spss課程作業(yè)機(jī)試題要點(diǎn)

整慚酋意度票務(wù)僧息狼…■訂黑便利整慚酋意度票務(wù)僧息狼…■訂黑便利性安檢^竟前臺咨詢服務(wù)無無無無{1菲當(dāng)不満億非常不滿…{1,非常不満{1?菲常不滿數(shù)值㈣數(shù)值㈣數(shù)值(N)數(shù)值㈣數(shù)值個)11111非常不滿…無第二部分機(jī)試題題目：試對重慶交通運(yùn)輸集團(tuán)汽車客運(yùn)站總站客運(yùn)服務(wù)質(zhì)量進(jìn)行總體滿意度的影響因素分析，要求找出關(guān)鍵影響因素，并說處理打開軟件變量視圖頁面，如圖1所示0整體満意度0票務(wù)信息孩知性0訂票便利性00前自咨詢服務(wù)圖1.變量視圖部分截圖由圖中可以看出，變量5-36是顯示為無缺失值，即表中最后一列“無”所通過SPSS軟件對數(shù)據(jù)進(jìn)行簡單的描述統(tǒng)計(jì)分析之后，得部分結(jié)果如圖2所整體滿意整體滿意底索務(wù)信息我知性訂票便利性安檜服務(wù)前臺咅詢股務(wù)引導(dǎo)標(biāo)志颶椅湍麼與空氣狀差743.814.755.9218408981.1221021極小值22211711N1931991972011992002001964.174.144.244114.133.963.583.B03334434455555555圖2.描述統(tǒng)計(jì)量部分結(jié)果由圖中第二列可以看出，大多是NV201,表明這些變量是存在缺失值的，但是由于未給Spss中主要提供了三種方式處理缺失值，這里采用ReplaceMissingAnalysis過程。此處為了提高其后問題的分析精度，采用平均值代替缺失值。具體操作過程如圖3所示。￡性別勝別：-￡性別勝別：-職職艷]/月收入月收入]護(hù)整體嗾知性L-&訂票便利性 [訂票農(nóng)安檢服務(wù)閔檢服務(wù)]拚前臺咨詢肥務(wù)前一少弓導(dǎo)標(biāo)志[引導(dǎo)標(biāo)志]令座椅腔椅]/溫度與空氣[溫度…夕衛(wèi)生間任生間]便利性—仁SMEAN(訂票便和安檢服務(wù)1二SME.AN康檢服務(wù))**名稱和方法*盤助L盤助L__丿\_________________________\_________________________圖3缺失值替代對話框其輸出結(jié)果如圖4所示。結(jié)果孌凰結(jié)果孌凰非缺失値的個案散第一個11111111礙后?傘201201201201201201201201有做個案垃201201201201201201201201創(chuàng)建圍豹SMEAN(*^ft滿意90SMEAN(票務(wù)信息茂知性)SMEAN(iTSF便利性)SMEAN(Jc|噩務(wù))SMEANf前臺杏詢宦務(wù))SMEAN^I^r拆志)SMEAN(l-h-SMEANL^H結(jié)果變錄幣體滿總度-1票務(wù)信息扶知訂票便flf1_1安檢前臺店阿朋務(wù)_1引導(dǎo)林志J座椅j」械替檢的缺失值數(shù)82402151234567g圖4缺失值替代部分結(jié)果由圖4中第三列可以看出，整體滿意度一欄中缺失值被替換的個數(shù)為8個,票務(wù)信息獲知性缺失值被替換2個。此步驟后，可得到完整的問卷調(diào)查數(shù)據(jù)，為后續(xù)滿意程度的影響因素分析提供了數(shù)據(jù)基礎(chǔ)。9代表的為“缺失：未填的數(shù)據(jù)”，如圖5所示圖5年齡值設(shè)置0但是，數(shù)據(jù)視圖顯示，年齡和性別、職業(yè)、月收入一樣，缺失值均是用0值代替的，如圖6所示，此處將年齡的缺失值設(shè)置更正為0值。職業(yè)職業(yè)3000507352503602331231110222120224304431445圖6部分?jǐn)?shù)據(jù)視圖2.數(shù)據(jù)分析2.1因子分析因子分析法是將現(xiàn)實(shí)生活中眾多相關(guān)、重疊的信息進(jìn)行合并和綜合，將原始的多個變量和指標(biāo)變成較少的幾個綜合變量和綜合指標(biāo)，以利于分析判定。由于調(diào)查問卷中含有31個問題，分析研究問題之間的相關(guān)性，可采用因子分析法在因子。因子分析法在spss中實(shí)現(xiàn)步驟如下：擇菜單欄中的【分析】一【降維】一【因子分析】命令，其對話框如圖7所示。孌量世)孌量世)：爐SMEATJ(票務(wù)営息…dSMEAN(訂票便利…農(nóng)SMEAN(安檢服埶@ShlEAN〔前臺咨詢…$帥EAN(引導(dǎo)標(biāo)志…kSMEAN^JB-$鄒lEAM溫度與空..送擇孌量&)：也因孑分析&性別勝別]矣鈿庫齡]&：■職業(yè)職業(yè)]易月收入廬收入]/整體滿意度屋體…少票務(wù)信息荻知性[…〃訂票便利性[訂票..爐安檢服務(wù)安檢服…少前臺咨詢服務(wù)前一夕弓導(dǎo)標(biāo)志[引導(dǎo)標(biāo)亠爐座椅座荷]描描述抽慰電旋轉(zhuǎn)①二律分⑤…取消圖7因子分析對話框在【抽取】一欄中固定選擇公因子的個數(shù)，為7個，為了使原有31個變量的大部分信息一欄中勾選【保存為變量】，即表示采用回歸法計(jì)算因子得分并保持在原文件中；勾選【顯示因子得分系數(shù)矩陣】，表示輸出因子得分系數(shù)矩陣。在【選項(xiàng)】一欄中勾選【按大小排序】，即將載荷系數(shù)按其大小排列構(gòu)成矩陣。因子分析法的輸出結(jié)果及分析包括以下幾個部分。 (1)指標(biāo)效度檢驗(yàn)效度分內(nèi)容效度準(zhǔn)確效度和架構(gòu)效度，大部分研究主要對架構(gòu)效度進(jìn)行檢驗(yàn)架構(gòu)效度主要是用來檢驗(yàn)量表是否可以真正度量出所要的度量結(jié)果，常常采用探索性因子分析對問卷的架構(gòu)效度進(jìn)行檢驗(yàn)。本次采用spss軟件得出效度檢驗(yàn)指標(biāo)KMO適當(dāng)性檢驗(yàn)值，本文KMO值為0.958,結(jié)果如圖8所示。表示問卷的效度較好，可以采用因子分析法進(jìn)行分KMO^tlBartlett的檢翱」」KaiserMeyer-OIkin:Bartlett的球形腹瞬粧似卡方dfSig.95B5334863465.000圖8KMO檢驗(yàn)值 (2)因子分析的共同度軟件輸出了公因子方差表格，即表示了因子分析的共同度，顯示了所有變量的共同度數(shù)據(jù)F信盛我知性信盛我知性)SMEANfiJ票便利性)SMEAN(安總股務(wù))SMEAN^O臺咅詢膽務(wù)]酗EAN(引導(dǎo)拉胡帥EAN(摩椅)SMEAN懾懂與空氣)SMEAN(衛(wèi)生間)SMEAN儼車筆咖SMEAN(自助設(shè)闿SMEAN(ft用水服節(jié))SMEAN佬弱嗣嘲6務(wù))SMEAN(fe車信息告知)SNIEAN(n包奇存及托因SMEAN(網(wǎng)絡(luò)及通佶般務(wù)】SMEAN(?務(wù)辦處服知SMEAN(Wrt!m)SMEAN(周邊旅游用訊)SMEANCH^Mta?*)SMEAN強(qiáng)票卿0SMEAN(進(jìn)出站引導(dǎo))SMEAN(中轉(zhuǎn)換乗信息引初始10001.0001.0001000100010C01.0001.0001.000100010001.0001.0001.000100010001.0001.0001.000100010001000提取.717.715.690.747689.706.728.709.725718.767.720.707.75073279680Q.821.804.72471980Q圖9部分因子分析的共同度如圖11中第二列所示，表示了按指定條件提取特征根時的共同度。由此可以看出，絕對多數(shù)變量70%以上的信息可被因子解釋，這些變量信息丟失較少 (3)因子分析的總方差解釋其中顯示了斛斛釋的恿方養(yǎng)fGE挺轉(zhuǎn)平方柑ft人靈相耶方養(yǎng)的%靈相％方養(yǎng)的%鼠相％17.4271.5191.227.96B.829.767.6692.07079.58517.4271.5191.227.968.B29767.669.642.62556,21561.11065.069BB.19370.86673.34077.57015.33220.73441.35553.1ao63.86371.33675.49956215B1.11D65.06969.1937186673.3407549915.33213.40212.62111.82510.6837.4734.16356.2154.09539593.12426732.4752.15956.2154.99539593.12426732.4752.1594.7534.1553.9123.6663.3122.3171.2912356992.015圖10因子分析的總方差解釋由圖12中可以看出，由于抽取時限定了提取公因子的個數(shù)，即特征值大小排在前7個的主成分為初始因子，其解釋了數(shù)據(jù)中總方差的75.499%,能概括和解釋原有數(shù)據(jù)31個變量 (4)旋轉(zhuǎn)后的因子載荷矩陣由于本次研究僅選取一個因子就能解釋原有數(shù)據(jù)的大部分信息，因此，此處原因子載荷矩陣也能清晰的表示因子的得分大小順序，不需再將其旋轉(zhuǎn)。因子載荷矩陣如表1所示。表1旋轉(zhuǎn)后的因子矩陣成份成份1234567SMEAN(票務(wù)信息獲知性)6358106SMEAN(訂票便利性)2603223SMEAN(安檢服務(wù))5513062SMEAN(前臺咨詢服務(wù))3737708SMEAN(引導(dǎo)標(biāo)志)3176528SMEAN(座椅)1717118SMEAN(溫度與空氣)59190SMEAN(衛(wèi)生間)3228054SMEAN(候車室秩序)8098492SMEAN(自助設(shè)施)1227636SMEAN(飲用水服務(wù))80339660741854SMEAN(老弱病殘服務(wù))續(xù)表1SMEANSMEAN(候車信息告知)SMEAN(行包寄存及托運(yùn))SMEAN(網(wǎng)絡(luò)及通信服務(wù))SMEAN(商務(wù)辦公服務(wù))SMEAN(餐飲購物)SMEAN(周邊旅游資訊)SMEAN(班次延誤服務(wù))SMEAN(檢票速度)SMEAN(進(jìn)出站弓1導(dǎo))SMEAN(中轉(zhuǎn)換乘信息引導(dǎo))SMEAN(進(jìn)出站秩序)SMEAN(發(fā)車正點(diǎn)性)SMEAN(到達(dá)正點(diǎn)性)SMEAN(途中服務(wù))SMEAN(行車安全)SMEAN(班車整潔)SMEAN(員工服務(wù)態(tài)度)SMEAN(員工服務(wù)意識)SMEAN(員工服務(wù)技能)987386363757890.162227448364552467954360065823414815731727388829697773238372413051227710584764632375646742772337777217717942156438564773由表1可知，選取的第一個公因子在候車信息告知、行包托運(yùn)和寄存等6個指標(biāo)上有較大的載荷系數(shù)，因此，根據(jù)表1可以得到7個公因子別反映的內(nèi)容，將其分別命名，及車站周邊服務(wù)、員工服務(wù)、候車設(shè)施及環(huán)境、買票及站內(nèi)咨詢服務(wù)、乘車途中服務(wù)、進(jìn)出站設(shè)施及服務(wù)和班次延誤服務(wù)7項(xiàng)。表2公因子及其包含變量合合并的變量候車信息告知、行包奇存及托運(yùn)、網(wǎng)絡(luò)及通信服務(wù)、商務(wù)辦公服務(wù)、餐飲購物服務(wù)、周邊旅游咨詢員工服務(wù)態(tài)度、員工服務(wù)意識、員工服務(wù)技能助設(shè)施、飲用水服務(wù)、老弱病殘服務(wù)詢服務(wù)、引導(dǎo)標(biāo)志發(fā)車正點(diǎn)性、至V達(dá)正點(diǎn)性、途中服務(wù)、行車安全、班車整潔站秩序班次延誤服務(wù)公因子變量車站周邊服務(wù)員工服務(wù)候車設(shè)施及環(huán)境買票及站內(nèi)咨詢服務(wù)乘車途中服務(wù)進(jìn)出站設(shè)施及服務(wù)班次延誤服務(wù)公因子編號1234567 (5)因子得分系數(shù)矩陣如圖11所示，第二列為因子值系數(shù)的回歸值。因子值系數(shù)乘以對應(yīng)變量的標(biāo)準(zhǔn)化值就為加夠)曙分弧數(shù)坦陣辰怕辰怕1234561rSMEAN(^：^f-.124-.105328-.107315.065SMEAN(i]^利也^.017-.170.495-.133^.037SMEAN恢檢盟盼-OfiO-.176-031.226.299-.025-1S6SMEAN(RJ臺咅詢股務(wù)).Q460983D2-.138-221-.022SIWEAN(引導(dǎo)札:麗-.076-.072.061254仙3-.075.129SMEAN(^W)-.055-.019a日-072-D28-.187.024.102-.097.230145.105-.290-.398-.138-.005.451-一1-.213.061.204SlWEAN(i^車室勵-.159.299-.015.171.083-.066SMEAN(自助謖施)-D20-.020.192-115-D50207-.059.084.168^.212-.148.357.000.015.192.150-.031-.178-.045-.056圖11部分因子得分系數(shù)矩陣2.1回歸分析因子分析法提出的7個因子均有可能影響客運(yùn)站乘客的整體滿意程度，因此，可以建立回歸分析中的變量篩選問題。其步驟為選擇【分圖12回歸分析對話框逐步回歸法的輸出結(jié)果包括4部分，輸出結(jié)果及分析結(jié)論如下。(1)逐步回歸法過程由表3可以看出輸入、輸出的變量順序，顯示了進(jìn)行逐步回歸法的過程?？梢钥闯?，根據(jù)影響的顯著性，按照X3-X4-X2-X6-X5-X1-X7的順序分別將變量輸入模型中，共建立了7個模型。第一個模型僅包含候車設(shè)施及環(huán)境一個自變量，第二個模型包含了候車設(shè)施及環(huán)境和買票及站內(nèi)咨詢服務(wù)兩個自變量，由此可知，第7個模型包含了所有的7個自變量。表3輸入/移去的變量方方法步進(jìn)(準(zhǔn)則:F-to-enter的概率<=.050，F(xiàn)-to-remove的概率>=.100)。步進(jìn)(準(zhǔn)則:F-to-enter的概率<=.050，F(xiàn)-to-remove的概率>=.100)。步進(jìn)(準(zhǔn)則:F-to-enter的概率<=.050，F(xiàn)-to-remove的概率>=.100)。步進(jìn)(準(zhǔn)則:F-to-enter的概率<=.050，F(xiàn)-to-remove的概率>=.100)。步進(jìn)(準(zhǔn)則:F-to-enter的概率<=.050，F(xiàn)-to-remove的概率>=.100)。步進(jìn)(準(zhǔn)則:F-to-enter的概率<=.050，F(xiàn)-to-remove的概率>=.100)。步進(jìn)(準(zhǔn)則:F-to-enter的概率<=.050，F(xiàn)-to-remove的概率>=.100)。輸入的變量候車設(shè)施及環(huán)境X3買票及站內(nèi)咨詢服務(wù)X4員工服務(wù)X2進(jìn)出站設(shè)施及服務(wù)X6乘車途中服務(wù)X5車站周邊服務(wù)X1班次延誤服務(wù)X7模型1234567移去的變量圖14方差分析表(2)模型匯總表模型匯總表如圖13所示，即對上述7個方程擬合情況的描述。由表可知,第7個模型的擬合效果最好，其自變量所能解釋的方差在總方差中所占的百分比為72.1%,R方值為0.520,值在7個模型中最大，說明此模型擬合效果最好，但其值偏低，說明變量的整體滿意度還可受其他因素的影響。傾型匸總1234551(3)方差分析表R.574h.625°658d.687*705*721sR.134.330.433謂整R方.160.323.421.472458.497401,520.503圖13模型匯總表柘淮估計(jì)的溟差.663.603.576557539528.5171234561總計(jì)總計(jì)總計(jì)總計(jì)總計(jì)總計(jì)總計(jì)Ailova319.78587.573107.35B35.39571.973107.35841.956165.400107.35B4645160.907107.35850.67056.68S107.35E53.35754001107.35855.83451.524107.35Bdf1199200219S20031972004196200519520061942001193200均方19785.44017.692.36313.986.33211.613.31110/134.2918.893.2797.976.267F44.9594857342.12937.37034.36031.9+829.878Sig..000b000c.000**.000*,000fooo0.000h方差分析表主要用于分析整體模型的顯著性，由圖14可以看出，上述7個模型方差分析結(jié)果的概率P值均小于顯著性水平0.05,說明變量對整體滿意度的影響比較顯著。 (4)回歸系數(shù)表55 (常勒4.171038109.675000候車設(shè)輙環(huán)境X3.315038.4298.250.000買票及站內(nèi)咨詢團(tuán)務(wù)X4.279.038J817.326.000伺工眼務(wù)X2J81.038,2474.755.000進(jìn)出站訐施及肥務(wù)X6150.038.2053.931.000乘軍趨中屋務(wù).1450381983.810.Q006 (常期4.171037112.082.000候車設(shè)施及環(huán)境X3.31503742SB.431.000買票及站內(nèi)咨詢眼務(wù)X4.279.037.3817486.000員工眼務(wù)炬.181.037.2474.S59.000進(jìn)出站沽宛及服訃150.037.2054.018.000兼車逾中屈務(wù)X行.145037.1983.893.000年站周也般務(wù)刈.116037.1583.107.00274J71036114.449.000J15.037.4298.609.000買票及站內(nèi)咅詢腥齊X4.27S.037.3817.644.000負(fù)工殷務(wù)X2.181037.2474.962.000謹(jǐn)出站設(shè)趙服務(wù)朋.150037.2054.102ODO集草縫中圍務(wù)X5.145037.1983.975.000車站周邊脛務(wù)XFJ16.037,1583J73.002班次iJi吳服務(wù)X7.111.0371523.046.003圖15部分回歸系數(shù)表由圖15所示，可以看出模型5、模型6和模型7的回歸模型常數(shù)項(xiàng)、回歸系數(shù)的估計(jì)值和檢驗(yàn)的結(jié)果。由此前所述，模型7的擬合效果最好，分析摸型7各變量的影響系數(shù)可以看出，候車設(shè)施及環(huán)境的影響系數(shù)為