Spss數(shù)據(jù)分析報(bào)告.doc

1、Spss 數(shù)據(jù)分析報(bào)告1 實(shí)驗(yàn)材料和原始數(shù)據(jù)1.1 引入本文主要利用SPSS通過(guò)對(duì) 3 個(gè)除汗劑品牌：妮維婭、AXE、多芬在兩個(gè)超市（沃爾瑪和家樂(lè)福）的價(jià)格、促銷(xiāo)，和AXE 的周銷(xiāo)售量數(shù)據(jù)，分析這兩個(gè)因素對(duì)AXE 周銷(xiāo)售量的影響，為AXE 這個(gè)除汗劑品牌設(shè)定一個(gè)恰當(dāng)?shù)哪Ｐ托问?。進(jìn)一步檢驗(yàn)?zāi)Ｐ椭惺欠翊嬖谧韵嚓P(guān)、異方差、共線性等問(wèn)題， 練習(xí)如何在 SPSS 中處理自相關(guān)、 異方差，進(jìn)一步完善模型， 檢驗(yàn)?zāi)Ｐ偷谋砻嫘Ф?，殘差圖，并最終計(jì)算模型的預(yù)測(cè)效度。1.2 AXE 案例1.2.1 三個(gè)品牌除汗劑的數(shù)據(jù)? 妮維婭? AXE? 多芬1.2.2 變量銷(xiāo)售量 (Sales)價(jià)格 (Price)只有擺臺(tái)

2、(Display-only)只有促銷(xiāo) (Feature-only)擺臺(tái)和促銷(xiāo)都有(Feature and Display)2 分析操作2.1 數(shù)據(jù)線性擬合對(duì)家樂(lè)福的AXE 數(shù)據(jù)進(jìn)行線性擬合，所得到的結(jié)果如下：對(duì)沃爾瑪?shù)臄?shù)據(jù)進(jìn)行線性擬合，所得到的結(jié)果如下：2.2 Pooling Test由于有兩個(gè)超市Carrefour和 Walmart 的 AXE 的數(shù)據(jù)，因此在分析之前要先用SPSS進(jìn)行Pooling Test 。Pooling Test 所用到的公式是通過(guò)這個(gè)公式計(jì)算出F 大小，然后通過(guò)在線網(wǎng)站計(jì)算出P 值大小，從而判定能否混合計(jì)算。2.2.1 OLS Pooling所得到的 P 值結(jié)果：結(jié)

3、論是： P0.0001 ，兩個(gè)超市的AXE 銷(xiāo)售數(shù)據(jù)不能混合。2.2.2 OLSDV Pooling結(jié)論是： P0.01，故 LNAXEPrice 和 AXEDISP不是自相關(guān)的。同理：Estimated correlation coefficient: 0.113 0.01，故 AXEFEA和 LNAXEPrice 是不自相關(guān)的。如何在 SPSS中如何補(bǔ)救自相關(guān):用逐步回歸或者刪除相關(guān)性較高的兩變量中其中一個(gè)。AXEFEA和 AXEDISP在 0.01 水平上顯著相關(guān)， 是自相關(guān)的。 用逐步回歸或者刪除相關(guān)性較高的兩變量中其中一個(gè)。顯然 AXEFEA、 AXEDISP均和 AXED+F 自相

4、關(guān)， LNAXEPrice 和 AXED+F 是不自相關(guān)的。2.4.2 處理異方差1. 執(zhí)行 OLS 得到估計(jì)的殘差。2.執(zhí)行 compute計(jì)算殘差的絕對(duì)值。用abs 函數(shù)。畫(huà)出散點(diǎn)圖，3. 采用加權(quán)最小二乘法 (WLS） ,可設(shè)置權(quán)數(shù)為 1/|e| 。做一個(gè)加權(quán)最小二乘法的回歸。然后畫(huà)殘差平方與 X 的散點(diǎn)圖，用圖表檢驗(yàn)。如果小于 0.05 則存在異方差。通常說(shuō)的異方差性就是(Var( i ) Var當(dāng) (i j時(shí)j) ) 。,經(jīng)濟(jì)現(xiàn)象是錯(cuò)綜復(fù)雜的,在建立經(jīng)濟(jì)問(wèn)題的回歸分析模型時(shí),經(jīng)常會(huì)出現(xiàn)某一因素或一些因素隨著解釋變量觀測(cè)值的變化而對(duì)被解釋變量產(chǎn)生不同的影響,導(dǎo)致隨機(jī)誤差項(xiàng)產(chǎn)生不同方差,

5、即異方差性。當(dāng)我們所研究的問(wèn)題存在異方差性時(shí) ,線性回歸模型的基本假定就被違反了。引起隨機(jī)誤差項(xiàng)產(chǎn)生異方差的原因很多,其中樣本數(shù)據(jù)為截面數(shù)據(jù)時(shí)較容易出現(xiàn)異方差性。而當(dāng)一個(gè)回歸問(wèn)題存在異方差性時(shí),如果仍用OLS 估計(jì)未知參數(shù) ,就會(huì)造成估計(jì)值不是最優(yōu)、參數(shù)的顯著性檢驗(yàn)失效、回歸方程的應(yīng)用效果極不理想等嚴(yán)重后果。同方差和異方差殘差圖上的區(qū)別：在 spss 上做出散點(diǎn)圖，如上圖所示，AXEFEA和 AXEDISP不存在異方差。同理可得， AXEFEA和 LNAXEPrice，LNAXEPrice 和 AXEDISP，AXEFEA、AXEDISP 和 AXED+F自相關(guān)， LNAXEPrice 和 A

6、XED+F 均不存在異方差。2.5 模型檢驗(yàn)2.5.1 表面效度表面效度不是真正的效度指標(biāo)，但它容易和內(nèi)容效度搞混。表面效度是外行對(duì)測(cè)驗(yàn)作表面上的檢查確定的，而內(nèi)容效度是專家對(duì)測(cè)驗(yàn)進(jìn)行詳盡的、系統(tǒng)的評(píng)價(jià)建立的。雖然兩者都是對(duì)測(cè)驗(yàn)內(nèi)容作出的主觀判斷，但判斷的標(biāo)準(zhǔn)不同。前者只考慮測(cè)驗(yàn)項(xiàng)目與測(cè)驗(yàn)?zāi)康闹g的明顯的、直接的關(guān)系，后者則同時(shí)考慮到測(cè)驗(yàn)項(xiàng)目與測(cè)驗(yàn)?zāi)康暮涂傮w內(nèi)容之間的邏輯的本質(zhì)的聯(lián)系。表面效度高的題目?jī)?nèi)容效度不一定高，表面效度低的項(xiàng)目?jī)?nèi)容效度也不一定低。2.5.2 因子分析2.6 討論2.6.1 如何更加精確的檢驗(yàn)是否存在異方差？1、戈德菲爾德 - 夸特 (Goldfeld-Quandt)檢驗(yàn)

7、： G-Q 檢驗(yàn)以 F 檢驗(yàn)為基礎(chǔ)，適用于樣本容量較大、異方差遞增或遞減的情況。G-Q檢驗(yàn)的思想：先按某一解釋變量(通常是可能引起異方差的解釋變量 )對(duì)樣本排序，再將排序后的樣本一分為二，對(duì)子樣和子樣 分別作回歸，然后利用兩個(gè)子樣的殘差平方和之比構(gòu)造統(tǒng)計(jì)量進(jìn)行異方差檢驗(yàn)。步驟：（ 1）將解釋變量排序，從中間去掉c=n/4 個(gè)觀測(cè)值（2）分成兩個(gè)部分，利用樣本1 和樣本 2 分別建立回歸模型（ 3）根據(jù)回歸求出各自殘差平方和 RSS1和 RSS2（ 4）在同方差假定下，構(gòu)造 F 統(tǒng)計(jì)量： F=(RSS2/V2)/(RSS1/V1)，與 F（V2， V1）進(jìn)行比較 ,若 F 值大于等于比較值則拒絕同方差假設(shè)，否則則不拒絕2.6.2 檢驗(yàn)出異方差之后我們改如何處理？1、 WLS（加權(quán)最小二乘估計(jì)）是一種特殊的廣義最小二乘估計(jì)，其思想就是對(duì)于誤差越大的關(guān)系額賦予更加大的權(quán)重?？梢缘玫疥P(guān)于GLS 的穩(wěn)健的統(tǒng)計(jì)量。 GLS 系數(shù)的解釋要回到原先的方程中去。如果分析的問(wèn)題不是個(gè)體的數(shù)據(jù)，而是一個(gè)組或者是一