SPSS实验心得体会
在老师的指导下，用SPSS完成了实验四有关两变量相关性分析，偏相关分析，一元线性回归分析，一元线性回归分析四大实验内容。
首先打开数据文件“3-4身体素质”数据，点击“图形→旧对话框→散点图→简单分布”，把身高做为Y轴，体重做为X轴，拟合线选择线性，置信区间无。
得出散点图。从散点图可以明显看出，从身高和体重的散点图中可以看出身高和体重存在线性相关关系，可以进行线性相关分析。然后选择“分析”→“相关”→“双变量”命令，弹出“双变量相关”对话框。
选择进行相关分析的变量。在左侧选择“身高”和“体重”变量，将其添加到右侧的“变量”框中。设定显著性检验的类型。在“显著性检验”选项组中，选择“双尾检验”。选择相关统计量的输出和缺失值的处理方法。单击“双变量相关性”对话框中“选项”按钮，在“统计量”选项组中选中“均值和标准差”，也就是输出变量的均值和标准差，然后选中“叉积偏差和协方差”。
在分析出的描述性统计量表格中，参与相关分析三个变量的样本数各有213，身高均值为166.69，体重均值为56.49，性别均值为1.68。标准差分别为7.703，9.370，.469。
然后打开数据文件“3-4身体素质”，选择“分析”→“相关”→“偏相关”命令，弹出“偏相关”对话框。选择进行偏相关分析的变量和控制变量。在左侧选择“身高”和“体重”变量，将其添加到右侧的“变量”框中。然后选中“性别”将其移入“控制”变量列表。设置显著性检验的类型，选择“双尾检验”。选择是标记显著性相关。选择相关统计量的输出。单击“偏相关”中的“选项”按钮，选中“均值和标准差”以及“零阶相关系数”。
在分析出的描述性统计量表格中，参与偏相关分析的两个变量各有213个样本数据。身高、体重、性别的均值和标准差分别是166.69，56.49，1.68 和7.703，9.370，.469。从相关性表格中可以看出，不控制性别时身高和体重的相关系数为0.771，显著性水平为0.000，小于0.01。控制性别后身高和体重的相关系数为0.545，显著性水平也为0.000.所以身高和体重的相关关系为高度正相关。
接着打开数据文件“3-4身体素质”，选择“分析”→“回归”→“线性”命令，选择进行简单线性回归分析的变量。在左侧的列表框中选择“体重”变量，移入右侧的“因变量”框中。选中“身高”，并使其进入“自变量”列表框。单击“统计量”按钮，弹出“线性回归：统计量”，线性回归选项选择使用F的概率，选择默认值，使用均值替换。
模型汇总图中显示的是一元线性回归模型的拟合情况。相关系数R为0.771，反映的是自变量与因变量之间的密切程度，其值在0～1之间，越大越好。决定系数（判定系数）R2为0.594，调整的R2为0.592。可见，模型的拟合效果很理想。系数表中回归归方程的系数是各个变量在回归方程中的系数值，Sig值表示回归系数的显著性，越小越显著，一般将其与0.05进行比较，如果小于0.05，即为显著、有统计学意义。
本例中常数项对应的系数其t检验的Sig值为0.000，自变量总收入的t 检验的Sig值为0.000。都具有显著的统计意义。
得出线性回归方程：体重=-99.812（常量）+身高*0.938。
最后打开数据文件“3-4身体素质”，选择“分析”→“回归”→“线性”命令，选择进行简单线性回归分析的变量。在左侧的列表框中选择“体重”变量，移入右侧的“因变量”框中。选中“身高和性别”，并使其进入“自变量”列表框。单击“统计量”按钮，弹出“线性回归：统计量”，线性回归选项选择使用F的概率，选择默认值，使用均值替换。
模型汇总图中显示的是一元线性回归模型的拟合情况。相关系数R为0.793，反映的是自变量与因变量之间的密切程度，其值在0～1之间，越大越好。决定系数（判定系数）R2为0.629，调整的R2为0.626。可见，模型的拟合效果很理想。系数表中回归归方程的系数是各个变量在回归方程中的系数值，Sig值表示回归系数的显著性，越小越显著，一般将其与0.05进行比较，如果小于0.05，即为显著、有统计学意义。本例中常数项对应的系数其t检验的Sig值为
0.000，自变量总收入的t检验的Sig值为0.000。都具有显著的统计意义。得出体重线性回归方程=-50.745（常量）+身高*0.698+性别*（-5.435）。
这节课感觉得到了升华，了解的内容更多了，还需要好好消化一番，才能真正的来理解其中的深刻含义，实验过程中也遇到了很多问题，老师的速度还是有些快的，稍不留神，你就不知道讲到哪了，所以必须全身贯注，不能开小差，这种分析数据的应用也许在将来工作了也会用到，很庆幸自己学到了这方面的知识。