spss練習題及簡答

SPSS練習題及簡答

SPSS練習題

1、現(xiàn)有兩個SPSS數(shù)據(jù)文件，分別為“學(xué)生成績一”和“學(xué)生成績二”，

請將這兩份數(shù)據(jù)文件以學(xué)號為關(guān)鍵變量進行橫向合并，形成一個完整的數(shù)

據(jù)文件。先排序data---sortcases再合并data―mergefiles

2、有一份關(guān)于居民儲蓄調(diào)查的數(shù)據(jù)存儲在EXCEL中，請將該數(shù)據(jù)轉(zhuǎn)換

成SPSS數(shù)據(jù)文件，并在SPSS中指定其變量名標簽和變量值標簽。轉(zhuǎn)換

Data—transpose,輸題目

3、利用第2題的數(shù)據(jù)，將數(shù)據(jù)分成兩份文件，其中第一份文件存儲

常住地是“沿?；蛑行姆比A城市”且本次存款金額在1000-2000之間的調(diào)

查數(shù)據(jù)，第二份數(shù)據(jù)文件是按照簡單隨機抽樣所選取的70%的樣本數(shù)據(jù)。

選取數(shù)據(jù)data-selectcases

4、利用第2題數(shù)據(jù)，將其按常住地（升序）、收入水平（升序）存款

金額（降序）進行多重排序。排序data—sortcases一個一個選，力口

5、根據(jù)第1題的完整數(shù)據(jù)，對每個學(xué)生計算得優(yōu)課程數(shù)和得良課程

數(shù)，并按得優(yōu)課程數(shù)的降序排序。計算transform-count按個輸，把所有

課程選取，define設(shè)區(qū)間，再排序

6、根據(jù)第1題的完整數(shù)據(jù)，計算每個學(xué)生課程的平均分和標準差，

同時計算男生和女生各科成績的平均分。描述性統(tǒng)計，先轉(zhuǎn)換

Data—transpose學(xué)號放下面,全部課程（poli到his）放上面，ok,

analyze---descriptivestatistics---descriptives,全選，optionso先拆分

data—splitfile按性別拆分，analyze—descriptivestatistics---descriptives全選

所有課程options---mean

7、利用第2題數(shù)據(jù)，大致瀏覽存款金額的數(shù)據(jù)分布狀況，并選擇恰

當?shù)慕M限和組距進行組距分組。數(shù)據(jù)分組Transform-recode-下面一個，

輸名字，change,old,range,newvalue---add挨個輸，從小加到大，等距

8、在第2題的數(shù)據(jù)中，如果認為調(diào)查“今年的收入比去年增加”且

“預(yù)計未來一兩年收入仍會會增加”的人是對自己收入比較滿意和樂觀的

人，請利用SPSS的計數(shù)和數(shù)據(jù)篩選功能找到這些人。(計算

transform-count或)選取data---selectcases

9、利用第2題數(shù)據(jù)，采用頻數(shù)分析，分析被調(diào)查者的常住地、職業(yè)

和年齡分布特征，并繪制條形圖。Analyze---descriptive

statistics---frequencies

10、利用第2題數(shù)據(jù)，從數(shù)據(jù)的集中趨勢、離散程度和分布形狀等角

度，分析被調(diào)查者本次存款金額的基本特征，并與標準分布曲線進行對比,

進一步，對不同常住地住房存款金額的基本特征進行對比分析。AnDSd

Analyze---DescriptiveStatistics—Descriptives,選擇存款金額到Variable(s)中。

按Option,然后選擇

Mean,std.deviation,Minlmum,Variance,Maximum,Range,Kutosis,Skewness,Vari

able

list.然后按continue,ok

11、將第1題的數(shù)據(jù)看作來自總體的樣本，試分析男生和女生的課程

平均分是否存在顯著差異；試分析哪些課程的平均差異不顯著。

Transformcompute課程平均分=171620（）analyze->compare

means->ind叩endent-samplesT；選擇若干變量作為檢驗變量到test

variables框（課程平均分）；選擇代表不同總體的變量（sex）作為分組變

量到groupingvariable框；.定義分組變量的分組情況DefineGroups...：（填

1,2）o1.兩總體方差是否相等F檢驗：F的統(tǒng)計量的觀察值為0.257,對應(yīng)

的P值為0.614,；如果顯著性水平為0.05,由于概率P值大于0.05,兩種方式

的方差無顯著差異.看eaualvariancesassumend。2.兩總體均值的檢驗：.T

統(tǒng)計量的觀測值為-0.573,對應(yīng)的雙尾概率為0.569,T的P值＞顯著水平0.05,

故不能推翻原假設(shè),所以女生男生的課程平均分無顯著差異。

酉己對差異:analyze->comparemeans->paired-samples「“paired

variables框中每科與不同科目配對很麻煩略

12、某公司經(jīng)理宣稱他的雇員英語水平很高，如果按照英語六級考試

的話，一般平均得分為

75,現(xiàn)從雇員中隨機隨出11人參加考試，得分如下：80、81、72、

60、78、65、56、79、

77、87、76,請問該經(jīng)理的宣稱是否可信？

步驟：采用單樣本T檢驗（原假設(shè)H0:u=u0,總體均值與檢驗值之間不

存在顯著差異.）；菜單選項：Analyze->comparemeans->one-samplesT

test；指定檢驗值:在test后的框中輸入檢驗值（填75）,最后ok!分析：N=ll

人的平均值（mean）為73.7,標準差（std.deviation）為9.55,均值標準誤

差（stderrormean）為2.87.t統(tǒng)計量觀測值為-4.22,t統(tǒng)計量觀測值的雙尾概

率P-值（sig.（2-tailed））為0.668,六七列是總體均值與原假設(shè)值差的95%

的置信區(qū)間，為卜7.68,5.14),由此采用雙尾檢驗比較a和p。T統(tǒng)計量觀測值

的雙尾概率P-值(sig.(2-tailed))為0.668>a=0.05所以不能拒絕原假設(shè)；

且總體均值的95%的置信區(qū)間為(67.31,80.14),所以均值在67.31~80.14

內(nèi),75包括在置信區(qū)間內(nèi)，所以經(jīng)理的話是可信的。

13、利用促銷方式數(shù)據(jù)，試分析這三種推銷方式是否存在顯著差異,

繪制各組均值的對比圖，

并利用LSD方法進行多重比較檢驗。單因素方差分析對比圖為

options中的descriptives

LSD為post…中的P值大于a接受所以無關(guān)

14、已知240例心肌梗塞患者治療后24小時內(nèi)的死亡情況如表1所

示，問兩組病死亡率相

差是否顯著？(examplel.sav)(顯著性水平為5%)

表1：急性心肌梗塞患者治療后24小時生死情況

?提出假設(shè)

H0：是否接受治療的急性心肌梗塞患者的病死率相差不顯著

H1：是否接受治療的急性心肌梗塞患者的病死率相差顯著

?操作步驟：

1、打開數(shù)據(jù)文件：file—open—data—examplel.sav2、對count變量

進行weightcases處理：data-weightcases

選中weightcasesby；在Frequenciesvariable中力口入變量count。3、

對數(shù)據(jù)進行交叉匯總，如得出的下列頻次交叉表，如圖表3—1：用

descriptive-crosstab過程，column填status,row填group。在cell選項中，

選中percentages,以計算頻數(shù)百分比。

?統(tǒng)計表格及分析：

表3-1是否接受治療與生存狀況的相關(guān)性檢驗成果表(Chi-Square

Tests)

Asymp.Sig.

PearsonChi-SquareLinear-by-LinearAssociation有效個案數(shù)

Value6.040(b)6.015240

df11

(2-sided).014.014

表3—1是相關(guān)性卡方檢驗成果表。表中依次列出了Pearson卡方系數(shù)、

線性相關(guān)的值(Value)、自由度(df)和雙尾檢驗的顯著水平(Asymp.Sig.

(2-sided))o

表3-2顯示了根據(jù)是否使用單參注射液對急性心肌梗塞患者進行分

組后，患者的生存和死亡狀況頻數(shù)和所占總數(shù)的百分比。

表3-2急性心肌梗塞患者是否治療與生死情況的列聯(lián)表

分組(group))總數(shù)

用單參注射液

未用單參注射液

Count

%within分組(group)Count

%within?分組(group)Count

%within?分組(group)

狀況（status）

總數(shù)195100.0%45100.0%240100.0%

生存

18594.9%3884.4%22392.9%

死亡

105.1%715.6%177.1%

?結(jié)論：

根據(jù)表3—1可以看出，雙側(cè)檢驗的顯著性概論為0.014,小于顯著性

水平0.05；因此否定原假設(shè)，接受備擇假設(shè)，即兩組患者的完全緩解率之

間差別顯著。

15、已知數(shù)據(jù)如表2所示，比較單用甘磷酰芥（單純化療組）與復(fù)合

使用光霉素、環(huán)磷酰胺等藥（復(fù)合化療組）對淋巴系統(tǒng)腫瘤的療效，問兩

組患者的完全緩解率之間有無差別？（example2.sav）（顯著性水平為5%）

表2：兩化療組的緩解率比較

同上小于拒絕顯著

16、已知數(shù)據(jù)如表3所示，問我國南北方鼻咽癌患者（按籍貫分）的

病理組織學(xué)分類的構(gòu)成比有無差別？（example3.sav）（顯著性水平為5%）

同上小于拒絕顯著

表3：我國南北方鼻咽癌患者病理組織學(xué)分類構(gòu)成

17、已知97名被調(diào)查兒童體檢數(shù)據(jù)文件為child.sav,請分別計算男性、

女性與兩性合計的兒童的平均身高與體重、中位身高與體重以及身高與體

重的標準差。1、打開數(shù)據(jù)文件：file—open—'data—child.sav

2、均值比較與檢驗：Analyze—Comparemeans—means3^在

independentVar.中選性別，dependentVan中選體重和身高4、在option

子框中選擇median/mean/Std.Deviation

1、男性兒童的平均身高為109.962厘米；平均體重為18.202千克；

中位身高為109.10厘米；中位體重為17.50千克；身高的標準差為6.084

厘米；體重的標準差為2.786千克。2、女性兒童的平均身高為109.896

厘米；平均體重為18.389千克；中位身高為109.450厘米；中位體重為

17.750千克;身高的標準差為5.770厘米;體重的標準差為3.235千克。3、

兩性兒童的平均身高為109.930厘米；平均體重為18.292千克；中位身高

為109.250厘米；中位體重為17.605千克；身高的標準差為5.905厘米；

體重的標準差為2.995千克。

18、已知97名被調(diào)查兒童體檢數(shù)據(jù)文件為child.sav,請問兒童的身高

與體重是否分別受到性別與年齡的影響？（顯著性水平為5%）

?提出假設(shè)：

1、H0：身高與體重受到年齡的影響不顯著H1：身高與體重受到年

齡的影響顯著2、H0：身高與體重受到性別的影響不顯著H1：身高與

體重受到性別的影響顯著

?操作步驟：

1、打開數(shù)據(jù)文件：file—open—data—child.sav2、均值比較與檢驗：

analysis—comparemeans-means

3、在independentVar.中選性別和年齡，dependentVar.中選體重和

身高4、在option子框中選擇median/mean/Std.Deviation

在statisticforfirstlayer區(qū)域內(nèi)勾上ANOVAtableandeta復(fù)選框

?統(tǒng)計表格及分析：

表7—1體重、身高與年齡的方差分析表

Mean

體重(x4,kg)*年齡(age)

身高(x5,cm)*年齡(age)

BetweenGroupsWithinGroupsTotal

BetweenGroupsWithinGroupsTotal

SumofSquares

286.215565.918852.1331757.7071554.8553312.562

df2939529395

Square143.1076.085878.85316.719

F23.51852.567

Sig..000

.000

在表7—1中，分別列出了平方和(SumofSquares)、自由度(df)、

均方差(MeanSquare)、F值以及F值的顯著性水平(Sig.)。F對應(yīng)的概率

值P(sig)Va(a=0.05)；故拒絕原假設(shè)，接受備擇假設(shè)，即身高與體重

受到年齡的影響顯著。

表7—2體重、身高與性別的方差分析表

Square

體重(x4,kg)*性別(x2)

身高(x5,cm)*性別(x2)

BetweenGroupsWithinGroupsTotal

BetweenGroupsWithinGroupsTotal

1949519495

.8399.056.10535.239

.093.003

.762.956

在表7—2中，F(xiàn)對應(yīng)的概率值P（sig）>a（a=0.05）；故接受原假

設(shè)，即身高與體重受到性別的影響不顯著。

19、文件example.sav中列出了某學(xué)校四個年級同學(xué)接受專業(yè)訓(xùn)練前

后的鐵餅成績，問接受專業(yè)訓(xùn)練后同學(xué)們的鐵餅成績有無顯著提高？（顯

著性水平為5%）

統(tǒng)計表格及分析：

表8—1配對樣本的相關(guān)性分析表

H0：鐵餅（訓(xùn)練前）和鐵餅（訓(xùn)練后）的數(shù)據(jù)之間不存在線性關(guān)系

H1：鐵餅（訓(xùn)練前）和鐵餅（訓(xùn)練后）的數(shù)據(jù)之間存在線性關(guān)系

表8—1列出了配對樣本的個數(shù)（N）、相關(guān)系數(shù)（Correlation）、顯著

性概率（Sig.）o顯著性概率趨近于0,遠小于0.05,所以認為鐵餅（訓(xùn)練

前）和鐵餅（訓(xùn)練后）的數(shù)據(jù)之間存在線性關(guān)系。

表8—2配對樣本T檢驗的成果表

Sig.

Std.

Pair1

鐵餅（訓(xùn)練前）-鐵餅（訓(xùn)練后）

表8-2中為鐵餅（訓(xùn)練前）和鐵餅（訓(xùn)練后）的數(shù)據(jù)的T檢驗結(jié)果。

表中前4項分別

-.2417

.4323

.0882

-.4242

-.0591-2.739

23

.012

Mean

Deviation

PairedDifferences

Std.ErrorMean

95%ConfidenceIntervaloftheDifferenceLower

Upper

t

df

（2-tailed）

為配對樣本數(shù)據(jù)差異的均值（Mean）、標準離差（Std.Deviation）＞均

值的標準差（Std.Error

Mean）以及95%置信區(qū)間。后3項為t值（t）、自由度（df）和雙尾

顯著性概率表中雙尾顯著性概率為遠小

（Sig.（2-tailed））o0.012,

于0.05,故拒絕原假設(shè)，接受備擇假設(shè)，認為配對樣本之間有顯著差異，

即接受專業(yè)訓(xùn)練后同學(xué)們的鐵餅成績提高顯著。

?結(jié)論：

鐵餅（訓(xùn)練前）和鐵餅（訓(xùn)練后）的數(shù)據(jù)之間存在線性關(guān)系。且配

對樣本之間有顯著差異，即接受專業(yè)訓(xùn)練后同學(xué)們的鐵餅成績有顯著提高。

20、文件example.sav中列出了某學(xué)校四個年級同學(xué)的外語與中文成

績，問男女生總成績（英文+中文）之間有無顯著差異？（顯著性水平為

5%）做法：先計算出總成績，計算方法：Transform菜單欄下的Compute

Variable選項

總成績計算出來之后，選擇Analyze選項下CompareMeans選項下“兩

獨立樣本T檢驗”選項卡

將總成績放入TestVariable一欄中，性別放入GroupingVariable一欄中

并為其定義。點0k即可得出結(jié)果。

結(jié)果分析：方差齊次性，采用F檢驗，0.235,大于0.05,所以認為男

女生總成績兩樣本的的方差是沒有顯著性差異的；

校正t檢驗的顯著性水平Sig（2-tailed）為0.951,大于0.05,所以男

女生總成績之間沒有顯著性差異。

21、根據(jù)以往的資料，學(xué)生中文的平均成績?yōu)?0分。文件example.sav

中列出了某學(xué)校四個年級學(xué)生的中文成績，問學(xué)生中文成績有無顯著的下

降？（顯著性水平為5%）?提出假設(shè):

HO:U=50(U-50=0)；即學(xué)生中文成績無顯著的下降。

Hl:UW50(口-50W0)；即學(xué)生中文成績有顯著的下降。

?操作步驟：

1、打開數(shù)據(jù)文件：file—open—data—example.sav

2、單一樣本的均值檢驗：analysis—comparemeans—OneSampleT

Test

3、在testvalue中輸入80,在testVariable中選"中文

4、在options中輸入顯著性水平5%

?統(tǒng)計表格及分析：

中文表9—1數(shù)據(jù)統(tǒng)計量表

N24

Mean78.54Std.Deviation11.159Std.ErrorMean2.278

表9—1為單樣本數(shù)據(jù)的統(tǒng)計量表，列出了變量“中文”對應(yīng)的數(shù)據(jù)

個數(shù)(N)、均值(mean)、標準離差(Std.Deviation)、均值的標準差(Std.

ErrorMean)。

表9—2單樣本均值檢驗成果表

表9-2為單樣本均值檢驗的成果表。表中分別為t值(t)、自由度(df)

和雙尾顯著性概率(Sig.(2-tailed))均值差(MeanDifference)以及均值差

的95%置信區(qū)間。

表中的顯著性概率為0.528,遠大于0.05；因此，可以認為該樣本數(shù)

據(jù)的均值與總體均值之間沒有顯著差異。故接受原假設(shè)，即學(xué)生中文成績

無顯著的下降。

,結(jié)論：

樣本數(shù)據(jù)的均值與總體均值之間沒有顯著差異，即學(xué)生中文成績無顯

著的下降。

22、文件example.sav中列出了某學(xué)校四個年級同學(xué)的英文成績，問

學(xué)生英文成績是否受到年級因素的影響？（顯著性水平為5%）

HO：U1=U2=U3；即學(xué)生英文成績不受年紀影響。

H1：U1,口2、U3不完全相等；即學(xué)生英文成績受年紀影響。

?操作步驟：

1、打開數(shù)據(jù)文件：file—open-data-example.sav

2、單因方差分析檢驗：Analysis—CompareMeans—One-WayANOVA

3、在udependentlistn列表中輸入變量名"英語";在"factor”文

本框中輸入變量名“年

紀二

4、在options中輸入顯著性水平5%

?統(tǒng)計表格及分析：

表10—1數(shù)據(jù)方差分析表

Sumof

BetweenGroupsWithinGroupsTotal

Squares105.0002475.0002580.000

df32023

MeanSquare35.000123.750

F.283

Sig..837

表10—1中分別列出了方差來源、平方和(SumofSquares)、自由度

(df)、均方差(MeanSquare)、F值以及F值的顯著性水平(Sig.)o由于

表中的顯著性水平為0.837,遠大于0.05；

故接受原假設(shè)，即認為學(xué)生英文成績不受年級影響。

23、已知10名20歲男青年身高與臂長的數(shù)據(jù)，請計算其相關(guān)系數(shù)，

身高與臂長間存在顯著的相關(guān)關(guān)系嗎？(顯著性水平為5%)(example4.sav)

表4青年身高與臂長的數(shù)據(jù)

?提H0:身高與臂長間不存在顯著的相關(guān)關(guān)系。

H1:身高與臂長間存在顯著的相關(guān)關(guān)系。

?操作步驟：

1、打開數(shù)據(jù)文件：file—open—data—example4.sav2、相關(guān)性檢驗：

Correlation-Bivariate

3、選擇Pearson(積距相關(guān))；在option子框中選擇means/Sd.

?統(tǒng)計表格及分析：

表11-1描述統(tǒng)計量表Mean172.5045.40

Std.Deviation

10.3412.951

N1010

身高(cm)臂長(cm)

表11-1為描述統(tǒng)計量表。表中列出的統(tǒng)計量包括變量的均值(Mean)、

標準離差(Std.Deviation)和數(shù)據(jù)個數(shù)(N)。

表11—2相關(guān)分析成果表

身高(cm)

臂長(cm)

PearsonCorrelationSig.(1-tailed)N

PearsonCorrelationSig.(1-tailed)N

身高(cm)

110.823(**).00210

臂長(cm)

.823(**).00210110

**Correlationissignificantatthe0.01level(1-tailed)

表11—2為相關(guān)分析成果表，表中列出了2個變量之間的Pearson相

關(guān)系數(shù)、單側(cè)顯著

性檢驗概率和數(shù)據(jù)組數(shù)腳注內(nèi)容顯示相關(guān)分

(Sig.(1-tailed))(N)o

析結(jié)果在0.01的水平上顯著。另外，從表中可以看出，顯著性概率為0.002,

遠小于0.05,故拒絕原假設(shè)，接受備擇假設(shè)；可以認為身高和臂長的數(shù)據(jù)

有較強的相關(guān)性。

,結(jié)論：

根據(jù)相關(guān)性分析結(jié)果，可知身高與臂長間存在顯著的相關(guān)關(guān)系，其相

關(guān)系數(shù)為0.823,屬于強相關(guān)。

24、已知學(xué)生鐵餅與標槍的數(shù)據(jù)，請計算其相關(guān)系數(shù)？(example.sav)

?提出假設(shè)：

H0:學(xué)生鐵餅與標槍成績之間不存在顯著關(guān)系。

Hl:學(xué)生鐵餅與標槍成績之間存在顯著關(guān)系。

?操作步驟：

1＞打開數(shù)據(jù)文件：file—open—data—example.sav2^相關(guān)性檢驗：

Correlation-Bivariate

3、選擇Pearson(積距相關(guān))；在option子框中選擇means/Sd.

?統(tǒng)計表格及分析：

表12-1描述統(tǒng)計量表

表11-1為描述統(tǒng)計量表。表中列出的統(tǒng)計量包括變量的均值(Mean)、

標準離差(Std.Deviation)和數(shù)據(jù)個數(shù)(N)。

表12—2相關(guān)分析成果表

標槍(m)

鐵餅(訓(xùn)練前)

PearsonCorrelation

Sig.(1-tailed)

N

PearsonCorrelation

Sig.(1-tailed)

N

標槍(m)

124.644(**).00024

鐵餅(訓(xùn)練前)

.644(**).00024124

**Correlationissignificantatthe0.01level（1-tailed）.

表12—2為相關(guān)分析成果表，表中列出了2個變量之間的Pearson相

關(guān)系數(shù)、單側(cè)顯著性檢驗概率（Sig.（l-tailed））和數(shù)據(jù)組數(shù)（N）。腳注內(nèi)

容顯示相關(guān)分析結(jié)果在0.01的水平上顯著。另外，從表中可以看出，顯著

性概率趨近于0,故拒絕原假設(shè)，接受備擇假設(shè)，即學(xué)生鐵餅與標槍成績

之間存在顯著關(guān)系。

?結(jié)論：

學(xué)生的鐵餅與標槍的數(shù)據(jù)有較強的相關(guān)性，其相關(guān)系數(shù)為0.644。

25、已調(diào)查97名兒童的生長發(fā)育數(shù)據(jù)，其中有左眼視力（x9）、右眼

視力（xlO）,并已建立數(shù)據(jù)文件child.sav。試問左眼視力（x9）與右眼視

力（X10）間有無相關(guān)關(guān)系？（顯著性水平為5%）

?提出假設(shè)：

HO：U1-U2=0,即左眼視力與右眼視力間不存在顯著的相關(guān)關(guān)系。

Hl:Ul—U2W0,即左眼視力與右眼視力間存在顯著的相關(guān)關(guān)系。

?操作步驟：

1、打開數(shù)據(jù)文件：file—open—data—child.sav2^相關(guān)性檢驗：

Correlation-Bivariate

3、選擇Pearson（積距相關(guān)）；在option子框中選擇means/Sd.4、在

options中輸入顯著性水平5%

?統(tǒng)計表格及分析：

表13-1描述統(tǒng)計量表

Mean1.0391.033

Std.Deviation

,2946.2933

N9696

左眼視力(x9)右眼視力(xlO)

表13-1為描述統(tǒng)計量表。表中列出的統(tǒng)計量包括變量的均值(Mean)、

標準離差(Std.Deviation)和數(shù)據(jù)個數(shù)(N)。

表13—2相關(guān)分析成果表

PearsonCorrelationSig.(1-tailed)N

左眼視力(x9)

196

右眼視力(xlO)

.779(**).00096

左眼視力(x9)

右眼視力(xlO)

PearsonCorrelationSig.(1-tailed)N

.779(**).00096

196

**Correlationissignificantatthe0.01level(1-tailed).

表13—2為相關(guān)分析成果表，表中列出了2個變量之間的Pearson相

關(guān)系數(shù)、單側(cè)顯著性檢驗概率(Sig.(1-tailed))和數(shù)據(jù)組數(shù)(N)。腳注內(nèi)

容顯示相關(guān)分析結(jié)果在0.01的水平上顯著。另外，從表中可以看出，顯著

性概率趨近于0,遠小于0.05,故拒絕原假設(shè)，接受備擇假設(shè)；可以認為

兒童左眼視力與右眼視力有較強的相關(guān)性。

?結(jié)論：

兒童左眼視力與右眼視力有較強的相關(guān)性，其相關(guān)系數(shù)為0.779o

26＞某地29名13歲男童身高(xl,cm),體重(x2,kg)及肺活量

(y,L)的實測數(shù)據(jù)文件是：example5.savo試計算其簡單相關(guān)系數(shù)，當體

重(x2)被控制(即固定)時，計算身高(xl)與肺活量(y)的偏相關(guān)系

數(shù)r31.2,并作假設(shè)檢驗

?提出假設(shè)：

H0:身高與肺活量的偏相關(guān)系數(shù)與零無顯著差異。

H1:身高與肺活量的偏相關(guān)系數(shù)與零有顯著差異。

?操作步驟：

1、打開數(shù)據(jù)文件：file—open—data—example5.sav2、偏相關(guān)計算：

Analyze-Correlate-Partial

3、把參與分析的變量“身高"、“肺活量”選擇到Variables；將控制

變量"體重”選擇到Controllingforo

在option中的statistics中選擇Zero-orderCorrelations,表示輸出零階

偏相關(guān)系數(shù)。

?統(tǒng)計表格及分析：

表14-1偏相關(guān)因素的偏相關(guān)分析成果表

ControlVariables-none-(a)

CorrelationSignificance(2-tailed)df

身高(cm)

1.000.0

肺活量(L)

.588.00127

體重(kg)

.742.00027

身高(cm)

體重(kg)

肺活量(L)

體重(kg)

身高(cm)

肺活量(L)

CorrelationSignificance(2-tailed)df

CorrelationSignificance(2-tailed)df

CorrelationSignificance(2-tailed)df

CorrelationSignificance(2-tailed)df

.588.00127.742.000271.000.0.093.63926

1.000.0.736.00027.093.639261.000.0

.736.000271.000.0

aCellscontainzero-order(Pearson)correlations.

由上表可以知道一系列簡單相關(guān)系數(shù)和當體重被控制時、身高與肺活

量的偏相關(guān)系數(shù)。檢驗統(tǒng)計量的概率P值為0.639,大于給定的顯著性水

平0.05；故接受原假設(shè)，認為身高與肺活量的偏相關(guān)系數(shù)與零無顯著差異。

,結(jié)論：

1、男童身高與體重的簡單相關(guān)系數(shù)為0.742；肺活量與身高的簡單相

關(guān)系數(shù)為0.588；體重與肺活量的簡單相關(guān)系數(shù)為0.736o

2、身高與肺活量的偏相關(guān)系數(shù)為0.093,P=0.639。身高與肺活量的偏

相關(guān)系數(shù)與零無顯著差異，即身高與肺活量無顯著的的偏相關(guān)。

27、世界各國的統(tǒng)計數(shù)據(jù)表明：婦女生育率與人均國民生產(chǎn)總值之間

呈現(xiàn)出對數(shù)關(guān)系。請依據(jù)example6.sav中所提供的數(shù)據(jù)寫出其回歸方程與

多元相關(guān)系數(shù)，在顯著水平為5%時顯著嗎？[Analyze]->[Regression]—

[Linear]

28、文件example7.sav中列出了我國分地區(qū)家庭年人均食品支出、人

均收入與糧食單價的數(shù)據(jù)。請建立人均食品支出與人均收入間的一元線性

回歸方程，，同時建立人均食品支出與人均收入和糧食單價間的二元線性回

歸方程。

?操作步驟：

1、打開數(shù)據(jù)文件：file—open—data—example7.sav2、線性回歸：

Analyze-Regression-Linear

3、一元線性回歸方程：在dependent中輸入變量”人均食品支出”;

在independent中輸入變量”人均收入二

<Analyze>-<Correlate>-<Bivariate

4、二元線性回歸方程：在dependent中輸入變量“人均食品支出”;

在independent中輸入變量“人均收入”和“糧食單價二

?統(tǒng)計表格及分析:

表15-1相關(guān)系數(shù)矩陣

PearsonCorrelation

Sig.(1-tailed)N

人均食品支出

1.000.923..0003030

人均收入

.9231.000.000.3030

人均食品支出

人均收入人均食品支出人均收入

人均食品支出人均收入

?提出假設(shè)：

H0:人均食品支出和變量人均收入之間無顯著關(guān)系。H1:

人均食品支出和變量人均收入之間有顯著關(guān)系。

表15—1為相關(guān)系數(shù)矩陣。表中第二行為相關(guān)系數(shù)矩陣；第三行為不

相關(guān)的顯著性水平。變量人均食品支出和變量人均收入的相關(guān)系數(shù)為0.923,

說明兩者關(guān)系緊密。單尾顯著性檢驗的概率值趨近于0,所以拒絕兩變量

沒有相關(guān)性的假設(shè)，接受備擇假設(shè)，即人均食品支出和人均收入之間有顯

著關(guān)系。

表15—2數(shù)據(jù)方差分析表Sumof

Model1

RegressionResidualTotal

Squares878382.334152621.1321031003.467

df12829

MeanSquare878382.3345450.755

F161.149

Sig..000(a)

表15—2為方差分析表。利用該表作回歸系數(shù)的顯著性檢驗。表中列

出了回歸項(Regression)、殘差項(Residual)的平方和(SumofSquares)、

自由度(df)、均方(MeanSquare)F值和顯著性概率(Sig.)。由于表中的

顯著性概率趨近于0,小于0.05；所以拒絕原假設(shè)，即認為回歸系數(shù)不為

零，回歸方程是有意義的。

表15-3一元線性回歸方程系數(shù)表

Std.

Model1(Constant)人均收入

B-53.086

.422

Error67.963.033

.923

-.78112.694

.441.000

LowerBound-192.303

.354

UpperBound86.131.490

Zero-orderPartial

.923

.923

Part

.923

Tolerance

1.000

VIF

1.000

表15-3中列出了變量人均收入和常數(shù)項的非標準化系數(shù)

(UnstandardizedCoefficients),標準化系數(shù)(StandardizedCoefficients)、t

值、顯著性水平(Sig.)和自變量待定系數(shù)取值與常數(shù)項的95%置信區(qū)間。

自變量還列出了各種相關(guān)性指標和線性統(tǒng)計量。

表中變量人均收入的顯著性水平概率(sig.)趨近于0,所以變量的待

定系數(shù)取值(B)是可靠的。所以人均食品支出與人均收入間的一元線性

回歸方程：Y=-53.086+0.422X

?同上方法，可進行二元線性回歸方程計算。

表15-4二元線性回歸方程系數(shù)表

Unstandardized

Model1

(Constant)

Coefficients

Std.

B-85.196

,360187.621

Error63.90

3.04076.27

5

Beta

-1.333.787.213

9.0842.460

.194.000.021

StandardizedCoefficients

t

Sig.

95%ConfidenceIntervalforBLowerBound-216.314

.279

UpperBound45.922.442

Zero-orderPartial

.923.714

.868.428

Part

.608.165

Correlations

CollinearityStatisticsTolerance

.596.596

VIF

1.6781.678

人均收入糧食價格

31.117344.124

表中變量“人均收入”和“糧食價格”的顯著性水平概率(sig.)都小

于0.05,故認為其待定系數(shù)取值是可靠的。所以，人均食品支出與人均收

入和糧食單價間的二元線性回歸方程二元方程：

Y=-85.196+0.36X1+187.621X2

?結(jié)論：

1、人均食品支出與人均收入間的一元線性回歸方程:Y=-53.086+0.422X

2、人均食品支出與人均收入和糧食單價間的二元線性回歸方程二元

方程：

Y=-85.196+0.36X1+187.621X2

29、鉤蟲病復(fù)查陽性率y和治療次數(shù)X有如下關(guān)系：

表5：陽性率(y)和治療次數(shù)(x)

請用曲線估計法作多種曲線擬合，并請指出那種擬合效果最好？為什

么？(curvel.sav)[Analyze]->[Regression]->[CurveEstimation]

30、已知數(shù)據(jù)文件：hemoglo.savo試分別建立Ca、Mg、Fe、Mn與

Cu對hemogl的直線回歸方程，并列出直線回歸方程及其P值。注意方程

如何寫？

?操作步驟:

1、打開數(shù)據(jù)文件：file—open-data—hemoglo.sav

2、線性回歸分析：Analyze—Regression—Linear

3、在independent中依次輸入變量ca、Mg、Fe、Mn與Cu；在dependent

中輸入變量hemoglo

?統(tǒng)計表格及分析：

表16-1線性回歸方程系數(shù)表1

Unstandardized

Model1

(Constant)鈣(Ca)

Coefficients

Std.

B

Error

Beta

StandardizedCoefficients

t

Sig.

9.211.0222.643.044

.0973.486.508.002.616

表16—2線性回歸方程系數(shù)表2Unstandardized

Model1

(Constant)鎂(Mg)

Coefficients

Std.

B

Error

Beta

StandardizedCoefficients

t

Sig.

3.579.203

1.963.057

.569

1.8233.598

.079,001

表16—3線性回歸方程系數(shù)表3Unstandardized

Model1

(Constant)鐵(Fe)

Coefficients

Std.

B

Error

Beta

StandardizedCoefficients

t

Sig.

-.657.029

1.276.003

.863

-.5158.894

.611.000

表16—4線性回歸方程系數(shù)表4

Unstandardized

Model1

(Constant)?孟(Mn)

Coefficients

Std.

B

Error

StandardizedCoefficients

Beta

t

Sig.

11.158-50.364.52528.441

-.32321.257-1.771.000.088

表16—5線性回歸方程系數(shù)表5Unstandardized

Model1

(Constant)銅(Cu)

Coefficients

Std.

B

Error

Beta

StandardizedCoefficients

t

Sig.

8.2502.073

1.7641.558

.248

4.6761.331

.000,194

以上分別為Ca、Mg、Fe、Mn與Cu對hemogl的直線回歸方程系數(shù)

表。列出了變量人均收入和常數(shù)項的非標準化系數(shù)(Unstandardized

Coefficients),標準化系數(shù)(StandardizedCoefficients)>t值、顯著性水平

(Sig.)和自變量待定系數(shù)取值與常數(shù)項的95%置信區(qū)間。自變量還列出了

各種相關(guān)性指標和線性統(tǒng)計量。

根據(jù)以上數(shù)據(jù)可以求出Ca、Mg、Fe、Mn與Cu對hemogl的直線回

歸方程。

,結(jié)論：

31、對數(shù)據(jù)文件：hemoglo.savo進一步調(diào)用逐步回歸法(Stepwise)、

強迫剔除法(Remove)、向后逐步回歸法(Backward)與向前逐步回歸法

(Forward)建立Ca、Mg、Fe、Mn與Cu對hemogl的多元線性回歸方程。

?題目分析：

題目中要求用不同的回歸方法，建立不同變量之間的多元線性回歸方

程，顯然需要進行回歸分析。特別要注意不同的回歸發(fā)法的各自的剔除變

量的要求。

?操作步驟：

1、打開數(shù)據(jù)文件：file—open—data—hemoglo.sav

2、線性回歸分析：Analyze—Regression—Linear

用enter強行進入做事前分析。

表17—1系數(shù)表

UnstandardizedCoefficients

Model1

(Constant)鈣(Ca)鎂(Mg)鐵(Fe)

錦(Mn)銅(Cu)

B1.380-.069.028.028-16.5771.715

Std.Error

1.549.028.053.00416.4141.143

StandardizedCoefficients

Beta

-.304.079.821-,106.205

t.890-2.500.5346.730-1.0101.501

Sig.

.382.020.599.000.323.147

由表17—1可知，除了Ca和Fe外的變量的回歸系數(shù)顯著性t檢驗的

概率P值都大于顯著性水平0.05。因此接受原假設(shè)，即這些變量與血紅蛋

白無顯著的線性關(guān)系，不應(yīng)引入方程，可剔除這些變量，僅保留Ca和Fe

變量。

3、逐步回歸法(Stepwise)：逐步回歸法是對向前逐步回歸法的改進，

它既有引入變量，

也有剔除變量。

?統(tǒng)計表格及分析：

表17—2變量輸入輸出表由17—117—2。

表17—3系數(shù)分析表(逐步回歸法)

UnstandardizedCoefficients

Model1

(Constant)鐵(Fe)

StandardizedCoefficients

Beta

.863

t-,5158.894

Sig..611.000

B-.657.029

Std.Error1.276.003

由上表可得出Fe對hemogl的線性方程為Y=-0.657+0.029X4、強迫

剔除法(Remove)：剔除所有變量。5、向后逐步回歸法(Backward)：

?統(tǒng)計表格及分析：

表”-4變量輸入輸出表

Model1

VariablesEntered鐵(Fe),銅(Cu),鎬(Mn),鈣(Ca),鎂(Mg)

2