-Crosstabs，选择常住地、职业、年龄到Row(s)中，选择收入水平到Column(s),选择Display clustered bar charts。按Cells键，选择Observed,Expect,Row,Column,Total。按Statistics键，选择Chi-Square。按continue,ok。分析：1首先，假设常住地与收入水平不相关。第二步,卡方统计,进行分析。卡方统计量p=32.064，显著性水平a=0.001，0.0010.05,所以拒绝原假设。所以常住地与收入水平相关。2 首先，假设职业与收入水平不相关，卡方统计量p=96.777，显著水平a=0.001，0.0010.05,所以原假设成立。所以年龄与收入水平不相关。4.6 三代同堂的家庭中，婆婆与儿媳妇关系紧张的现象并不少见，为了了解住房条件对婆媳关系的影响，现对600户家庭进行调查并进行列联分析。（1）补充表中第一行和第四行空缺的计算结果，（看图写）；第一行单元格48.7568.2578195.029.2%40%30.8%100%38%37%25%32.5%第四行单元格150.0210.0240.0600.025.0%35.0%40.0%100.0%100.0%100.0%100.0%100.0%（2）写出卡方检验的统计量并说明其构造基本原理：卡方检验的统计量为39.668。构造基本原理：（3）判断婆媳关系与住房条件有无关系：因为显著性水平为0.0005，小于0.01，属于高度显著，所以可以拒绝原假设，所以婆媳关系与住房条件有关系。4.7 利用减肥产品数据，分析两种减肥产品所产生的效果分布是否一致。Analyze-Descriptive Statistics-Crosstabs，选择“产品类型”到Row(s),选择“体重变化”到Column(s)。按Statistics键，选择Chi-Square。按Cells键，选择Observed,Expect,Row,Column,Total。按continue,ok。概念：分位数（Percentile Values）:分位数差越大，表示数据在相应分位段上的离散程度越大。样本标准差（Std Dev）:样本标准差越大，变量值之间的差异越大，距均值的离散趋势越大。样本方差(Variance)：样本方差值越大，变量值之间的差异越大。全距（Range）:全距非常小，意味着数据基本都集中在一起。偏度系数（Skewness）:当分布式对称时，政府总偏差相等，偏度值等于0；当分布是不对称分布时，偏度值大于0表示正偏差值大，为正偏或右偏；小于0则为负偏或右偏。偏度绝对值越大，数据分布形态的偏斜程度越大。峰度系数（Kurtosis）:峰度值大于0表示数据的分布比标准正态分布更陡峭，称为剑锋分布；小于0则平缓，称为平峰分布。4.8窗口是用来定义多选项变量集的。在Variables in Set框中选择你最满意的一次活动，你比较满意的一次活动，你认为最不满意的一次活动。在name框中输入多项变量集名称，并在lable框中输入多项变量集名称的说明文字。然后按add按钮将定义好的多选项变量集加到Multiple Response sets框中。第五章136-1375.1公司经理宣称他的雇员英语水平很高，如果按照英语六级考试的话一般平均分为75，现从雇员随机挑11人参加考试得分如下：80，81，72，60，78，65，56，79，77，87，76问该经理宣称可信么？步骤：采用单样本T检验（原假设H0:u=u0,总体均值与检验值之间不存在显著差异.）；菜单选项：Analyze-compare means-one-samples T test；指定检验值:在test后的框中输入检验值（填75），最后ok!分析：N=11人的平均值（mean）为73.7，标准差（std.deviation）为9.55,均值标准误差(std error mean)为2.87.t统计量观测值为-4.22，t统计量观测值的双尾概率p-值（sig.(2-tailed)）为0.668，六七列是总体均值与原假设值差的95%的置信区间,为(-7.68,5.14),由此采用双尾检验比较a和p。T统计量观测值的双尾概率p-值（sig.(2-tailed)）为0.668a=0.05所以不能拒绝原假设；且总体均值的95%的置信区间为(67.31,80.14),所以均值在67.3180.14内,75包括在置信区间内,所以经理的话是可信的。5.2组统计量方式N均值标准差均值的标准误态度方式一200.46.500.035方式二183.88.326.024方差方程的 Levene 检验均值方程的 t 检验FSig.tdfSig.(双侧)均值差值标准误差值差分的 95% 置信区间下限上限态度假设方差相等257.985.000-9.640381.000-.420.044-.505-.334假设方差不相等-9.815345.536.000-.420.043-.504-.336Independent Samples Test经济学家认为决策者是对事实作出反应，不是对提出事实的方式作出反应。然而，心理学家倾向认为提出事实的方式是有关系的。为验证观点，调查者分别一2种不同方式随机采访了足球球迷。方式一：票丢仍买；方式二：钱丢仍买。步骤：菜单选项:analyze-compare means-independent-samples T；选择若干变量作为检验变量到test variables框（填TD态度）；选择代表不同总体的变量（FS方式）作为分组变量到grouping variable 框；.定义分组变量的分组情况Define Groups.：（填1，2）。分析：从上表可以看出票丢仍买的人数比例为46%,钱丢仍买的人数比例为88%,两种方式的样本平均值有较大差距。1.两总体方差是否相等F检验：F的统计量的观察值为257.98,对应的P值为0.00,；如果显著性水平为0.05,由于概率P值小于0.05,两种方式的方差有显著差异.看eaual variances not assumend。2.两总体均值的检验：.T统计量的观测值为-9.815,对应的双尾概率为0.00,T的P值也compare means-one-samples T test；指定检验值: 在test后的框中输入检验值（填0.75） 最后ok!由表一可知，开兰花的比例为0.71，由第二张表可知,T的统计量观测值为-1.244,相对应的双尾概率为0.215,如果显著水平为0.05,则P值0.05,可以接受原假设,没有显著差异,95%的置信区间为(0.749,0.75),结论为遗传模型一致.5.4方式一同一鼠喂不同饲料所测得的体内钙留存量的基本描述统计量成对样本统计量均值N标准差均值的标准误对 1饲料132.577893.810771.27026饲料234.266795.599331.86644从上表可以看出两者的平均值不同，喂养饲料2的体内钙留存量平均值明显高于饲料1成对样本相关系数N相关系数Sig.对 1饲料1 & 饲料29.571.108从表中数据可知，当显著性水平为0.05时p的值是0.108，说明同一鼠的钙留存量没有明显的线性变化，说明两者的线性相关程度较弱。成对样本检验成对差分tdfSig.(双侧)均值标准差均值的标准误差分的 95% 置信区间下限上限对 1饲料1 - 饲料2-1.688894.636661.54555-5.252941.87516-1.0938.306从表中数据可知两种饲料的平均差异是-1.68889；t的检验统计量观测值对应的P值是0.306；所以 当显著性水平是0.05时，因为它小于P值，所以接受原假设，所以不同饲料在同一鼠体内钙留存量不存在显著差异。方式二组统计量分组N均值标准差均值的标准误数据甲组饲料11230.50833.688181.06469乙组饲料2931.40003.125701.04190有表中数据可知乙组喂饲料2的鼠体内钙留存量高于甲组饲料1的鼠。独立样本检验方差方程的 Levene 检验均值方程的 t 检验FSig.tdfSig.(双侧)均值差值标准误差值差分的 95% 置信区间下限上限数据假设方差相等.059.811-.58419.566-.891671.52682-4.087342.30400假设方差不相等-.59918.645.557-.891671.48967-4.013602.23027有表中数据可得，分析结论应通过两步完成：第一步，两总体方差是否相等的F检验。观测值是0.059，对应的P值是0.811，如果显著性水平是0.05，由于P值大于0.005，可以认为两总体的方差无显著差异。第二步，两总体均值的检验。看t检验的结果，其中t统计量的观测值为-0.584，对应的双尾概率P值为0.566，如果显著性水平为0.05，由于 概率P值大于0.05，可以认为两总体的均值没有显著性差异，所以甲组饲料1和乙组饲料2在鼠体内钙留存量不存在显著差异。5.5利用学生成绩1.2为总体分析女生男生的课程平均分是否存在显著差异：Transform compute课程平均分=mean() analyze-compare means-independent-samples T；选择若干变量作为检验变量到test variables框（课程平均分）；选择代表不同总体的变量（sex）作为分组变量到grouping variable 框；.定义分组变量的分组情况Define Groups.：（填1，2）。1.两总体方差是否相等F检验：F的统计量的观察值为0.257,对应的P值为0.614,；如果显著性水平为0.05,由于概率P值大于0.05,两种方式的方差无显著差异.看eaual variances assumend。2.两总体均值的检验：.T统计量的观测值为-0.573,对应的双尾概率为0.569,T的P值显著水平0.05,故不能推翻原假设,所以女生男生的课程平均分无显著差异。5.6利用学生成绩1.2为总体，分析哪些课程平均差异不显著：配对差异:analyze-compare means-paired-samples Tpaired variables框中每科与不同科目配对很麻烦 略5.7分析培训前后促销数据，是否产生显著效果（建表）：采用两配对样本t检验！基本操作步骤(1).菜单选项:analyze-compare means-paired-samples T(2).选择一对（培训前和培训后）变量作为检测变量到paired variables框.(3)option选项直接点ok。分析：培训前和培训后样本的平均值（mean）有一定差异，培训后平均值较大；t检验观测值-2.134，t检验统计量观测值对应的双尾概率p-值为.显著水平a=0.05 应该拒绝原假设；所以培训前后有显著差异。第六章 P179-1811.ANOVA推销额tSum of SquaresdfMean SquareFSig.Between Groups405.5344101.38411.276.000Within Groups269.737308.991Total675.27134有单因素方差分析结果可知，观测变量推销额的总离差平方和为675.271，不同推销方式可解释的变差为405.534，抽样误差引起的变差为269.727，它们的方差分别为101.384和8.991，相处所得的F统计量的观测值为11.276，对应的概率P值为0。如果显著性水平为0.05，由于P小于0.05，所以应拒绝原假设，即不同的推销方式对销售额的影响效应为0.Multiple Comparisons推销额LSD(I) 推销方式(J) 推销方式Mean Difference (I-J)Std. ErrorSig.95% Confidence IntervalLower BoundUpper Bound第一组第二组-3.30000*1.60279.048-6.5733-.0267第三组.728571.60279.653-2.54484.0019第四组3.057141.60279.066-.21626.3305第五组-6.70000*1.60279.000-9.9733-3.4267第二组第一组3.30000*1.60279.048.02676.5733第三组4.02857*1.60279.018.75527.3019第四组6.35714*1.60279.0003.08389.6305第五组-3.40000*1.60279.042-6.6733-.1267第三组第一组-.728571.60279.653-4.00192.5448第二组-4.02857*1.60279.018-7.3019-.7552第四组2.328571.60279.157-.94485.6019第五组-7.42857*1.60279.000-10.7019-4.1552第四组第一组-3.057141.60279.066-6.3305.2162第二组-6.35714*1.60279.000-9.6305-3.0838第三组-2.328571.60279.157-5.6019.9448第五组-9.75714*1.60279.000-13.0305-6.4838第五组第一组6.70000*1.60279.0003.42679.9733第二组3.40000*1.60279.042.12676.6733第三组7.42857*1.60279.0004.155210.7019第四组9.75714*1.60279.0006.483813.0305*. The mean difference is significant at the 0.05 level.均值对比图如上图所示。由LSD方法得出的多重检验结果可知，如果显著性水平为0.05，则第一组和第三组没有显著差异，第三组和第四组差异不显著，但其他组两两之间差异非常显著。 2，（1）由方差齐性检验表格中的数据可知：如果显著性水平为0.05，由于概率P值小于显著性水平，因此应拒绝原假设，认为不同类高血压患者的血压差的总体方差有显著差异，不满足方差分析的前提要求。 （2）由单因素方差分析结果可知，如果显著性水平为0.05，由于概率P值为0，所以应拒绝原假设，即认为该降压药对不同组患者的降压效果存在显著差异。 （3）由LSD方法进行的多重检验结果可知，该降压药更适合第一组患者。3Between-Subjects FactorsValue LabelN地区1地区一92地区二93地区三8日期1周一至周三92周四至周五93周末8Tests of Between-Subjects EffectsDependent Variable:销售量SourceType III Sum of SquaresdfMean SquareFSig.Corrected Model6.585E7a88230769.23111.194.000Intercept8.267E818.267E81.124E3.000x22016666.66721008333.3331.371.280x32988888.88921494444.4442.032.162x2 * x36.055E741.514E720.587.000Error1.250E717735294.118Total8.870E826Corrected Total7.835E725a. R Squared = .840 (Adjusted R Squared = .765)由多因素方差分析结果可知，Fx，Fx2，Fx1*x2的概率P值分别为0.28,0.162,和0.00，如果显著性水平为0.05，则Fx2，Fx3的概率P值大于显著性水平，所以应接受原假设，即认为不同地区、不同日期下的销售额总体均值不存在显著差异，对销售额的效应同时为0.同时，由于Fx1*x2的概率P值小于显著性水平0.05，所以应拒绝原假设，即认为不同地区和日期对销售额产生了显著的交互作用。4.ReportMethodScore addMonth旧方法Mean10.61113.5000N99Std. Deviation1.672901.54110新方法Mean12.55564.0000N99Std. Deviation2.603422.09165TotalMean11.58333.7500N1818Std. Deviation2.346781.80074由上表可知，加盟时间和评分增加量的平均数分别为10.6111和12.5556.Between-Subjects FactorsValue LabelNMethod1旧方法92新方法9Tests of Between-Subjects EffectsDependent Variable:Score addSourceType III Sum of SquaresdfMean SquareFSig.Corrected Model67.571a233.78519.451.000Intercept200.2701200.270115.299.000x350.557150.55729.106.000x29.40519.4055.415.034Error26.054151.737Total2508.75018Corrected Total93.62517a. R Squared = .722 (Adjusted R Squared = .685)Contrast Results (K Matrix)Method Simple ContrastaDependent VariableScore addLevel 1 vs. Level 2Contrast Estimate-1.461Hypothesized Value0Difference (Estimate - Hypothesized)-1.461Std. Error.628Sig.03495% Confidence Interval for DifferenceLower Bound-2.799Upper Bound-.123a. Reference category = 2Test ResultsDependent Variable:Score addSourceSum of SquaresdfMean SquareFSig.Contrast9.40519.4055.415.034Error26.054151.737由上表可知，在剔除加盟时间影响的前提下，新方法比旧方法评分多增加1.461，如果显著性水平是0.05，由于概率P值小于0.05，所以应拒绝原假设，即认为两种培训方式的效果存在显著差别。第七章 P226-2271Jonckheere-Terpstra TestamycdNumber of Levels in nld3N2043Observed J-T Statistic6.752E5Mean J-T Statistic6.812E5Std. Deviation of J-T Statistic1.285E4Std. J-T Statistic-.466Asymp. Sig. (2-tailed).641a. Grouping Variable: nld由J-T检验结果可知，观测的J-T值为6752000，J-T平均值为681200。如果显著性水平为0.05，由于概率P值大于显著性水平，所以应接受原假设，即认为不同年龄段人群对该商品满意程度的分布状况无显著差异。2. One-Sample Kolmogorov-Smirnov Test存(取)款金额N282Normal ParametersaMean4738.09Std. Deviation10945.569Most Extreme DifferencesAbsolute.333Positive.292Negative-.333Kolmogorov-Smirnov Z5.585Asymp. Sig. (2-tailed).000a. Test distribution is Normal.由单样本K-S检验结果可知，数据的均值为4738.09，标准差为10945.569，如果显著性水平为0.05，由于概率P值小于显著性水平，因此应拒绝原假设，即认为本次存款的总体分布与正态分布存在显著差异。3.Ranks户口NMean RankSum of Ranks存(取)款金额城镇户口200149.6429929.00农村户口82121.639974.00Total282Test Statisticsa存(取)款金额Mann-Whitney U6571.000Wilcoxon W9974.000Z-2.627Asymp. Sig. (2-tailed).009a. Grouping Variable: 户口由两样本曼-特惠尼U检验的结果可知，从城镇户口和农村户口中分别抽调了200个和82个样本，两组的秩总和分别为29929和9974，W统计量应取农村户口的秩总和。如果显著性水平为0.05，由于概率P值小于显著性水平，所以应拒绝原假设，即认为不同居住地人群本次存款金额的总体分布存在显著性差异。4. Ranks收入水平NMean Rank存（取）款种类300元以下50144.41300800元164136.198001500元50151.041500元以上18155.28Total282Test Statisticsa,b存（取）款种类Chi-Square2.242df3Asymp. Sig.524a. Kruskal Wallis Testb. Grouping Variable: 收入水平由多独立样本的K-W检验结果可知，四种不同收入人群的平均秩分别为144.41,136.19,151.04,155.28，K-W统计量为2.242，概率P值为0.524，如果显著性水平为0.05，由于概率P值大于显著性水平，因此应接受原假设，即认为不同收入人群本次存款金额的总体分布不存在显著差异。5. RanksMean Rankvar00122.44var00217.50var00321.38var00418.69var0058.44var00610.62var00729.50var00819.31var00914.00var01021.88var01120.44var0122.50var0132.19var01428.25var0157.31var01611.25var01717.69var0183.81var01915.38var02025.00var02118.88var02235.31var02324.44var02434.69var02526.62var02611.12var02727.50var02812.12var02931.94var03036.56var03133.88var03220.19var03325.00var0344.75var0359.38var03633.19var0374.56var03833.31Test StatisticsN8Kendalls Wa.854Chi-Square252.782df37Asymp. Sig.000a. Kendalls Coefficient of Concordance由多配对样本的Kendall协同系数检验结果可知，Friedman检验统计量的观测值为252.782，对应的概率P值为0,。如果显著性水平为0.05，由于概率P值小于显著性水平，因此应拒绝原假设，即认为各运动员得分的平均秩存在显著差异。W协同洗漱为0.854，接近1，说明不同裁判对运动员的打分标准是一致的。6. RanksMean Rank品牌12.33品牌22.00品牌31.67Test StatisticsaN6Chi-Square1.333df2Asymp. Sig.513a. Friedman Test由多配对样本Friedman检验结果可知，品牌1、品牌2和品牌3销售额的平均秩分别为2.33，2.00和1.67。Friedman检验统计量的观测值为1.333，对应的概率P值为0.512.如果显著性水平为0.05，由于概率P值大于显著性水平，因此应接受原假设，即认为大众对三种牛奶品牌的偏好具有显著差异。第八章 P245-2461. Correlations客户满意度得分综合竞争力得分客户满意度得分Pearson Correlation1.773*Sig. (2-tailed).001N1515综合竞争力得分Pearson Correlation.773*1Sig. (2-tailed).001N1515*. Correlation is significant at the 0.01 level (2-tailed).由上述散点图可知，企业的客户满意度与综合竞争力存在较强的正相关关系。由上述表格可知，Pearson相关系数为0.773，所以客户的满意度与其综合竞争力之间存在较强的正相关关系。2. Correlations1930年人均香烟消耗量1950年每百万男子中死于肺癌的人数1930年人均香烟消耗量Pearson Correlation1.737*Sig. (2-tailed).010N11111950年每百万男子中死于肺癌的人数Pearson Correlation.737*1Sig. (2-tailed).010N1111*. Correlation is significant at the 0.01 level (2-tailed).散点图如上图所示。由上表可知，Pearson相关系数为0.737，说明香烟消耗量与肺癌死亡率之间存在显著的相关关系。3.CorrelationsControl Variables销售额（万元）销售价格（元）家庭收入（元）销售额（万元）Correlation1.000-.728Significance (2-tailed).026df07销售价格（元）Correlation-.7281.000Significance (2-tailed).026.df70散点图如上图所示。如果所绘的图形不能较清晰地展示变量之间的关系，则应先对数据进行调整，剔除极端值，再绘图。由上述销售额与销售价格之间相关关系的表格可知，在家庭收入作为控制变量的条件下，销售额与销售价格间的偏相关系数为-0.728，呈较强的线性相关关系。第九章286-2875、从结果可知，利用向后筛选策略共经过两步完成回归方程的建立，最终模型为第二个模型。从方程建立的过程看，剔除的变量是粮食播种面积。如果显著性水平为0.05，可以看到被剔除变量的偏F检验的概率P-值大于显著性水平，因此不能拒绝检验的原假设，这个变量的偏回归系数与零无显著差异，它对被解释变量的线性解释没有显著贡献，不因该保留在方程中。最终保留在方程中的变量是农业劳动者人数、总播种面积、风灾面积比例、施用化肥量。选用这个模型后，由于回归方程和各回归系数的显著性检验的概率值小于显著性水平0.05，因此被解释变量与所有解释变量之间的线性关系显著，以及被解释变量与各个解释变量之间的线性关系显著。方程的DW检验值为1.284，残差存在一定程度的正相关，但是标准化残差的非参数检验结果表明标准化残差与标准正态分布不存在显著差异，可以认为残差满足了线性模型的前提要求。所以影响粮食总产量的主要因素是农业劳动者人数、总播种面积、风灾面积比例、施用化肥量。.利用spss曲线估计方法，做出各个模型估计结果，以判定系数为主要依据选择模型，最终选择了三次曲线模型。对粮食产量进行外推预测，1987、1988、1989年的粮食总产量分别为30630.008、30864.092、31093.650.计算得到平均预测误差为：第十章315-3161.（1）第1步：1号样本（广西瑶族）和三号样本（广西侗族）聚成一小类，它们的个体距离是3.722，这个小类将在下面第2步用到； 第2步：8号样本（贵州苗族）和第1步聚成的小类又聚成一类它们的距离是9.97，这个小类将在下面的第4步用到； 第3步： 5号样本（崩龙族）和7号样本（白族）聚成一小类，它们的个体距离是11.556，这个小类将在下面第5步用到； 第4步： 6号样本（基诺族）和第2步聚成的小类又聚成一类，它们的个体距离是18.607，这个小类将在下面第6步用到； 第5步： 4号样本（土家族）和第3步聚成的小类又聚成一类，它们的个体距离是20.337，这个小类将在下面第6步用到； 第6步： 第4步聚成的小类和第5步聚成的小类又聚成一类，它们的个体间距离是22.262，这个小类将在下面第7步用到； 第7步： 2号样本（湖南侗族）和第6步聚成的小类又聚成一类，它们的个体间距离是31.020。（3） 从冰挂图可见，如果分成三类，第1类是：湖南侗族；第2类是：白族、崩龙族、土家族；第3类是：基诺族、贵州苗族、广西侗族、广西瑶族。2.（1）从碎石图可以看出，随着类的不断凝聚，类数目的不断减少，类间的距离在逐渐增大，在聚成4类之前，类间距离增大的幅度较小，形成“极为陡峭的山峰”，但到4类后，类间的距离迅速增大，形成“平坦的碎石”。根据类间距离小形成类的相似性大，距离大形成类的相似性小的原理，在本例中，可以聚成4类或者5类。（2）根据树形图可见，如果聚成4类，则第一类为北京；第二类为江苏；第三类为上海、广东、湖北、辽宁、浙江、湖南、山东；其余为第四类。 如果聚成5类，则第一类为北京；第二类为江苏；第三类为上海、广东、湖北；第四类为辽宁、浙江、湖南、山东；其余为第四类。（3）（4）第十一章341-3422.（1）从变量共同度的计算公式可以看出，除了国家预算内基金和国内贷款共同度较低（0.196、0.769