SPSS第七章第1题作业讲解

b. The group sizes are unequal. The harmonic mean of the group sizes is used. Type I error levels are not guaranteed.
DUNCAN法进行一致性子集检验结果
返回
实例1分析输出5
均值散点图
De scriptiv es
WEIGHT
95% Confidence Interval for Mean
Std.
Lower Upper
N
Mean DeviatioS ntd. ErrorBound Bound MinimumMaximum
A
5133.3600 6.8079 3.0446124.9068141.8132 125.30 143.10
Total
19171.510534.3114 7.8716154.9730188.0481 125.30 225.80
描述统计量
返回
实例1分析输出2
Te st of Homoge ne ity of Variances
WEIGHT
Levene Statistic
.024
df1 3
df2 15
Sig. .995
e p
*
e e
返回
均值图
ቤተ መጻሕፍቲ ባይዱ
A药效应均值图
B药效应均值图
A、B药对红细胞增加数 交互效应边际图
返回
拉丁方区组设计的方差分析实例输出
Between-Subjects Factors
REP
第一组
第二组
第三组
第四组
红细胞增加数（百万/m3）

止血成功率有无差异。
处方 成功 失败 合计 成功率
甲 40 26 66
a
b
47.85 18.15
乙 47 7 54
cd 39.15 14.85
合计 87 33 120
60.61% 87.04% 72.50%
通常把例子中4个互不包含的数字即实际频数A（这里记为 a=40, b=26,c=47, d=7）构成的列联表，称为四格表（或 2×2表）。
若P≤α≤0. 05，拒绝H0，可作出相应结论。 注意：一般 Fisher 精确概率检验都不用手算，而是应用SPSS等统计软件完成。
3、多个率、构成比比较（R×C表资料）的 2 检验 例7. 7 5 种食物样品的真菌检验结果如下表。试检验5 种食品真菌检出率间有无差异。
食品名 生长真菌 未长真菌 合计 真菌检出率（%）
维吾尔族 442(427. 8) 483(457. 4) 416(476. 4) 172(151. 4) 1513
回 族 36(135. 6) 1355
合 计 811
867
903
287
2868
假设H０：两民族血型总体构成比相同。 各理论频数计算仿四格表，维吾尔族1513×(811/2868)=427. 8,
表 2计算表
0.3
3.3777
[例7.4] 适合性 2 检验
适合性 2 检验（自由度df>1）
2 3.378, p 0.337 0.05
4 种类型的分离比符合9∶3∶3∶1的理 论比例。
四、 齐一性 2 检验
齐一性 2 检验主要用于 n 个率或 n 个构成比之间的比较。
[例7.5] 齐一性 2 检验
齐一性 2 检验 （自由度df=1, 用校正 2c 值）

在进行相关分析前，应 该对数据进行清洗和整 理，处理好缺失值和异 常值。
变量选择和散 点图绘制
选择需要分析的变量和 绘制散点图时应该注意 变量的代表性和数据的 分布情况。
04
相关分析的应用
相关分析在社会科学研究中的应用
01
社会调查数据
相关分析可以用于研究社会现象之间的相互关系，例如人口统计学特
征与失业率之间的关系。
变量间关系
相关分析是研究变量间关系的一种方法，主要研究自变 量与因变量之间的线性关系，自变量与因变量之间的因 果关系等。
相关分析的目的
要点一
检验假设
要点二
预测
通过相关分析可以检验自变量与因变 量之间是否具有线性关系，从而验证 假设是否成立。
通过相关分析可以建立自变量与因变 量之间的线性回归模型，利用该模型 可以对未来数据进行预测，从而为决 策提供依据。
要点三
控制
通过相关分析可以了解自变量与因变 量之间的因果关系，从而对一些变量 进行控制，达到优化系统的目的。
相关分析的原理
计算相关系数
相关分析是通过计算相关系数来实现的，相关系数是描述两个变量之间线性关系强度和方 向的统计量，通常用r表示。
判断相关程度
相关系数的绝对值越接近于1，表明两个变量之间的线性关系越强；相关系数的绝对值越 接近于0，表明两个变量之间的线性关系越弱。
对数据要求较高
相关分析对数据的要求较高，需要满足线性相关、正态分布、独立同分布等假设。如果数据不满足这些假设，相关分析的 结果可能不准确。
相关分析局限性的解决方法
补充实验和准实验研 究
通过实验或准实验的方式，可以确定 变量之间的因果关系，从而弥补相关 分析的不足。例如，通过随机对照实 验可以确定某种药物对降低血压是否 具有显著效果。

关系综合诊断量表?提供研究者测量使用
时的结构效度信息。
15
第 三、应用举例一 七 章
相
〔一〕操作步骤
关
分 析
〔1〕翻开本书配套素材文
件“演示数据-相关分析.sav
〞。
〔2〕在菜单栏中选择【分
析】>【相关】>【双变量】
菜单命令。
〔3〕在弹出的【双变量相
关】对话框中进行设定，如
图7-5所示。
16
图7-5 相关分析举例的操作步骤
相
关
理论联系实际
分
析
相关系数在问卷编制中的应用
在问卷编制过程中，相关分析一直 是效度检验的最常见的方法之一。特 别是当问卷或测验包含不同的分量表 或因子时，或者效标测验之间也存在 多个分量表或因子时，则可以采用所 编制的问卷与效标测验之间的相关来 评估效标效度。
19
第 四、应用举例二 七 章 相 关 分 析
析
著相关〔rKendall，；rSpearman，〕。
小贴士
相关分析的步骤 步骤1：打开SPSS数据文件。 步骤2：选择【分析】>【相关】>【双变量】菜单命令。 步骤3：将所要分析的变量选入【变量】列表框。 步骤4：选择相关分析的方法。 步骤5：单击【确定】按钮，运行分析。
23
如图7-3所示。值得注意的是，虽然
是 【 双 变 量 相 关 】 对 话 框 ， 但 SPSS
允许选择两个以上的变量进行相关分
析，所得到的是这些变量进行两两相
关分析后的结果。
10
图7-3 【双变量相关】对话框
第 二、操作方法 七 章
相 关
【双变量相关】对话框中还存在其他一些选项，研究者可以根据需要进行相应的

例二
四川绵阳地区3年生中山柏的数据。分析月生长量与 月平均气温、月降雨量、月平均日照时数、月平均湿 度四个气候因素哪个因素有关。Month:月份，hgrow: 生长量，temp:月平均气温，rain: 月降雨量，hsun: 月平均日照时数，humi: 月平均湿度。 数据编号data10－05 分析变量：hgrow（生长量）与hsun（月平均日照时 数） 控制变量：humi（月平均湿度）、rain（月降雨量）、 temp（月平均气温）
两个或若干变量之间或两组观测量之间的关 系有时也可以用相似性或不相似性来描述。 相似性测度用大数值表示很相似，较小的数 值表明相似性小。不相似性使用距离或不相 似性来描述。大值表示相差甚远。
三、相关系数统计意义的检验
由于我们通常是通过抽样方法；利用样本研 究总体的特性。由于抽样误差的存在，样本 中两个变量间相关系数不为0，不能说明总体 中这两个变量间的相关系数不是0，因此必须 经过检验。检验的零假设是：总体中两个变 量间的相关系数为0。SPSS的相关分析过程 给出这假设成立的概率。
但实际上，如果对体重相同的人，分析身高 和肺活量。是否身高值越大，肺活量越大呢？ 结论是否定的。正是因为身高与体重有着线 形关系，体重与肺活量才存在线形关系，因 此，得出身高与肺活量之间存在较强的线形 关系的错误结论。偏相关分析的任务就是在 研究两个变量之间的线形相关关系时控制可 能对其产生影响的变量。
一、相关分析的概念
相关分析是研究变量间密切程度的一种常用统计方法。 线性相关分析研究两个变量间线性关系的程度。 相关系数是描述这种线性关系程度和方向的统计量， 通常用r表示。相关系数r没有单位；其值在-l～+1之 间。当数值愈接近-l或+1之间时，关系愈紧密，接近 于0时，关系愈不紧密。 对其数值可以从小到大排列的数据才能计算其相关系 数。例如不能计算宗教信仰与颜色喜好之间的关系。

12
主要内容
7.1 相关分析简介 7.2 两变量相关分析 7.3 偏相关分析 7.4 距离分析
精选
13
7.3 偏相关分析
(1) 基本概念
偏相关分析的任务就是在研究两个变量之间的线性相关关 系时控制可能对其产生影响的变量，这种相关系数称为偏相关 系数。偏相关系数的数值和简单相关系数的数值常常是不同的， 在计算简单相关系数时，所有其他自变量不予考虑。
➢第1步 分析：身高是定距变量，考虑用Pearson相关系数来 衡量。 ➢第2步 数据的组织：分成两列，一列是父亲的身高，另一 列是儿子的身高。
精选
10
7.2二元变量相关分析
➢第3步 选择菜单“分析→相关→双变量”，打开如图7-1所 示的对话框，将“father”和“son”两变量移入“变量”框 中；“相关系数”选择Pearson；在“显著性检验”中选择 “双侧检验”；
根据经验可将其相关程度分为几种：当|r|≥0.8时视为高度相 关；当0.5≤|r|<0.8时视为中度相关；当0.3 ≤ |r|<0.5时视为低度相 关；当|r|<0.3时说明变量之间的相关性很弱。
精选
8
7.2二元变量相关分析
➢第2步 对样本来自的两总体是否存在显著的线性关系进行推断： 由于存在抽样的随机性和样本数量较少等原因，通常样本相关 系数不能直接用来说明样本来自的两总体是否具有显著的线性 相关性，需要通过假设检验的方式对样本的总体进行统计推断。
Spearman相关系数及Z统计量
n
6
D
2 i
r
1
i1
n (n 2
1)
Z r n1
Kendall’s等级相关系数 及Z统计量
(UV) 2

SST SSA SSE
其中，SST为观测变量的总离差平方和；SSA为组间离差平方和，是 由控制变量不同水平造成的观测变量的变差；SSE为组内平方和，是由抽 样误差引起的观测变量的变差。
其中：
SST ( xij x )
i 1 j 1
k ni k
k
ni
2
SSA ( xi x ) 2 ni ( xi x ) 2
2、将观测变量选择到Dependent List框。 3、将控制变量选择到Factor框。控制变量有几个不同的取值 表示控制变量有几个水平。 至此，SPSS便自动分解观测变量的方差，计算组间方 差、组内方差、F统计量以及对应的概率p值，完成单因素 方差分析的相关计算，并将结果显示到输出窗口中。
7.2.4 单因素方差分析的应用举例
给定显著性水平与p值做比较：如果p值小于显著性水平 ，则应该拒绝原假设，反之就不能拒绝原假设。
7.2.3 单因素方差分析的基本操作步骤
在利用SPSS进行单因素方差分析时，应注意数据的组织形式。 SPSS要求定义两个变量分别存放观测变量值和控制变量的水平值。基本 操作步骤如下： 1、选择菜单Analyze－Compare means－One-Way ANOVA，出现窗口
2、控制变量的不同水平：控制变量的不同取值或水平，称为控制变量的不 同水平。如甲品种、乙品种；10公斤化肥、20公斤化肥、30公斤化肥等。
3、观测变量：受控制变量和随机变量影响的变量称为观测变量，如农作物 的产量等。 方差分析就是从观测变量的方差入手，研究诸多控制变量中哪些变量 是对观测变量有显著影响的变量以及对观测变量有显著影响的各个控制变 量其不同水平以及各水平的交互搭配是如何影响观测变量的一种分析方法 。

第7章多选项分析在前面第4章我们已经接触了问卷调查，在问卷调查的问题中，有这样一类特殊的问题，它允许被调查者选择不止一个选项，这种问题被称为多选项问题。

多选项问题是问卷调查中一项比较特别的技术，甚至在许多问卷中是必不可少的组成部分，它对于了解被调查者的对某个问题的次要选择或者平行选择有非常重要的作用。

例如：我们看下面的问题：在这个问题中，被调查者去超市可能有一个主要原因，比如4. 质量好，但是可能不止一个原因，比如除了 4. 质量好以外，2. 价格便宜也是一个原因，此时调查次要原因对于调查来说也是重要的；甚至有时被调查者自己都不确定在这些原因中究竟哪个是最重要的原因，此时这些原因就成为平行原因，应该把这些原因尽可能多的调查到。

允许消费者选填多个选项是一种不错的选择，此时就可以将问题设置成多选项问题，便于我们更全面了解被调查者的情况。

多选项问题在调查时便于我们了解全面的信息，但是如何在分析时将这些信息挖掘出来呢？利用传统的频数分析和描述统计对信息的挖掘是不完全的。

假如我们针对上面的问题，由于可以有三个选择，我们对应设置3个问题，对三个问题分别统计。

此时问题来了，不是每个被访者都选择三个问题，这将导致第2、3问题出现一些缺省数据，影响分析；另外，如果一个问题一个问题分析，也缺乏从整体上了解这个问题全貌的角度，对信息的提取是不充分的。

有没有一种能同时克服这两个缺点的方法呢？回答是肯定的，那就是SPSS多选项分析。

仔细研究多选项分析的备选答案，我们发现有些题的备选答案是有顺序的，例如：对多个品牌的了解就需要按照熟悉程度进行排序；而有些题的备选答案是没有顺序的，例如，上面举例的问题备选答案就是无序的。

对这两类多选项问题进行分析时要注意各自特点，采取不同的编码处理。

对应多选项问题，通常采用的方法都是：第一步、将多选项问题分解；第二步、由于多选项问题多是分类变量，即名义尺度变量，因此利用前面讲过频数分析和列联表分析可以得到分析结果。

相等。T=0.744 df=28 p=0.463>0.05, 差异不显著。 结论：男女生自信心差异不显著。
身高作为因 变量
性别和年级 作为分类变 量。
MEAN过程的选择项对话框
描述统 计量
对第一 层每个 控制变 量分析
单击右 箭头按 钮，将 选定的 统计量 移至 CELL的 矩形框
30名学生按年级分组的描述性统计结 果
身高*年级
年级 Mean
4
133.440
5
133.229
6
134.575
(1) 正态分布（总体分布为正态，方差已知，样本 平均数的分布为正态分布）
(2) t分布：n>30接近正态，n 正态分布
(3) F分布：偏正态分布
F

S2 n1 1
/
S2 n 2 1

2 1
22
(4) 2分布：偏正态分布。当df 为正态分布
2 (x ) 2 2
农村：2.38 2.60 2.10 1.80 1.90 3.65
2.30 3.80 4.60 4.85 5.80 4.25 4.22 3.84
注意：
（1）输入数据的 格式。
（2）分组标记时 要记住代码。
（3）分组标记也 可以采用字符串 数据。
独立样本t检验主对话框
要进行检验的 变量
Total 133.443
N Std. Deviat.714
4
5.052
30
5.691
30名学生按性别分组的描述性统 计结果
身高*性别
性别 Mean
N
Std.Deviation
男 132.900 15

2) 绘制 3) 保存 4) 选项
13
7.2.4 线性回归分析实例
1．操作步骤
(1) 打开数据文件7-1.sav，然后按照前面所讲的操作步骤 打开主对话框。从菜单栏中选择“分析”→“回归”→“线性” 命令，打开图7-1所示的“线性回归”主对话框。
(2) 将变量y(肺活量)作为因变量选入“因变量”列表框， 将变量x(体重)作为自变量选入“自变量”列表框。
析”→“回归”→“曲线估计”命令，打开图
7-10所示的“曲线估计”对话框。
(3)
选择被解释变量教育支出进入“因
变量”列表框。
(4)
选择解释变量消费性支出进入“自
变量”列表框。
(5)
选择变量年份作为标记变量进入
“个案标签”列表框。
(6)
从“模型”栏中选择几种回归模型，
本例我们选择线性、二次项、复合、立方与指
7.2.3 线性回归分析的SPSS操作
SPSS中一元线性回归分析和多元线性回归分析 的功能是集成在一起的，都是通过“回归”子 菜单中的“线性”命令来实现。下面介绍线性 回归分析的SPSS基本操作步骤。 建立或打开数据文件后，即可进行线性回归分 析。从菜单栏中选择“分析”→“回 归”→“线性”命令，打开图7-1所示的“线性 回归”(线性回归分析)对话框。
9
7.2.1 线性回归分析的原理
1．简单介绍 2．回归分析的一般步骤
(1) 确定回归方程中的解释变量和被解 释变量
(2) 确定回归模型 (3) 建立回归方程 (4) 对回归方程进行各种检验 (5) 利用回归方程进行预测
10
7.2.2 线性回归模型
1. 一元线性回归 模型
2. 多元线性回归 模型
11

• 如:x和y的取值为:(-1,-1) (-1,1) (1,-1) (1,1) • r=0 但 xi2+yi2=2
• 数据中存在极端值时相关系数不好 • 如:(1,1)(2,2)(3,3),(4,4),(5,5),(6,1) • r=0.33 但总体上表现出: x=y • 应结合散点图分析
• 常用的相关系数: Pearson简单相关系数、Spearman等级相关系数和 Kendall 相关系数等
2024/9/16
6
2024/9/16
选择x轴和y轴的变 量
选择分组变量: 分别以不同颜色 点的表示 选择标记变量:散 点图上可带有标 记变量的值
7
例题 7.1
• 利用住房状况调查数据, 绘制家庭收入与计划购买住房面积之间的散 点图
2024/9/16
8
相关关系的概念
从样本数 据来看变量间
有关系吗
2024/9/16
27
2024/9/16
28
相关分析 须面对的 四个问题
关系的 强度如何
※这种关系 是否为因果
关系
这种关系 能否从样本推
到总体
2024/9/16
9
相关系数
• 相关系数以数值的方式精确地反映了两个变量间线性相关的强弱程度 • 利用相关系数进行变量间线性关系的分析的步骤 • 计算样本相关系数r • 相关系数r的取值在-1～+1之间 • R>0表示两变量存在正的线性相关关系；r<0表示两变量存在负的线
• 在小样本下，在零假设成立时， Spearman等级相关系数服从Spearman 分布；在大样本下， Spearman等级相关系数的检验统计量为Z统计量， 定义为:
Z r n 1

《spss统计分析案例教程》 第七章相关分析
2023-11-06
目 录
• 相关分析概述 • 描述性相关分析 • 参数相关分析 • 偏相关分析 • 距离相关分析 • 相关分析的注意事项
01
相关分析概述
定义
相关分析是用来研究两个或多个变量之间关系的统计方法。
它探究变量之间的依赖性、关联程度和预测能力。
变量设置
在变量视图中，设置每个变量的类型 、标签、值等属性。
执行偏相关分析
在菜单栏中选择“分析”->“回归 ”->“多元”->“偏相关”，进入 偏相关分析对话框。
设置自变量和因变量
在偏相关分析对话框中，将需要分析 的自变量和因变量拖入相应的区域。
调整选项
根据需要，可以勾选“校正变量” 和“显示非参数检验结果”等选项 。
运行分析
点击“确定”按钮，开始偏相关分 析，并生成相应的结果。
05
距离相关分析
距离相关系数的概念与计算
距离相关系数概念
距离相关系数是用来度量两个变量之间相似或不相似的一种方 法，它基于两个变量值之间的距离来计算。
距离相关系数的取值范围
距离相关系数的取值范围在-1到1之间，其中1表示完全正相关， -1表示完全负相关，0表示无相关。
在弹出的“距离相关”对话框中，将需 要分析的变量拖入“变量”框中。
06
相关分析的注意事项
数据质量对相关分析的影响
缺失值处理
数据清洗
数据正态性
在相关分析前，应检查数据中 是否存在缺失值。对于缺失值 ，需要选择合适的处理方法， 如插值、删除或使用特定的统 计方法来处理。
数据中可能存在异常值、离群 点或错误数据，这些数据会影 响相关分析的结果。在进行相 关分析前，应对数据进行清洗 ，以消除这些潜在问题。

• 3. 单元(Cell)：指各因素水平之间的组合，我 们所说的方差齐就是指的各个单元间的方差齐。
第十一页，编辑于星期六：六点 二十六分。
• 4. 元素(Element)：指用于测量应变量值的最小单 位，比如研究石棉矿工用力肺活量，则肺活量是从 每一位矿工身上测得，矿工就是试验的元素。
• 5. 均衡(Balance)：如果一个实验设计中任一因素各水
第七页，编辑于星期六：六点 二十六分。
单因素方差分析模型
• 标准的单因素方差分析模型如下： • xij=μ+αi+εij • 其水并δ2)假中平的设x；随ij表所机αi示有表变α第示量i之i影，组和代响的应表因第当随素j个机为在观误0i水；察差平ε。值ij为下一；一对般μ个应表情服变示况从量下总正的，体态附我的分加们平布效做均N应假(，0,
第四页，编辑于星期六：六点 二十六分。
General Linear Model
• Univariate过程：四个菜单中的大哥大，当应变量只有一个时，我 们所进行的分析就要用它来完成。显然，它是用的最多的一个。
• Multivariate过程:当结果变量(应变量)不止一个时，当然要用它
来分析啦！
• Repeated Measures过程：顾名思义，重复测量的数据就要用它 来分析，这一点可能要强调一下，用前两个菜单似乎都可以分析 出来结果，但在许多情况下该结果是不正确的。
均值作比较，选中该项后需要在下方的Reference Category单
选钮组选择第一各或最后一个水平作为参考水平。
第二十页，编辑于星期六：六点 二十六分。
– Simple：简单对照，对因素每个水平的均值都与参考水平 的均值进行比较、需要选择一个参考水平。

spss统计分析及应用教程第7章 聚类分析与判断分析
当聚类指标的测度水平不同时， 会选择不同的计算聚类的方法。 当聚类指标的测度水平为定比 数据时，共有八种计算类内样 品间距离的方法。当聚类指标 为定类数据时，有“卡方度量” 和“Phi方度量”两种计算类内 样品间距离的方法。 当聚类指标为虚拟变量时，有 “平方Euclidean距离”、“尺 度差分”、“模式差别”、 “方差”、“离散”、“形 状”、“简单匹配”和“ψ4点 相关性”、“Lambda”、 “Anderberg的D”、“骰子”、 “Hamann”、等多种计算类内 样品间距离的方法。
2.您购买牙膏时，认为亮泽牙齿功能重要程度如何？
A非常重要 B比较重要 C重要 D一般 E不重要 F比较不重要 G 非常不重要
3.您购买牙膏时，认为保护牙龈功能重要程度如何？
A非常重要 B比较重要 C重要 D一般 E不重要 F比较不重要 G 非常不重要
4.您购买牙膏时，认为清新口汽功能重要程度如何？
spss统计分析及应用教程第7章 聚类分析与判断分析
转换值选项栏用于选择数据标 准化方法
标准化方法有七个选项.
•“无”表示不进行标准化， 为系统默认选项。
•“Z得分”表示应用标准 化计算公式进行标准化处 理。
•“全距从-1到1”表示， 标准化结果分布在-1到+1 之间。
spss统计分析及应用教程第7章 聚类分析与判断分析
m ax
1 k p
X ik
X
jk
spss统计分析及应用教程第7章 聚类分析与判断分析
2
距离
③马氏距离 设与是来自均值向量为，协方差为∑（>0）的总体G中的p维样品， 则两个样品间的马氏距离为：
d i j( M ) ( X i X j) ' 1 ( X i X j)

一、问题分析：题目要求判断各裁判的相似性，故采用个案之间的相似性测量和不相似性测量分析。

二、操作步骤：Analyze -->Correlate -->Distances -->Measures-->Continue-->OK 三、结果分析：⏹个案之间的相似性分析结果表格1：个案之间的相似性根据相似性判断，数据越大，相似性越好，观察数据得知：1）裁判员1-7和裁判员8的结果较不太一致，裁判员1-7之间的结果类似。

2）其中4号和2号最接近。

7和8的相似性最差。

⏹个案之间的不相似性分析结果表格2：个案之间的不相似性根据不相似性判断，数据越小，即欧氏距离越小，相似性越好，观察数据得知：1）裁判员1-7和裁判员8的结果较不太一致，其中4号和2号欧氏距离最小。

2）裁判员1,3,5,6,7之间的欧氏距离差不多。

7和8的欧氏距离最大。

◆裁判员1-7和裁判员8的结果较不太一致。

◆其中4号和2号最接近。

7和8的相似性最差。

习题7-5一、问题分析：题目要求判断不同产业与国名总收入之间的相关关系，故采用个案之间的偏相关分析。

二、操作步骤：Analyze -->Correlate -->Partial -->Option-->Continue-->OK三、结果分析：⏹各产业与国民收入之间的Pearson简单相关系数表格3：各产业与国民收入之间的Pearson简单相关系数观察数据得知：1）v3(第三产业)和v4(国民总收入）的Pearson简单相关系数最大为0.934，两者为正相关关系，相伴概率为0.000。

2）v1(第一产业) 和v4(国民总收入）的Pearson简单相关系数最小为0.329，相伴概率为0.088，大于显著性水平，说明两者之间不存在显著的线性相关关系。

⏹剔除其他产业变量影响条件下，各产业与国民收入之间的相关性表格4：各产业与国民收入之间的相关性观察数据得知：1）剔除其他产业的影响后，v3(第三产业)和v4(国民总收入）的相关系数最大为0.868，相伴概率为0.000。

《统计分析与SPSS的应用（第五版）》（薛薇）课后练习答案第7章SPSS的非参数检验1、为分析不同年龄段人群对某商品满意程度的异同，进行随机调查收集到以下数据：满意程度年龄段青年中年老年很不满意126 297 156不满意306 498 349满意88 61 75很满意27 17 44请选择恰当的非参数检验方法，以恰当形式组织上述数据，分析不同年龄段人群对该商品满意程度的分布状况是否一致。

卡方检验步骤：（1）数据→加权个案→对“人数”加权→确定（2）分析→描述统计→交叉表格→行：满意度;列：年龄→Statistics→如图选择→确定满意程度 * 年龄交叉表计数年龄总计青年中年老年满意程度很不满意126 297 156 579 不满意306 498 349 1153满意88 61 75 224很满意27 17 44 88 总计547 873 624 2044卡方检验值自由度渐近显著性（双向）皮尔逊卡方66.990a 6 .000似然比(L) 68.150 6 .000线性关联.008 1 .930McNemar-Bowker 检验. . .b有效个案数2044a. 0 个单元格 (0.0%) 具有的预期计数少于 5。

最小预期计数为 23.55。

b. 仅为 PxP 表格计算（其中 P 必须大于 1）。

因概率P值小于显著性水平（0.05），拒绝原假设，不同年龄度对该商品满意程度不一致。

2、利用第2章第7题数据，选择恰当的非参数检验方法，分析本次存款金额的总体分布与正态分布是否存在显著差异。

分析→非参数检验→旧对话框→1-样本-K—S…→选择相关项：本次存款金额[A5] →确定结果如下：单样本 Kolmogorov-Smirnov 检验本次存款金额数字282正态参数a,b平均值4738.09标准偏差10945.569最极端差分绝对.333正.292负-.333检验统计.333渐近显著性（双尾）.000ca. 检验分布是正态分布。