下载文档原格式
spss分析实验报告SPSS分析实验报告引言在社会科学研究领域，SPSS（Statistical Package for the Social Sciences）作为一种数据分析工具，被广泛应用于统计分析和数据挖掘。
本实验报告旨在通过SPSS软件对某项研究进行数据分析，探索其背后的数据模式和相关关系。
一、研究背景与目的本次研究旨在探究大学生的学习成绩与睡眠时间之间的关系。
学习成绩和睡眠时间是大学生日常生活中两个重要的方面，通过分析两者之间的关联，可以为学生提供科学的学习指导，提高学习效果。
二、研究设计与数据收集本研究采用问卷调查的方式，通过随机抽样的方法选取了500名大学生作为研究对象。
问卷内容包括学生的学习成绩和每日平均睡眠时间。
收集到的数据以Excel表格的形式整理并导入SPSS软件进行分析。
三、数据预处理在进行数据分析之前，需要对数据进行预处理。
首先，检查数据是否存在缺失值或异常值。
通过SPSS软件的数据清洗功能，将缺失值进行填补或删除，确保数据的完整性和准确性。
其次，对数据进行标准化处理，以消除不同变量之间的量纲差异。
四、描述性统计分析描述性统计分析是对数据的基本特征进行总结和描述。
通过SPSS软件的统计功能，可以计算出学生的学习成绩和睡眠时间的平均值、标准差、最大值、最小值等统计指标。
同时，可以绘制直方图、箱线图等图表来展示数据的分布情况。
五、相关性分析相关性分析是研究不同变量之间相关关系的一种方法。
本研究中，我们使用Pearson相关系数来衡量学习成绩和睡眠时间之间的线性相关性。
通过SPSS软件的相关性分析功能，可以得到相关系数的数值和显著性水平。
如果相关系数接近于1或-1，并且显著性水平小于0.05，则说明学习成绩和睡眠时间之间存在显著的相关关系。
六、回归分析回归分析是研究自变量对因变量影响程度的一种方法。
在本研究中，我们使用线性回归模型来探究睡眠时间对学习成绩的影响。
通过SPSS软件的回归分析功能，可以得到回归方程的系数、显著性水平和模型的拟合优度。
利用SPSS进行数据分析的技巧与方法数据分析是信息时代的重要技能之一，尤其在商业、金融、科学和社会科学等领域。
而SPSS软件是一种广泛使用的统计分析软件，能够帮助用户简化数据分析过程。
本文将介绍利用SPSS进行数据分析的技巧和方法，包括数据输入、数据清洗、数据可视化、假设检验和回归分析等方面。
一、数据输入SPSS支持多种数据来源的导入，包括CSV、TXT、Microsoft Excel、Access、SAS和Stata等文件格式，还可以从关系型数据库中读取数据。
在SPSS中打开数据集后，应该检查数据集的编码、缺失值和重复值。
首先，确保数据集的编码与文件格式一致，例如，如果数据集使用UTF-8编码，那么也要确保文件格式为UTF-8。
其次，检查数据集是否存在缺失值和重复值，并决定如何处理它们。
二、数据清洗数据清洗是数据分析的关键步骤之一，可以有效提高数据质量。
数据清洗的主要任务是检查数据集中存在的错误、缺失值和异常值。
SPSS软件提供了各种功能来识别和处理这些问题，例如，数据转换、数据筛选和变量相关性矩阵等。
在数据清洗中，要学会对缺失值、异常值和无效值进行处理。
对于缺失值，可以通过删除、插值或替换为特定值等方法进行处理；对于异常值，可以通过对数据进行修正、平滑或转换等方法进行处理。
三、数据可视化数据可视化是数据分析不可或缺的一个环节，它可以帮助用户更好地了解数据的分布情况和变化趋势。
SPSS软件提供了多种数据可视化功能，如散点图、直方图、箱线图等。
在数据可视化时，要注意选择合适的图表类型来呈现数据。
例如，散点图非常适合呈现多变量之间的关系，而直方图则适合呈现单变量的分布情况。
此外，还要注意选择好图表的颜色、字体和标签等设置。
四、假设检验假设检验是通过一定的样本数据来推断总体参数的一种方法。
SPSS软件提供了多种假设检验方法，包括单样本t检验、独立样本t检验、方差分析、卡方检验等。
假设检验的关键是选择适当的检验方法和确定显著性水平。
《客户调查与数据分析(SPSS版)》教学教案一、教学目标1. 让学生了解客户调查的基本概念和重要性。
2. 培养学生运用SPSS软件进行数据分析的能力。
3. 引导学生掌握客户调查数据处理和分析的方法和技巧。
二、教学内容1. 客户调查的基本概念和重要性2. SPSS软件的安装和基本操作3. 数据导入和清洗4. 描述性统计分析5. 交叉分析三、教学方法1. 讲授法：讲解客户调查的基本概念、SPSS软件的基本操作和数据分析的方法。
2. 实践法：让学生动手操作SPSS软件进行数据分析。
3. 讨论法：引导学生分组讨论数据分析和解释结果。
四、教学准备1. 安装好SPSS软件的计算机。
2. 客户调查数据集。
3. 教学PPT和教案。
五、教学过程1. 导入新课介绍客户调查的基本概念和重要性，引出本节课的主题。
2. 讲解SPSS软件的基本操作讲解SPSS软件的安装和基本操作，包括数据导入、数据清洗等。
3. 实践操作让学生动手操作SPSS软件，进行数据导入、数据清洗和描述性统计分析。
4. 交叉分析讲解交叉分析的概念和操作方法，让学生分组讨论并动手操作。
5. 总结与反馈对学生的操作进行点评和指导，解答学生的疑问，总结课堂内容。
6. 作业布置布置课后作业，要求学生运用所学知识进行实际的数据分析。
7. 课后辅导提供课后辅导资源，解答学生在课后遇到的问题。
六、教学评价1. 课堂表现：观察学生在课堂上的参与程度、提问回答情况和小组讨论表现，评估学生的学习态度和合作能力。
2. 课后作业：评估学生完成课后作业的数据分析质量，包括数据分析方法的适用性、结果的准确性和解释的合理性。
3. 小组项目：组织学生进行小组项目，要求他们对实际客户调查数据进行分析和报告，以此评估他们的综合运用能力和解决问题的能力。
七、教学拓展1. 邀请行业专家进行讲座：邀请市场调查公司或数据分析公司的专家来校进行讲座，分享实际工作中的经验和案例，帮助学生更好地理解客户调查和数据分析在实际工作中的应用。
学习使用SPSS进行数据挖掘第一章 SPSS简介SPSS（Statistical Package for the Social Sciences）是一种常用的统计分析软件，由IBM公司开发。
它提供了强大的数据分析和数据挖掘功能，被广泛应用于社会科学研究、商业决策分析等领域。
SPSS具备使用简便、功能强大、结果可靠等特点，成为数据挖掘工作者的首选工具。
第二章数据预处理在进行数据挖掘之前，首先需要对原始数据进行预处理。
数据预处理包括数据清洗、数据集成、数据转换和数据规约等步骤。
数据清洗是指通过识别和纠正数据中的错误、缺失、异常、重复等问题，确保数据质量的过程。
数据集成是将来自不同数据源的数据合并成一个一致的数据集的过程。
数据转换是将原始数据转换成适用于数据挖掘算法的形式，包括数值化、正规化、离散化等处理。
数据规约是对数据集进行降维处理，去除冗余信息，以提高数据挖掘效率。
第三章数据探索数据探索是通过可视化和统计分析等手段，对数据的特征和内在关系进行探索和发现。
在SPSS中，可以使用图表、频数分析、描述性统计等工具进行数据探索。
例如，可以通过绘制直方图、散点图等图表，观察数据的分布和趋势。
频数分析可以统计各类别的频数和频率，帮助理解数据的分布情况。
描述性统计可以计算各变量的均值、方差、标准差等统计指标，揭示数据的集中趋势和离散程度。
第四章数据挖掘算法SPSS提供了多种数据挖掘算法，如聚类分析、分类分析、关联规则等。
这些算法可以从不同角度解析数据，挖掘数据背后的隐藏信息。
聚类分析是将相似对象划分到同一类簇的过程，帮助识别数据中的类别。
分类分析是建立预测模型，根据已有特征对新数据进行分类。
关联规则分析是挖掘数据中的关联关系，发现项之间的频繁组合。
第五章模型评估与优化在使用SPSS进行数据挖掘时，需要对构建的模型进行评估和优化。
模型评估是通过一系列评估指标，对模型的精确度、鲁棒性、稳定性等进行评估。
常用评估指标包括准确率、召回率、F值、ROC曲线等。
spss的数据分析报告一、引言数据分析是研究中的关键步骤，它通过对数据的整理、描述和解释，为研究者提供了对研究问题作出有效判断和支持决策的依据。
SPSS （Statistical Package for the Social Sciences）是一种常用的统计软件工具，被广泛应用于数据分析领域。
本报告将通过使用SPSS对某研究调查数据进行分析，展示如何利用SPSS进行数据分析以得出有关研究问题的科学结论。
二、研究问题和数据说明本次研究调查旨在了解某地区大学生的学习压力与心理健康的关系。
我们采用了问卷调查的方式，共收集到了300份有效问卷。
其中，学习压力作为自变量，心理健康作为因变量。
学习压力通过1-10分的等级进行评估，分数越高表示学习压力越大；心理健康通过1-5分的等级进行评估，分数越高表示心理健康状况越良好。
三、数据处理为了进行数据分析，我们首先对数据进行处理和清洗，以确保数据的准确性和一致性。
对于缺失数据的处理，我们选择采用均值替代法，即将缺失值用该变量的平均值进行替代。
之后，我们导入SPSS中进行进一步的分析。
四、描述统计分析首先，我们对样本数据进行描述统计分析，以了解样本的整体情况。
通过SPSS的统计分析功能，我们计算了学习压力和心理健康的均值、标准差等指标。
结果显示，样本的平均学习压力评分为7.2，标准差为1.5；平均心理健康评分为3.8，标准差为0.9。
这表明，整体上大学生的学习压力较大，心理健康状况一般。
五、相关性分析为了深入了解学习压力与心理健康之间的关系，我们进行了相关性分析。
相关性分析可以帮助我们判断两个变量之间是否存在线性关系以及相关强度的大小。
在SPSS中，我们可以通过相关矩阵、散点图和相关系数来进行分析。
根据我们的分析结果，学习压力与心理健康之间存在显著的负相关关系（相关系数为-0.36，p < 0.05）。
这表明学习压力增加时，心理健康状况相对较差。
散点图也呈现了这一趋势，随着学习压力的增加，心理健康评分呈现下降的趋势。
spss分析的调查报告SPSS分析的调查报告一、引言调查报告是基于对某一特定问题的研究和调查所得出的结论和分析。
SPSS （Statistical Package for the Social Sciences）是一种统计分析软件，广泛应用于社会科学领域。
本报告将利用SPSS对某一调查数据进行分析和解读，以期为读者提供有关该调查问题的深入认识和洞察。
二、调查目的和方法本次调查的目的是了解大学生对社交媒体使用的态度和行为。
采用问卷调查的方式，共收集到500份有效问卷。
调查内容包括个人基本信息、社交媒体使用频率、喜好的社交媒体平台等。
三、数据描述和分析1. 受访者基本信息根据调查数据，受访者中男性占比52%，女性占比48%。
年龄分布主要集中在18至24岁之间，其中20岁以下占比18%，20-22岁占比45%，22-24岁占比37%。
受访者中本科生占比为80%，研究生占比为20%。
2. 社交媒体使用频率通过对受访者的回答进行统计和分析，发现大部分受访者每天都会使用社交媒体，占比达到78%。
其中，每天使用时间在1-2小时的占比最高，为42%。
此外，有12%的受访者表示每天使用时间超过3小时。
3. 喜好的社交媒体平台调查数据显示，受访者最喜欢使用的社交媒体平台是微信，占比达到62%。
其次是微博，占比为18%。
相比之下，Facebook和Instagram在中国大学生中的使用率较低，分别占比为7%和3%。
4. 社交媒体使用行为在社交媒体使用行为方面，调查结果显示，大部分受访者主要用于与朋友进行交流和分享信息，占比为68%。
此外，还有22%的受访者表示使用社交媒体是为了获取新闻和时事信息。
仅有10%的受访者表示使用社交媒体是为了关注名人和娱乐动态。
四、讨论与结论通过对调查数据的分析，可以得出以下结论：1. 大学生对社交媒体的使用普遍较频繁，每天使用时间多集中在1-2小时之间。
2. 微信是大学生最喜欢使用的社交媒体平台，其功能的多样性和便捷性可能是其受欢迎的原因之一。
在SPSS中进行数据挖掘与模型建立1. 引言数据挖掘是一种通过分析大规模数据集来发现隐藏模式和关联的技术。
而SPSS（Statistical Package for the Social Sciences）是一款功能强大的统计分析软件，被广泛应用于数据处理和建模。
本文将重点介绍如何在SPSS中进行数据挖掘与模型建立，包括数据预处理、特征选择、模型建立与验证等。
2. 数据预处理在进行数据挖掘之前，首先需要对原始数据进行预处理。
SPSS提供了多种数据处理功能，如数据清洗、数据变换等。
数据清洗：SPSS中的数据清洗功能可以帮助我们检测并处理数据中的异常值、缺失值等。
比如，可以使用SPSS自带的异常值检测功能来识别异常值，并进行适当的处理，如删除或替换。
数据变换：数据变换是指将原始数据转化为适合进行数据挖掘的形式。
SPSS提供了多种数据变换方法，如标准化、归一化、分箱等。
通过选择合适的数据变换方法，可以提高数据分析的效果。
3. 特征选择特征选择是指从原始数据中选择出对于建模和预测具有重要意义的特征。
SPSS中的特征选择功能可以帮助我们进行特征选择，并提供了多种选择方法。
过滤式特征选择：SPSS中的过滤式特征选择方法可以通过计算特征之间的相关性或重要性来选择特征。
比如，可以使用相关系数或信息增益来度量特征与目标变量之间的关联，然后选择相关性较高或重要性较大的特征。
包裹式特征选择：SPSS中的包裹式特征选择方法通过反复进行建模和验证，来评估每个特征对于模型的贡献。
比如，可以使用逐步回归或遗传算法来选择最优的特征子集。
4. 模型建立与验证在选择好特征之后，接下来可以使用SPSS中的建模方法来构建预测模型，并对模型进行验证。
回归模型：SPSS中的回归分析功能可以帮助我们构建线性回归模型、逻辑回归模型等，并进行模型的拟合度检验和预测能力评估。
分类模型：SPSS中的分类分析功能可以帮助我们构建决策树模型、朴素贝叶斯模型、支持向量机模型等，并进行模型的准确率评估和交叉验证。
学会使用SPSS进行数据分析章节一：概述SPSS软件SPSS（Statistical Package for the Social Sciences）是一种专业的数据分析软件。
它提供了广泛的统计分析工具，可以帮助研究人员对数据进行探索、描述、推理和预测。
SPSS具有友好的用户界面和强大的功能，适用于各种类型的数据分析任务。
章节二：数据准备在使用SPSS进行数据分析之前，首先需要准备好数据。
这包括数据的收集、整理和录入。
SPSS支持多种数据格式，如Excel、CSV等。
通过导入数据功能，用户可以将数据导入SPSS软件中进行后续的分析。
章节三：数据清洗数据清洗是数据分析的重要一步。
通过SPSS软件，可以对数据进行清洗和过滤，去除无效数据、处理缺失值和异常值等。
SPSS提供了丰富的数据处理工具，如数据筛选、重编码、变量转换等，帮助用户保持数据的准确性和一致性。
章节四：描述性统计分析描述性统计分析是对数据的基本统计特征进行概括和描述。
SPSS软件提供了多种描述性统计分析的工具，如频数统计、均值计算、标准差计算等。
用户可以利用这些工具对数据的分布、集中趋势和变异程度进行分析和展示。
章节五：推论性统计分析推论性统计分析是根据样本对总体进行推断的统计方法。
SPSS 软件支持多种推论性统计分析，如假设检验、方差分析、回归分析等。
用户可以利用这些工具对样本数据进行验证、比较和预测，从而得出更广泛的结论。
章节六：数据可视化数据可视化是通过图表和图形的方式将数据进行展示和传达的方法。
SPSS软件内置了丰富的数据可视化工具，如条形图、折线图、散点图、饼图等。
用户可以利用这些工具将分析结果以可视化的方式呈现，更直观地展示数据的特征和关系。
章节七：统计模型建立与评估统计模型建立是利用统计方法对数据进行建模和预测的过程。
SPSS软件支持多种统计模型的建立和评估，如线性回归、逻辑回归、聚类分析等。
用户可以根据研究目的和数据特征选择合适的统计模型，并通过SPSS软件对模型进行建立和评估。
基于SPSS的数据挖掘研究第一章引言近年来，随着互联网和大数据技术的不断发展，数据挖掘已经成为了一种非常重要的方法。
数据挖掘可以帮助我们从海量数据中提取出有用的信息。
而统计软件SPSS，作为一个数据挖掘工具，已经被广泛应用于各个领域。
本文将介绍基于SPSS的数据挖掘研究。
第二章 SPSS概述SPSS是一种统计软件，支持数据的输入、输出、处理以及分析。
SPSS已经成为了社会科学研究、统计分析和数据挖掘等领域的标准软件。
SPSS包括两个部分，一个是数据编辑器（Data Editor），一个是语法编辑器（Syntax Editor）。
其中数据编辑器可以方便地输入数据，而语法编辑器则可以用来编写SPSS语法，实现各种统计分析和数据挖掘任务。
第三章 SPSS的数据挖掘方法SPSS支持多种数据挖掘方法，包括聚类分析、决策树、因子分析、回归分析、神经网络等。
其中，聚类分析是一种将数据分为若干组的方法，可以用来寻找数据中的相关性；决策树则是一种分类算法，可以将数据按照某些特定规则分成不同的类别；因子分析可以用来压缩数据，将几个变量转化为几个较少数量的维度；回归分析是一种预测算法，可以用来预测变量的值；神经网络则可以用来处理非线性关系的数据。
第四章 SPSS的数据挖掘实践为了验证SPSS的数据挖掘能力，本文采用了一组真实数据。
该数据共包括2000个样本，每个样本有10个变量，其中包括性别、年龄、身高、体重、收入等变量。
通过对该数据进行聚类分析，可以将样本分为若干组，每组样本具有一些相似的特征，如上述变量中的收入、体重等因素。
通过决策树分析，得到了一些规则，可以根据样本的性别、年龄、身高等特征来预测样本的体重。
通过因子分析，可以得到一些比较重要的维度，可以用来代表所有变量的信息。
通过回归分析，可以根据一些已知的变量来预测另外一些未知的变量。
通过神经网络分析，可以处理一些非线性关系的数据，得到更好的预测结果。
第五章结论和展望本文介绍了基于SPSS的数据挖掘研究。
SPSS软件对学生数据挖掘能力培养的调查分析摘要：为适应社会的发展与要求，对高级从业者而言，掌握有效的数据挖掘方法的必要性与日俱增。
通过对湖南商学院学生的数据挖掘能力现状以及对spss课程学习的期望与要求等方面的调查，发现大部分经管类学生认为自身的数据挖掘能力不够，并期望提高自身的数据挖掘能力。
关键词：数据挖掘能力；spss软件；统计分析中图分类号：g647.38 文献标志码：a 文章编号：1673-291x （2013）05-0234-04一、调查背景随着信息时代的迅猛发展，经济研究对信息的需求与日剧增，面对海量数据，要从中提取出有用的信息，就需要人们掌握高级的数据挖掘方法与手段。
这样，就对高等教育的人才培养提出了更高的要求，需要培养以计算机为工具，利用各种数据分析方法去挖掘大量数据背后重要信息的能力，即数据挖掘能力。
spss 软件作为数据发掘的重要工具，在调查统计行业、市场研究行业、医学统计行业、政府和企业数据分析应用中久享盛名，其提供了数据获取、数据管理与准备、数据分析、结果报告这样一个数据分析的完整过程，操作性强。
因此，spss软件课程的开设对于当今经济管理类的大学生是非常有必要的。
本次调研通过对680名受访者（湖南商学院学生）对spss软件的认知程度、对spss课程相关要求和对学校硬件软件支持的期望等方面的调查，了解大学生对spss软件的认识程度，并为提高大学生数据挖掘能力和spss课程的推广提供可行性建议。
二、调查对象本次调查主要针对于湖南商学院在校大学生进行的调查，调查样本属自愿样本。
本次调查共发放680份问卷，回收有效问卷649份，有效回收率为95.44%。
有效问卷中从性别来看，男性占47.6%，女性占52.4%，比男性多了3.8个百分点，这符合商学院性别比例“女多男少”的现状。
从年级来看，受访者主要集中在大四，大一最少，大二大三居中。
大学生随着学习的积累、生活的丰富，更加有意见发表，这让本次的调研成果更加有信服力。
从学院来看，受访者来自12个学院，各学院人数从9人到319人不均匀分布。
受访者人数最多的前4个学院中，工商管理学院占53.3%，会计学院占13%，经贸学院占7%，财政金融学院占5.2%。
这4个学院的学生人数在学校的占比都是很大的，因此，更有代表性。
本次调查的受访者来自33个专业，人数最多的为市场营销专业，有174人，最少的是旅游管理专业，有9人。
专业的广泛性，使得本次调查更为全面。
三、调查方法本次调查采用自填式调查问卷进行访问，问卷由spss软件认知、数据分析能力的自我认知、spss课程的认知及相关要求和个人基本信息四个部分共25个问题组成，调查报告运用spss19.0进行统计分析。
四、spss软件对学生数据挖掘能力培养调查结果及分析本次调查主要从spss软件的认知情况、数据分析能力的自我认知、spss课程的认知及相关要求和职业意向四方面对受访者进行调查，意在了解湖南商学院学生的数据挖掘能力现状、对spss课程的期望度、对spss软件的认知和spss软件学习环境的要求与期望。
（一）受访者对spss的认知情况在对湖南商学院学生对spss软件认知的调查中，发现受访者对spss的了解途径以课程选择和师友口碑为主，且大部分学生对spss 软件的认知度不高，对其功能了解不全面，对spss软件的操作也不是很熟练。
1.受访者对spss的了解程度不高表 1 不同年级的受访者对spss软件的了解程度单位：%表1中数据显示，40.4%的受访者对spss软件只有“一般”了解，23.5%的受访者表示“不了解”，17.5%表示“很不了解”，对spss不了解的比例超过40%，可见该软件没有得到广泛的推广。
另外有17.7%的受访者表示“比较了解”，仅0.8%的受访者表示“非常了解”。
从年级分布看，大一群体中近80%的人表示“不了解”；大二群体中“不了解”的比例将近65%，但有9%的人对该软件比较熟悉；大三群体中，“不了解”的比例下降到45%，“了解”的比例达到15.9%；而大四群体中仅有27.3%表示不了解，而“了解”的比例扩大到24.7%。
随着学习的深入，学生将有越来越多的机会接触到spss软件，并在不同程度上加以运用；另一方面也反映出了低年级阶段对该软件的运用度不够，需要加大对这些群体的教育投入。
2.对spss的了解途径以课程选择和师友口碑为主图 1 受访者了解spss软件的主要途径图1显示，受访者中对spss的了解有40.1%是通过“课程的选择”，28.6%是在“学校老师同学的推荐”下了解到的，“做调查统计数据”了解的占21.8%，从“计算机相关书籍上”了解到的占6.4%，在“网络上遇到”和“观看别人演示”而了解的各占了1.4%。
可见，“课程选择”、“老师同学推荐”和“调查统计的需要”是受访者了解spss 的三大主要途径，比重合计超过90%。
3.受访者大部分使用过spss但不熟练在访问者中，63.0%的受访者对spss软件的接触停留在“学过，实际上操作过但不熟练”这个层面；16.2%的受访者表示“了解spss 软件，但没接触过”；还有15.6%的受访者表示“上课学过，但没用过”；仅有5.3%的大学生“操作spss软件非常熟练”。
可见，绝大部分的学生还处在对spss运用的表面阶段，操作能力还需要进一步加强。
4.大部分同学认为spss软件是专业数据统计分析软件，且大部分同学对spss软件的功能认识但不全面。
从图2中可以看出，有81.5%的同学认为spss软件是“专业的数据统计软件”，77.9%的同学认为“能对数据进行分析的便利软件”，41.2%的同学选择“增强人数据分析能力的工具”，36.7%的同学认为spss软件是“一门数据统计的课程”，选择“制作图标的软件”和“能保存很多数据的数据库”分别占21.8%和21.6%。
在第一印象中，认为spss是“数据统计和分析的软件”，合计超过总数的80%，说明绝大部分的人对spss有一定的认知。
图 2 受访者对spss软件的印象对于spss的功能，同学们了解最多的是“数据输入”和“数据整理”，占比分别为66.0%和53.4%；其次是“图表制作”和“分析报告”，占比分别为27.8%和29.2%；了解“建立模型”、“相关性分析”、“探索分析”、“交叉分析”、“结果发布”和“预测分析”功能的分别为23.0%、20.5%、17.1%、16.9%、11.8%、10.7%；仅有5.3%的大学生“了解所列出的全部功能”。
可见，学生对spss软件功能的了解很局限，因此，spss教学应给予学生更多的操作机会，让学生对spss了解更全面。
（二）受访者自身数据分析能力状况在数据分析能力自我认知调查中，大部分的受访者对自身的数据挖掘能力不认可且具有学习spss课程的基础，并期望能熟练或者独立操作spss软件，但受访者大都不愿意主动接受spss课程。
1.大部分专业开设了与spss相关的课程受访者中70.9%学过《统计学》，32.1%学过《spss在经济管理中的运用》，26.4%学过《市场调查与预测》，19.7%学过《计量经济学》，有17.9%的受访者没有接触过与spss相关的课程。
在受访者认为学好spss需要提前了解的知识的调查中，超过65%的受访者认为学好spss需要提前了解《统计学》，其次有近16%的受访者认为要提前了解《市场调查与预测》，认为要提前了解《概率论》、《计量经济学》、《高等数学》的受访者分别只占7.2%、5.5%和4.5%。
可见大部分的学生有接受spss课程的基础，且大部分同学认为提前掌握《统计学》和《市场调查与预测》的知识对于学习spss有帮助。
2.大部分学生认为自身数据分析能力差，而且大部分同学对自己的数据挖掘能力不认可受访者中48%认为自己“能力一般，会对数据进行一些简单的分析”；认为自己“能力非常差，不会对数据进行分析”和“能力较差，分析数据时需要参照别人成果进行分析”分别占12.9%和20.8%；认为“能力较好，不仅能掌握数据的主要核心，还能根据已有数据进行扩展性分析”的占16.3%；只有1.8%的受访者认为自己“能力非常好，数据概括能力强”。
图 3 受访者对自身数据分析能力的自我评价在对自身数据分析能力满意度调查中，受访者对自身数据分析能力不满意的将近40%，对自身数据分析能力满意的只占13.1%，持一般态度的人群占据了总人数的一半左右。
可见，大多数人对自身数据分析能力并不认可，显然spss课程的开设是有必要的。
3.受访者大都不愿意接受spss课程图4显示，在是否愿意接受spss课程的调查中，受访者选择“不愿意”和“非常不愿意”的分别占44.2%和23.7%，合计67.8%；“非常愿意”和“愿意”的分别只占了4.5%和10.9%。
图 4 受访者是否愿意接受spss软件结合图3来看会发现一个矛盾：虽然超过80%的人不认可自身数据分析能力，但愿意接受spss课程的只有15.4%，远远低于不愿意接受的人群。
一方面学生对自身数据分析能力不认可，另一方面却又不愿意主动接受spss课程。
原因很多：首先，《spss课程》在学生群体中并没有形成广泛的影响力，还处在一种被接受的过程。
其次，spss软件操作不是十分深奥，但许多学生对统计软件、统计分析望而却步或者即便会用，也经常犯一些很基本的错误或者计算出来的结果不知道该如何解释，甚至看不懂软件结果。
这就要求教师在教学过程中，还应告诉学生“为什么选用这种方法”。
教师在教学过程中应该激发学生联系自己的专业，认识到从实验设计着手就需要“统计知识”的参与，为提高自己的分析能力奠定基础。
4.学生更期望能熟练或者独立操作spss在对自身数据能力的期望上，受访者中60.4%的期望“能熟练地操作spss软件”；40.2%的期望“能独立自主运用spss软件完成报告”；39.2%的期望“达到未来工作岗位对数据分析能力的一般要求”；38.9%的期望“提高自身对数据提取概括的能力”；37.1%的期望“能对数据进行拓展相关性分析”；29.4%的期望“能运用多种分析方法，并熟练作图”。
受访者期望在能熟练掌握数据分析的基础上独立撰写报告并满足将来职业发展的需要，spss课程教师应设计一套系统的教学方式来引导学生去学习spss。
（三）受访者对spss课程的认知及相关要求在spss课程的认知及相关要求的调查中，受访者最期待spss课程作为专业必修和专业选修，课程教学能理论与实际结合，考试能以实践课程、小组合作和机试这些形式，且课时不少于32个；学生们期待在spss课程学习中能得到学校在学习设备、专门实验室和雄厚的师资力量等方面的支持，并提供最新的spss软件和实践机会。
1.经管类学生认为学习spss的最佳时期是大二，最佳课时不少于32个学习spss的最佳学期，受访者中选择“二年一期”的占28%，“三年一期”的占18.9%；，“二年二期”的占17.2%，“一年二期”的占16.2%；选择“一年一期”、“三年二期”和“四年一期”的分别只占8.7%、7.8%和3.2%。
