SPSS数据分析第6-9章部分作业

1、64：矿工用力肺活量研究分析采用的方法：多因素方差分析或者单因素方差分析实验步骤：1. 在Analyze>General Linear>Univariate2. 将肺活量添加到“Dependent Variable“列表框中，将患病情况添加到 “ Fixed Factor”列表框中3. 3.在Options 中将“患病情况”添加到 “Display Means for” 选择 “Homogeneity tests” 点击“Continue”4. 在Contrasts中将“患病情况”添加到“Factors”在Contrast中选择 Simple然后再 change 最后选中Last

2、点击 Continue5. 在Post Hoc中将“患病情况”添加得到“Post Hoc Tests for”选中“LSD”和“S-N-K” 点击 Continue6. 在Model中选中“Full factorial“点击Continue 实验结果：表一：患病情况表表示方式患病情况人数1肺矽病患者102可疑患者93非患者10结果解释：将患病情况分成三组，1表示肺矽病患者，2表示可以患者，并且有一个数据缺失，3表示非患者。表二：方差齐次性检验表Fdf1df2相伴概率0.4082260.669结果解释：零假设：各水平下方差无显著差异，相伴概率大于0.05，表示接受零假设，即是各组之间无相互影响表

3、三：多因素方差分析表Source变异离差和dfMean SquareF检验相伴概率Corrected Model10.919a 25.4697.1030Intercept163.8121163.8122.91E+030患病情况10.91925.4697.1030Error1.462260.056Total177.0329Corrected Total12.38128结果解释：零假设：各水平下无显著差异。最后的相伴概率都为0，表示3组矿工的用力肺活量存在显著差异表四：LSD分析表(I) 患病情况(J) 患病情况Mean Difference (I-J)Std. Error相伴概率95% Conf

4、idence IntervalLower BoundUpper Bound肺矽病患者可疑患者-.5989*0.108950-0.8228-0.3749非患者-1.4700*0.106040-1.688-1.252可疑患者肺矽病患者.5989*0.1089500.37490.8228非患者-.8711*0.108950-1.0951-0.6472非患者肺矽病患者1.4700*0.1060401.2521.688可疑患者.8711*0.1089500.64721.0951结果解释：零假设：各水平下无显著差异。最后的相伴概率都为0，表示3组矿工的用力肺活量存在显著差异表五：S-N-K分析表123St

5、udent-Newman-Keulsa肺矽病患者101.69可疑患者92.2889非患者103.16Sig.111结果解释：零假设：各水平下无显著差异。多重比较最后的相伴概率都为1，表示3组矿工的用力肺活量存在显著差异6-5：高血压研究分析采用方式：协方差分析，和6-4同样的操作，只是将“入院治疗前的血压”添加作为协方差处理实验步骤：1. 在“Analyze”菜单的“General Linear Model”子菜单中选择“Univariate”命令。2. 2.在弹出的“Univariate”对话框中，把入院治疗后的血压添加到“Dependent Variable”

6、中，把组别添加到“Fixed Factor”，把入院治疗前的血压添加到“Covariate(s)”中。3. 接下来和6-4类似的操作，点击“OK”即可得出实验结果。表六：协方差分析表SourceType III Sum of SquaresdfMean SquareF检验相伴概率Corrected Model603.203a 3201.0680.8310.499Intercept2461.48412461.48410.1740.007入院治疗前的血压150.4251150.4250.6220.444组别551.5192275.7591.140.348Error3387.0751424

7、1.934Total31472518Corrected Total3990.27817结果解释：零假设：三种治疗方式对治疗结果无显著差异。协方差的F检验为0.622，相伴概率为0.444表示对观察结果造成了显著影响。不同治疗方式贡献的离差平方和为150.425，均方为275.759，对应的F值为1.14，相伴概率为0，拒绝零假设，说明不同治疗方法对结果造成了显著影响。第七章练习7-4：采用分析方式：二元定序变量的相关分析实验步骤：1. Analyze >Correlate>Bivariate 2. 选择“J1”“J2”“J3”“J4”“J5”“J6”“J7”“J8”>添加到V

8、ariables，点击OK实验结果：表一：裁判相似性测量表J1J2J3J4J5J6J7J8J1R1.913*.835*.872*.883*.744*.790*0.428Sig00.001000.0060.0020.166J2R.913*1.893*.962*.887*.871*.885*0.371Sig0000000.235J3R.835*.893*1.858*.880*.750*.820*0.48Sig0.0010000.0050.0010.114J4R.872*.962*.858*1.905*.829*.805*0.435Sig00000.0010.0020.157J5R.883*.887

9、*.880*.905*1.712*.776*0.417Sig00000.0090.0030.178J6R.744*.871*.750*.829*.712*1.807*0.398Sig0.00600.0050.0010.0090.0020.201J7R.790*.885*.820*.805*.776*.807*10.374Sig0.00200.0010.0020.0030.0020.231J8R0.4280.3710.480.4350.4170.3980.3741Sig0.1660.2350.1140.1570.1780.2010.231表一结果解释：第一个地区和第二个地区的裁判相关系数为0.9

10、13，第二个地区和第四个地区的裁判的相关系数为0.962，第四个地区和第五个地区的裁判的相关系数为0.905，它们的结果都大于0.90，所以这些地区的裁判非常相似，另外，第八个地区的裁判和前七个地区的裁判相关系数都要低一些，前七个地区的裁判更类似。7-5：采用分析方式：偏相关分析，剔除了其它因素的影响实验步骤：1. Analyze >Correlate>Partial2. 选择“v1”“v4”>添加到Variables>选择“v2”“v3”>添加到Controlling For3. Options >选择“Zero-order correlations” “

11、Exclude cases listwise”> 点击Continue >点击OK对于第二产业和第三产业做一样的分析，只在第二部稍做变化。实验结果：表二：第一产业和国民总收入的偏相关分析表Control Variables国民总收入第一产业剔除第二产业和第三第一产业偏相关系数1-0.592双侧检验的相伴概率.0.001自由度024国民总收入偏相关系数-0.5921双侧检验的相伴概率0.001.自由度240表二结果分析：零假设：两总体无显著的线性相关关系。由于双侧检验的相伴概率为0.001，则拒绝0假设，即是两总体存在显著的线性相关关系。偏相关系数为-0.592，表示第一产业和国民总

12、收入成负相关关系，且比较相关。由于偏相关分析结果的上半部分为变量两两之间的简单相关关系，所以，一下只分析下面的偏相关关系：表三：第二产业和国民总收入偏相关分析表Control Variables国民总收入第二产业剔除第一产业和第三产业国民总收入偏相关系数1.000-.357双侧检验的相伴概率.073自由度024第二产业偏相关系数-.3571.000双侧检验的相伴概率.073.自由度240表三结果分析：零假设：两总体无显著的线性相关关系。由于双侧检验的相伴概率为0.073，则接受0假设，即是两总体不存在显著的线性相关关系。偏相关系数为-0.357，表示第二产业和国民总收入成不相关。表四：第三产业

13、和国民总收入偏相关分析表Control Variables国民总收入第三产业剔除第一产业和第二产业国民总收入偏相关系数1.000.862双侧检验的相伴概率.000自由度024第三产业偏相关系数.8621.000双侧检验的相伴概率.000.自由度240表四结果分析：零假设：两总体无显著的线性相关关系。由于双侧检验的相伴概率为0.000，则拒绝0假设，即是两总体存在显著的线性相关关系。偏相关系数为0.862，表示第三产业和国民总收入成正相关关系且显著相关。习题八8-4:先对数据作散点图，由图形发现各点分布散乱，不能确定用何种函数进行拟合，于是决定对所有函数进行拟合，找出拟合效果最好的函数。软件操作

14、步骤：1. Analyze > Regression > Curve Estimation2. 选择y 添加到 Dependent 选择 x 添加到 Independent3. 选中所有的函数进行拟合优度测试4. 单击OK表一：相关统计量和参数值表函数R SquareFdf1df2Sig.Constantb1b2b3Linear0.0513302960.973937841180.33678174.3456110.295616Logarithmic0.0634225991.2189134351180.284115-1811.633316.48812Inverse0.074634978

15、1.4517834191180.2438452703.0528-324293.81Quadratic0.1841274721.9182941692170.177333-2946.85916.5702672-0.003205Cubic0.1943225062.0501271442170.1593568-2050.29983.61163960-1.14E-06Compound0.0689938421.3339215291180.2632115144.927871.000865Power0.0820987021.6099515661180.2206620.65566580.9084115S0.093

16、5178281.85698181180.18978076.7793411-915.78549Growth0.0689938421.3339215291180.26321154.97623620.0008646Exponential0.0689938421.3339215291180.2632115144.927870.0008646Logistic0.0689938421.3339215291180.26321150.00690.9991358解释：由上表可以知道所有函数的拟合优度R Square均小于0.5，相伴概率Sig.均大于0.05即是可以认为，自变量和因变量不满足任何一种函数关系。8

17、-5：由题意已知，可直接对函数进行逆函数拟合。软件操作步骤：1. Analyze > Regression > Curve Estimation 2. 选择y 添加到 Dependent 选择 x 添加到 Independent 3. 选中Inverse4. 单击OK表二：相关统计量和参数值表R SquareFdf1df2Sig.Constantb1Inverse0.72510.53814.031168.698605.604解释：逆函数零假设：自变量和因变量不存在逆函数关系。逆函数的判定系数为0.725，表示拟合优度中等。相伴概率等于0.031，小于0.05，表示拒绝零假设，说明逆

18、函数拟合方式合理，并且可以写出拟合函数。逆函数： 表三：拟合优度表RR SquareAdjusted R Square0.8510.7250.6560.4023解释：相关系数R为0.851，大于0.8，判定系数为0.725，说明拟合优度较好。表四：t检验表BStd. ErrorBetatSig.1 / x605.604186.556.8513.246.031(Constant)168.6985.38131.3500解释：常数系数和未知数系数的相伴概率都小于0.05，表示拒绝零假设，表示用逆函数拟合是合理的。8-7：由题意已知，要进行对数函数曲线和三次函数曲线拟合，所以可以直接进行拟合步骤，不必

19、进行散点图分析。软件操作步骤：1. Analyze > Regression > Curve Estimation 2. 选择y 添加到 Dependent 选择 x 添加到 Independent 3. 选中Logarithmic 和 Cubic4. 单击OK表五：相关统计量和参数值表判定系数Fdf1df2相伴概率常数系数b1b2b3对数函数0.80244.471110106.4971.591三次函数0.89124.422390104.451.507-0.1190.003解释：对数函数零假设：自变量和因变量不存在对数函数关系。三次函数零假设：自变量和因变量不存在三次函数关系。对数

20、函数的判定系数为0.802，是大于0.8的，表示拟合优度较高。三次函数的判定系数为0.891，比对数函数的值更接近1，拟合优度更好！两种拟合方式的相伴概率都等于0，表示拒绝零假设，说明两种拟合方式均合理，但是三次函数拟合方式更好。并且可以写出拟合函数。对数函数： 三次函数：表六：拟合优度表RR SquareAdjusted R SquareStd.Error of the Estimate0.9440.8910.8540.493解释：相关系数为0.944，判定系数为0.891均大于0.8，说明拟合优度非常好。为了检验三次函数拟合方式是否可用，对它们进行 t 检验，在最初的选择窗口选中“Disp

21、lay ANOVA table”进行单因素方差分析表七：方差分析表BStd. ErrorBetatsigx1.5070.3556.8204.2490.002x * 2-0.1190.0385-11.530-3.1190.012x * 30.0030.00155.5782.5340.032常数系数104.4500.8985116.2510解释：由相伴概率可知，回归方程显著有意义，三个自变量的系数显著不为零。9-4:20种塑料样品的有关特性采用方法：快速聚类分析（有点大材小用，但是并不影响结果。采用型聚类分析更好）实验步骤：1. Anaiyze > Classify > K-Means

22、 Cluster 将“tear_res”“gloss”“opacity”添加到Variables 将“品种”添加到 Lable Cases by 2. Number of Clusters 填写 33. 点击Options 选中“Initial cluster centers”“ANOVA tables”“Cluster information for each case” “Exclude cases listwise” 4. Iterate 分别填写10 和0 作为最大迭代次数和停止迭代的初始类中心距离 点击 “Continue”5. 点击Save 选中“Cluster membershi

23、p”“Distance from cluster center” 结果分析：表一：迭代表12310.7500.7921.33820.2130.54403000解释：迭代三次聚类分析就结束了表二：分类结果表品种ClusterDistance品种ClusterDistance110.4291130.777221.0891210.429331.3791311.183410.6321431.138531.3381511.263611.2331621.262730.731710.845810.9551820.506930.7451931.1641011.3232030.831解释：将这20个样品分成3类

24、，该样本离类中心点的距离都可以从表得知。表三：各样本之间的单因素方差分析结果表ClusterErrorFSig.Mean SquaredfMean Squaredftear_res0.01420.249170.0560.946gloss0.25720.269170.9570.404opacity31.29720.6831745.8230H0：各类样本之间无明显差异解释：这个表是快速聚类分析后形成的各类样本之间的单因素分析结果。由tear_res的相伴概率为0.946，大于0.05，所以接受零假设，认为对于tear_res特性各样本之间无明显差异，由gloss的相伴概率为0.404，大于0.05，所以接受零假设，认为对于gloss特性各样本之间无明显差异，由topacity的相伴概率为0，小于0.05，所以拒绝零假设，认为对于topacity特性各样本之间存在明显差异，所以，对于上述20种熟料样本应该是按照topacity特性的不同分成3类的。表四：样本数表特性样本tear_res1 4 6 8 10 12 13 15 17gloss2 16 18opacity3 5 7 9 11 14 19 20解释：1类样本有9种塑料，2类样本有3种塑料，3类样本有8种塑料，总共20种塑料样本。实验总结:对于上述20种塑料样本，tear_r