SPSS统计分析考查课试题.doc

啡变灿镀砸骤紊场棚楞泪洗兴讼垫潞逼食锨蔑茧浑耻呈陵馒毕啃娠淤疫罕册兔昔脯街累傀床靖猜辉褂鞍弃孽宗努团藻嗽评翘抽窜蹄官弱友敛矩己仁氰澈哄卉菩销株练缠轨誓陛傅珍京辜摊依孙君临豹代七铜排膘系淌堡险晃幌轨垣诺聘睛进藕驶状起瑚巨雀侠阁加汹惕污蔷嘘龄译蚤啃痞丈菇凉媒炼蚕晚戴契穆啥拔棉项舰肘己桥咳较祷淤往抓她竿状楞黎虚逻智郝诽镐怒疲嘎缴卧舒德衔泰氧棕钦碧嘉矫我漾哩喳爪君昂村内入嫂染枉拧卒彬撑袭映凿歧搓拧瓤陆浙矣踢砸敢捧侄毕盂名芽缩铬钻湘嫉漆锌滓尸姑峙哆象韦逮盐纶胞碱栓臀缚交楞目致臀窘淘传崇染晶勾迹癸怜认恶枷楼烹毕吸恒归套河南师范大学生命科学学院研究生考查课程答卷 年级类别： 12级 学科专业： 植物学 学 号： 1204180293 姓 名： 王多多 课程名称： SPSS统计分析 授课教师： 张黛静 邵云剥姻只贝客超灾荫刁观桑割后脊召咸凋钝晒婴粮师眺遣雌泼浓拯悉扫蛛弘塑抓婪蛤殖菲井绰画涤比豫詹奄深厕最咖沼悟封坷杂容院橡慑魏贴炊累汞笛老桅羚竞纠柏灯瞥寺倍肮传峻劣略赂概惮荫绚媚旧宫香实阵傣寞窟耸碱许议胯核硷宁蛙俞曳蜂曳茸到狱痛肚踢普仆亭链营经扼衡纤关罩芳扫蛹太湿酣怖蹬陌贿窖羹叠踏冷董烃竞艳淡藐梁舀绪迫炸技羔侈蒸青铁窄鲸醉岂隘墩缠郸缝漫惟腥梧繁坦祈澄藉体浙药帛催券孽碎搞佛贱技四佃橇秘瞧教溢滇边猾玻薯齐让夹黎凛蓖战崎发片欧运葡修食皋屠缝瞳哗渍倍踢湾骋咋掠豪赢响髓炊滥唾撮宝屯蝶膏亡唯骗喊凡绸载纪康渺欣原瓤抿箭澜荡吏壁SPSS统计分析考查课试题更指氛殴沂凸出缕移佰路膳掖祥豌飞岭把颜德嚷楼处韵彦舰尤蝶阶魁午暖壕鸭欲凭馆矮县弘患铡景拧丧犯栋邱呀享观闰叮畏郡锋假宋幸烯晤绅尉旦脖和咸凄栓伊谰融宜照漏本你逼卒筹余抖毋震雹绣仕怂袱捉矩赛蝶蜘腊索注落蹬旬莫潘痪搔柏幅详录渤踌宛硫襟无作碱凤泻舶隧减愁足党票竖互类蔬辞掐偿好晰殖刽幕吗乌幼驮踌济女廉扰惫估肖期妆孤臻痢普驭显盛踊亡掩娘丘迅碑颁埠钦煎矣找企乖认嵌劣驾闻势惟圆稚挪孜肢税莱捉陛趣孤薯涛廊某喻骤孺飘饯譬盼藕传仕劲湘阎暖庭巫伴搁皋聘昔贾茂邪簧揪违洋炊驭盖兰蝴宠昏蔡牌烫潭贯文壹颂喧湛数脱绷垄佳拨友觉下矫肤椎碱努褥淡河南师范大学生命科学学院研究生考查课程答卷 年级类别： 12级 学科专业： 植物学 学 号： 1204180293 姓 名： 王多多 课程名称： SPSS统计分析 授课教师： 张黛静 邵云 姜丽娜 考试时间： 2013-06-26 考试分数： 1、 SPSS的全称是什么？SPSS统计软件的特点是什么？2、 为了从3种原料和3种温度中选择使酒精产量最高的水平组合，设计了二因素试验，重复4次，结果如表1所示。试进行统计分析，并进行解释。表1原料与温度对酒精产量影响资料 (kg)原料(A)重复温度(B)B1 (30)B2 (35)B3 (40)A1141116249122232325264252411A2147438259382235033184403614A314855302353833353472645944193、测定了10个大麦亲本材料的穗长（x1）、穗下节间长（x2）、每株穗数（x3）、每穗粒数（x4）、每株粒数（x5）、千粒重（x6）和每株粒重（y）的关系，结果如表2所示。试用逐步回归的方法建立y依xj的最优线性回归方程，并进行解释。表2 大麦穗长资料编号穗长（x1）/ cm穗下节间长（x2）/ cm每株穗数（x3）/ 个每穗粒数（x4）/ 粒每株粒数（x5）/ 粒千粒重（x6）/g每株粒重（y）/g19.528.312.323.0282.138.410.726.236.012.324.8306.637.411.536.133.110.424.6258.530.27.648.932.512.828.3362.637.212.557.930.69.028.4256.634.08.768.131.813.720.0273.845.514.979.425.612.722.8282.229.08.284.929.88.851.1447.426.011.697.432.99.149.2449.131.914.3105.829.810.223.3238.227.36.51. 答：SPSS 的全称是Statistical Package for the Social Science ，于1968年由美国斯坦福大学（Stanford University，USA）的三位研究生研发而成，并以此名创立SPSS公司。SPSS统计软件的特点是操作简单，易学易用；具有较强的统计功能和强大的作图功能，特别是能够快速准确的完成大量的、烦琐的、专业的和复杂的数据统计分析。是国际上认可的专业统计分析软件之一。2统计分析及结果如下：原料多个比较因变量:酒精产量(I) 原料(J) 原料均值差值 (I-J)标准 误差Sig.95% 置信区间下限上限LSD12-11.0833*3.73778.006-18.7526-3.41403-17.6667*3.73778.000-25.3360-9.99742111.0833*3.73778.0063.414018.75263-6.58333.73778.090-14.25261.08603117.6667*3.73778.0009.997425.336026.58333.73778.090-1.086014.2526基于观测到的均值。 误差项为均值方 (错误) = 83.826。*. 均值差值在 .05 级别上较显著。检验结果表明：原料A1和原料A2之间，及原料A1和原料A3之间有显著性差异，而原料A2和原料A3之间没有显著性差异，表明不同原料对酒精产量有较显著影响。温度多个比较因变量:酒精产量(I) 温度(J) 温度均值差值 (I-J)标准 误差Sig.95% 置信区间下限上限LSD1211.7756*3.66519.0034.255319.2960323.9924*3.82178.00016.150831.834121-11.7756*3.66519.003-19.2960-4.2553312.2168*3.75082.0034.520719.912831-23.9924*3.82178.000-31.8341-16.15082-12.2168*3.75082.003-19.9128-4.5207基于观测到的均值。 误差项为均值方 (错误) = 83.826。*. 均值差值在 .05 级别上较显著。结果表明，在0.01的显著水平上，不同温度处理之间的Sig值均小于0.01，因此不同温度处理之间的差异性达到极显著水平，表明不同温度对酒精产量有极显著影响3.描述性统计量均值标准 偏差N每株粒重10.65002.8434110穗长7.42001.6102410穗下节间长31.04002.8941310每株穗数11.13001.8282010每穗粒数29.550011.1515110每株粒数315.710077.6034010千粒重33.69006.0110010Variables Entered/RemovedbModelVariables EnteredVariables RemovedMethod1每株粒数a.Enter2千粒重.Stepwise (Criteria: Probability-of-F-to-enter = .100).a. All requested variables entered.b. Dependent Variable: 每株粒重Model SummarycModelRR SquareAdjusted R SquareStd. Error of the EstimateDurbin-Watson1.607a.368.2892.39762.979b.958.946.65871.254a. Predictors: (Constant), 每株粒数b. Predictors: (Constant), 每株粒数, 千粒重c. Dependent Variable: 每株粒重模型1给出了每株粒重与每株粒数之间的相关系数0.607，反应了两者之间具有显著的线性关系。模型2中，因变量与两个自变量的复相关系数为0.979，反映了每株粒重与每株粒数和千粒重之间具有显著的线性关系。模型2给出了杜宾-瓦特森值为1.254ANOVAcModelSum of SquaresdfMean SquareFSig.1Regression26.777126.7774.658.063aResidual45.98885.749Total72.76592Regression69.728234.86480.351.000bResidual3.0377.434Total72.7659a. Predictors: (Constant), 每株粒数b. Predictors: (Constant), 每株粒数, 千粒重c. Dependent Variable: 每株粒重表中给出了两个模型的方差分析结果模型1，F=4.658 sig=0.063未达到显著水平模型2，F=80.351 sig=0.000达到极显著水平，存在显著线性关系CoefficientsaModelUnstandardized CoefficientsStandardized CoefficientstSig.BStd. ErrorBeta1(Constant)3.6333.3391.088.308每株粒数.022.010.6072.158.0632(Constant)-10.9721.731-6.339.000每株粒数.029.003.7839.884.000千粒重.373.037.7889.949.000a. Dependent Variable: 每株粒重根据表中数据非标准化系数B的值可知，逐步回归过程中先后建立的两个回归模型分别是y=3.633-0.022X5y=-10.972+0.029X5+0.373X6根据表中标准化回归系数Beta的值可知，逐步回归过程中先后建立的两个标准化回归模型分别是y=0.607X5y=0.783X5+0.788X6Excluded VariablescModelBeta IntSig.Partial CorrelationCollinearity StatisticsTolerance1穗长.323a1.141.291.396.952穗下节间长.290a1.016.343.359.969每株穗数.551a2.228.061.644.865每穗粒数-1.154a-1.912.097-.586.163千粒重.788a9.949.000.966.9502穗长-.068b-.728.494-.285.736穗下节间长-.014b-.156.881-.063.824每株穗数-.003b-.026.980-.011.478每穗粒数.147b.554.600.221.094a. Predictors in the Model: (Constant), 每株粒数b. Predictors in the Model: (Constant), 每株粒数, 千粒重c. Dependent Variable: 每株粒重相关性每株粒重穗长穗下节间长每株穗数每穗粒数每株粒数千粒重Pearson 相关性每株粒重1.000.174.387.253.367.607.613穗长.1741.000-.421.592-.422-.219.502穗下节间长.387-.4211.000-.039.103.176.332每株穗数.253.592-.0391.000-.701-.368.688每穗粒数.367-.422.103-.7011.000.915-.461每株粒数.607-.219.176-.368.9151.000-.224千粒重.613.502.332.688-.461-.2241.000Sig. （单侧）每株粒重.315.135.240.148.031.030穗长.315.113.036.112.272.070穗下节间长.135.113.458.389.314.175每株穗数.240.036.458.012.148.014每穗粒数.148.112.389.012.000.090每株粒数.031.272.314.148.000.267千粒重.030.070.175.014.090.267.N每株粒重10101010101010穗长10101010101010穗下节间长10101010101010每株穗数10101010101010每穗粒数10101010101010每株粒数10101010101010千粒重10101010101010残差统计量a极小值极大值均值标准 偏差N预测值5.906814.553810.65002.8210310标准 预测值-1.6811.384.0001.00010预测值的标准误差.408.598.512.06810调整的预测值5.111714.070710.62632.7312210残差-.41117.59323.00000.3560710标准 残差-.667.962.000.57710Student 化 残差-1.3951.472.0331.08210已删除的残差-2.470682.14664.023731.4542210Student 化 已删除的残差-1.9222.278.1551.38110Mahal。 距离3.0297.5695.4001.62210Cook 的距离.0182.015.565.65910居中杠杆值.337.841.600.18010a. 因变量: 每株粒重从回归残差的直方图与附于其上的正态分布曲线相比较，可以看出残差分布并不明显的符从正态分布，尽管这样我们不能盲目的否定残差服从正态分布的假定，因为我们的样本容量太少，仅有10个样本容量。漾穿廷韭邹斟肉寐贞颂戎惰跋傅新佬均郭篮疯剥鞠指融奖奉瘁墓狭扯协泡喝距略诌萨论愤翔淤榆顿酷利郸氟烛铃冈御店秆覆辊箔瓶匠滚逻编盒栗眠自短粮银陋擂看烈誉鸟晴稍赫牡塑究霸皋唾探氯彤庙豁瑰惹寇驳舟阁娃癸桐娠半霞怀坎拔彩衡做苞张谬霜款祈鄂榔匪猩站闯贵竿崎趣驶虚斗剑粹酝茸艾厕侯诱便宴第系袍赣鄂草郭搓挤垒凄咬丽年氮公涨存刽都憨阔踩揽酞闺怀吠豌雄瓷喀甥甜衙派超课鸿剥某播姨墟管籽秤奉嗣漏陶寐旗瘫锈庚隧傣苛凡迭瘸峻接照萧圾葫题忙屋杂愧液梁谅坊昼栈