西安邮电大学统计软件实习报告书系部名称：经济与管理学院营销策划系学生姓名：陈志强专业名称：商务策划管理时间：2012年5月21日至2012年5月25日实习内容：熟悉和学习SPSS软件，包括1.基本统计实验（均值、中位数、众数、全距、方差与标准差、四分位数、十分位数、频数、峰度、偏度）；2均值比较和T检验（均值比较、单一样本T检验、两独立样本T检验和两配对样本T检验）；3.相关分析（二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析、距离相关分析）；4.回归分析（一元线形回归和多元线形回归）。
实习目的：掌握SPSS基本的统计描述方法，可以对要分析的数据的总体特征有比较准确的把握，从而为以后实验项目选择其他更为深入的统计分析方法打下基础。
实习过程：实验1：二元定距变量的相关分析★研究问题：某工厂生产多种产品，分别对其进行两标准评分，评分结果如下表，现在要研究这两个标准之间是否具有相关性。
★实现步骤『步骤1』在“Analyze”菜单“Correlate”中选择Bivariate命令，如图3-1所示。
图3-1 选择Bivariate Correlate 菜单『步骤2』在弹出的如图3-2所示Bivariate Correlate对话框中，从对话框左侧的变量列表中分别选择“标准1”和“标准2”变量，单击按钮使这两个变量进入Variables框。
在Correlation Coefficients框中选择相关系数，本例选用Pearson项。
在Test of significance框中选择相关系数的双侧（Two-tailed）检验，检验两个变量之间的相关取向，也就是从结果中来得到是正相关还是负相关。
图3-2 Bivariate Correlate对话框选中Flag significations correlations选项，则相关分析结果中将不显示统计检验的相伴概率，而以星号（*）显示。
一个星号表示当用户指定的显著性水平为0.05时，统计检验的相伴概率值小于等于0.05，即总体无显著性相关的可能性小于等于0.05；两个星号表示当用户指定的显著性水平为0.01时，统计检验的相伴概率值小于等于0.01，即总体无显著线形相关的可能性小于等于0.01。
显然，在这两个星号比一个星号的检验更加精确。
『步骤3』单击Options按钮，出现Bivariate Correlate：Options对话框，如图3-3所示。
图3-3 Options对话框Statistics框中的Means and standard deviations表示在输出相关系数的同时计算输出各变量的平均值和标准差；选中Cross-product deviations and covariances 项表示输出叉积离差和协方差。
叉积离差即为Pearson简单相关系数公式的分子部分，协方差为：叉积离差/（–1）,也反映变量间的相关程度。
Missing Values框中为对缺失值进行处理，Exclude cases pairwise项表示如果正参与计算的两个变量中有缺失值，则暂时提出那些在这两个变量上去缺失值的个案；Exclude cases listwise项为剔除所有具有缺失值的个案后再计算。
本例中选择Means and standard deviations和Exclude cases pairwise项，单击Continue按钮，返回Bivariate Correlate对话框，单击OK按钮，则可得到SPSS 相关分析的结果。
结果和讨论：SPSS的运行结果如下：Correlations从以上结果可以得出第一个表格：（n=16）的标准1的平均值（74.5000）、标准1的标准差（13.19596）、标准2的平均值（70.8750）和标准2的标准差（13.61311）。
第二个表格则是所要求的相关系数，它以一个矩阵的形式表示。
从中可以看出，标准1和标准2的相关系数为0.278。
在这个数据的旁边有没有星号，说明变量之间的相关程度极弱，可视为不相关。
实验2.绘制相关散点图如果对变量之间的相关程度不需要那么精确，则可以通过绘制变量的散点图来直接判断。
仍以上例作为说明。
★实现步骤『步骤1』在“Graphs”菜单中选择Scatter命令，如图3-4所示。
图3-4 选择Scatter命令『步骤2』本例只需绘制出数学成绩和化学成绩两者的散布情况，因此选择“Simple”图，如图3-5所示。
图3-5 Scatterplot对话框『步骤3』单击Define按钮，打开Simple Scatterplot对话框，如图3-6所示。
在此对话框中，把左侧的“数学”、“化学”这个两个变量分别通过单击按钮使之添加到右侧的X Axis和Y Axis框中，表示散点图将分别把数学成绩和化学成绩绘制在X轴和Y轴上。
其他悬想不变，然后单击OK，开始绘图。
图3-6 Simple Scatterplot对话框结果和讨论绘出的散点图如图3-7所示，从中明显看出这两个变量线形不相关。
图3-7 散点图实验3．二元定序变量的相关分析★研究问题某专家先后对一个工程的多个项目加以评分，两次评分分别记为变量“分值1”和“分值2”，如下表所示。
问两次评分的等级相关有多大，是否达到显著水平？工程项目两次的得分情况项目名分值1 分值2项目1 78.00 75.00项目2 77.00 83.00项目3 81.00 83.00项目4 87.00 8300项目5 91.00 92.00项目6 77.00 74.00项目7 96.00 93.00项目8 81.00 87.00项目9 67.00 65.00项目10 79.00 73.00项目11 89.00 85.00项目12 78.00 70.00项目13 95.00 90.00项目14 88.00 81.00项目15 95.00 85.00★实现步骤『步骤1』在“Analyze”菜单“Correlate”中选择Bivariate命令，如3-8所示。
图3-8 选择Bivariate Correlate菜单『步骤2』在弹出如图3-9所示的Bivariate Correlate对话框中，从对话框左侧的变量列表中分别选择“分值1”和“分值2”变量，单击按钮使这两个变量添加到Variables框。
在Correlation Coefficients框中选择Spearman和Kendall’s tua-b等级相关系数；在Test of significance框中选择相关系数的双侧（Two-tailed）检验，选中Flag significations correlations选项，则相关分析结果中将不显示统计检验的相伴概率，而以星号（*）显示。
如图3-9。
图3-9 Bivariate Correlate对话框『步骤3』单击OK按钮，SPSS开始计算Spearman和Kendall’s tua-b等级相关系数。
⑶结果和讨论SPSS的运行结果如下：Nonparametric Correlations从结果中可以看出，两次评分的Spearman和Kendall’s tua-b等级相关系数分别为0.663和0.822。
在这个数据的旁边有两个星号，表示用户指定的显著性水平为0.01时，统计检验的相伴概率小于等于0.01，即两次评分显著相关，且为正相关。
实验4．偏相关分析★研究问题某农业实验场通过试验取得小麦产量与单位虫害值和平均温度的数据，如下表所示。
现求单位虫害值对产量的偏相关。
小麦产量与单位虫害值和温度之间的关系产量单位虫害值温度170.00 15.00 7.00200.00 23.00 9.00230.00 35.00 11.00350.00 38.00 13.00400.00 41.00 17.00480.00 44.00 19.00530.00 47.00 20.00590.00 50.00 23.00670.00 55.00 28.00710.00 59.00 31.00 ★实现步骤『步骤1』在“Analyze”菜单“Correlate”中选择Partial命令，如图3-10所示。
图3-10 选择Bivariate Partial 菜单『步骤2』在弹出的如图2所示Bivariate Partial对话框中，从对话框左侧的变量列表中分别选择“产量”和“单位虫害”变量，单击按钮使这两个变量进入Variables框中，在选择“温度”变量，单击按钮使这个变量添加到Controlling For框中，表示现在所求的是剔除“温度”变量影响后“产量”和“单位虫害”变量之间偏相关系数。
图3-11 Partial Correlations对话框在Test of significance框中选择相关系数的双侧（Two-tailed）检验。
本例选中Flag significations correlations选项，则相关分析结果中将不显示统计检验的相伴概率，而以星号（*）显示，星号的意义与计算简单相关系数中的相同。
『步骤3』单击Options按钮，出现Partial Correlations对话框，如图3-12所示。
图3-12 Partial Correlations对话框在Statistics框中选择Zero-order correlations项，在输出偏相关系数的同时还输出变量间的简单相关系数。
在Missing Values框中选择Exclude cases listwise项，剔除所有具有缺失值的个案后再计算。
『步骤4』单击Continue按钮，返回Partial Correlations对话框，单击OK按钮，即可得到SPSS相关分析的结果。
结果和讨论SPSS的运行结果如下。
Partial Corr从结果中可以看到，上半部分是变量两两之间的Partial简单相关系数，以“产量”和“单位虫害”为例，它们之间的Partial简单相关系数为0.954。
下半部分是偏相关分析的输出结果，其中，对每个变量都有三行输出结果：第一行为偏相关系数，第二行为检验统计量的相伴概率、第三行为统计检验的自由度。
从中可知，在剔除“温度”变量的影响条件下，“产量”与“单位虫害”二变量的影响条件下，“产量”与“降雨量”二变量的偏相关系数为0.304，自由度为7，相伴概率为0.427。
可见，简单相关系数和偏相关系数相比，前者有夸大的成分，后者更符合实际。
实验5．距离相关分析★研究问题1----变量之间的相似性预测分析对6个人进行3次体能测试，测得结果如下表所示。
问测试结果是否一致。
1 2 3 4 5 685 87 81 88 89 84第一次第二91 92 88 90 91 87次89 87 85 89 90 88第三次★实现步骤『步骤1』激活数据管理窗口，定义变量名：第一次测量值为r1，第二次测量值为r2，第三次测量值为r3，输入相应数值。
