实验四-线性回归分析

一、线性回归分析若是自变数与依变数都是一个，且Y 和X 呈线性关系，这就称为一元线性回归。

例如，以X 表示小麦每667m 2有效穗数，Y 表示小麦每667m 2的产量，有效穗数即属于自变数，产量即属于依变数。

在这种情形下，可求出产量依有效穗数而变更的线性回归方程。

在另一种情形下，两类变数是平行关系很难分出哪个是自变数，哪个是依变数。

例如，大豆脂肪含量与蛋白质含量的关系，依照需要确信求脂肪含量依蛋白质含量而变更的回归方程，或求蛋白质含量依脂肪含量而变更的回归方程。

回归分析要解决的问题要紧有四个方面：一是依如实验观看值成立适当的回归方程；二是查验回归方程是不是适用，或对回归方程中的回归系数的进行估量；三是对未知参数进行假设考试；四是利用成立起的方程进行预测和操纵。

（一）成立线性回归方程用来归纳两类变数互变关系的线性方程称为线性回归方程。

若是两个变数在散点图上呈线性，其数量关系可能用一个线性方程来表示。

这一方程的通式为：上式叫做y 依x 的直线回归。

其中x 是自变数，y ˆ是依变数y 的估量值，a 是x =0时的y ˆ值，即回归直线在y 轴上的截距，称为回归截距，b 是x 每增加一个单位时，y 将平均地增加（b ＞0时）或减少(b <0时) b 个单位数，称为回归系数或斜率（regression coefficient or slope ）。

要使 能够最好地代表Y 和X 在数量上的互变关系，依照最小平方式原理，必需使将Q 看成两个变数a 与b 的函数，应该选择a 与b ，使Q 取得最小值，必需求Q 对a ，b 的一阶偏导数，且令其等于零，即得：()()⎩⎨⎧∑=∑+∑∑=∑+212xyx b x a yx b an ()()∑∑=--=-=nn Q bx a y yy Q 1min212ˆbx a y +=ˆ()1.7ˆbx a y+=由上述（1）解得：将（）代入（2），那么得：（）的分子 是x 的离均差与y 的离均差乘积总和，简称乘积和（sum of products ），可记为SP ，分母是x 的离均差平方和，也可记为SS x 。

一．实验目的与要求（一）目的实验一: EXCEL的数据整理与显示1. 了解EXCEL的基本命令与操作、熟悉EXCEL数据输入、输出与编辑方法；2. 熟悉EXCEL用于预处理的基本菜单操作与命令；3. 熟悉EXCEL用于整理与显示的基本菜单操作与命令。

实验二: EXCEL的数据特征描述、抽样推断熟悉EXCEL用于数据描述统计、抽样推断实验三: 时间序列分析掌握EXCEL用于移动平均、线性趋势分析的基本菜单操作与命令。

实验四: 一元线性回归分析掌握EXCEL用于相关与回归分析的基本操作与命令。

（二）要求1.按要求认真完成实验任务中规定的所有练习；2.实验结束后要撰写格式规范的实验报告, 正文统一用小四号字, 必须有页码；3、实验报告中的图表制作要规范, 图表必须有名称和序号；4、实验结果分析既要简明扼要, 又要能说明问题。

二、实验任务实验一根据下面的数据。

1.1用Excel制作一张组距式次数分布表, 并绘制一张条形图(或柱状图), 反映工人加工零件的人数分布情况。

从某企业中按随即抽样的原则抽出50名工人, 以了解该企业工人生产状况（日加工零件数）：117 108 110 112 137 122 131 118 134 114 124 125 123127 120 129 117 126 123 128 139 122 133 119 124 107133 134 113 115 117 126 127 120 139 130 122 123 123128 122 118 118 127 124 125 108 112 135 5091.2整理成频数分布表, 并绘制直方图。

1.3 假设日加工零件数大于等于130为优秀。

实验二百货公司6月份各天的销售额数据如下(单位:万元)257 276 297 252 238 310 240 236 265 278271 292 261 281 301 274 267 280 291 258272 284 268 303 273 263 322 249 269295（1）计算该百货公司日销售额的均值、众数、中位数;（2）计算该百货公司日销售额的极差、标准差;（3）计算日销售额分布的偏态系数和峰度系数。

计量经济学实验报告：马艺菡学号：4班级：9141070302任课教师：静文实验题目简单线性回归模型分析一实验目的与要求目的：影响财政收入的因素可能有很多，比如国生产总值，经济增长，零售物价指数，居民收入，消费等。

为研究国生产总值对财政收入是否有影响，二者有何关系。

要求：为研究国生产总值变动与财政收入关系，需要做具体分析。

二实验容根据1978-1997年中国国生产总值X和财政收入Y数据，运用EV软件，做简单线性回归分析，包括模型设定，模型检验，模型检验，得出回归结果。

三实验过程：（实践过程，实践所有参数与指标，理论依据说明等）简单线性回归分析，包括模型设定，估计参数，模型检验，模型应用。

（一）模型设定为研究中国国生产总值对财政收入是否有影响，根据1978-1997年中国国生产总值X和财政收入Y，如图11978-1997年中国国生产总值和财政收入（单位：亿元）1996 66850.5 7407.991997 73452.5 8651.14根据以上数据作财政收入Y 和国生产总值X的散点图，如图2从散点图可以看出，财政收入Y和国生产总值X大体呈现为线性关系，所以建立的计量经济模型为以下线性模型：（二）估计参数1、双击“Eviews”，进入主页。

输入数据：点击主菜单中的File/Open/EV Workfile—Excel—GDP.xls;2、在EV主页界面点击“Quick”菜单，点击“Estimate Equation”,出现“Equation Specification”对话框，选择OLS估计，输入““y c x”,点击“OK”。

即出现回归结果图3；参数估计结果为：Y=857.8375+0.100036iX（67.12578）（0.002172）t=（12.77955）（46.04910）2r=0.991583F=2120.520S.E.=208.5553DW=0.864 0323、在“Equation”框中，点击“Resids”,出现回归结果的图形（图4）:剩余值（Residual）、实际值(actual),拟合值（fitted）4、.（三）模型检验1.经济意义检验回归模型为：Y=857.8375+0.100036*X（其中Y为财政收入，iX为国生产总值；）所估计的参数=0.100036，说明国生产总值每增加1亿元，财政收入平均增加0.100036亿元。

线性回归实验总结线性回归是一种分析数据的统计学方法，可以用来预测和描述定义两个变量之间的关系，可以用于研究两个或更多的变量之间的影响，也可以通过线性回归来探究各变量对结果的贡献。

本文对线性回归进行了一次实验，并对实验结果进行了总结。

1.验背景线性回归是一种用于确定变量之间相互影响的统计方法。

影响可以是某一变量对另一变量的影响，也可以是多个变量都影响另一个变量的影响。

本次实验的目的是研究四个变量（营销投入、品牌认知度、社交媒体活动和客户忠诚度）对销售额的影响。

2.验方法（1）为了实现实验的目的，我们首先收集了有关4个变量以及销售额的长期数据，包括每季度营销投入、每年品牌认知度、每周社交媒体活动和每月客户忠诚度。

（2）我们使用SPSS软件分析数据，得出R Square（R2）值，用来衡量4个变量对销售额的影响。

（3）使用回归分析，来检验4个变量对销售额的影响，得出回归系数。

3.验结果（1）R Square（R2)值 0.7，说明4个变量对销售额的影响程度占整个因变量的70％。

（2）回归分析结果显示：营销投入的系数最高，为0.53，表明营销投入对销售额影响最大；其次是品牌认知度，系数为0.32；社交媒体活动系数为0.17；最后是客户忠诚度，系数为0.11。

4.验结论本次实验表明，营销投入、品牌认知度、社交媒体活动和客户忠诚度与销售额的关系十分密切，如果想要提高销售额，企业可以增加对营销投入的预算，提高对品牌的认知度，拓展社交媒体活动，提高客户忠诚度。

5.验建议（1）可以进一步开展临床实验，来详细了解4个变量以及销售额之间的关系，以此得出更加精准的结论。

（2）实验时间跨度较短，可以开展更长时间的实验，以证实线性回归模型的有效性。

（3）可以收集更加丰富的变量，来更加准确的解释4个变量的影响。

本次线性回归实验表明，营销投入、品牌认知度、社交媒体活动和客户忠诚度对销售额的影响十分显著，企业可以在此基础上采取合理的措施，以提高市场营销的效率。

实验四数据分析----方差和回归分析班级：10级人力资源管理学号：1003131014 姓名：李绍林一、实验目的1．掌握单因素方差分析过程。

2．掌握双因素方差分析过程。

3．掌握一元线性回归分析过程。

4．掌握多元线性回归分析过程。

5．掌握残差分析过程。

二、实验内容1．Analyze|Compare Means|One-Way ANOVA…命令。

2．Analyze|General Linear Model|Univariate…命令。

3．Analyze|Regression|Linear…命令。

三、预习要求1．准备好一个数据文件，个案数量越多越好。

2．熟悉方差分析的统计思想和统计原理。

3．熟悉线性回归模型、参数估计方法和显著性检验方法。

4．熟悉残差分析思想及各种残差图的作用。

四、参考书目《统计分析方法与SPSS应用教程》（杨小平主编）第七章和第八章。

五、实验步骤1.打开数据文件“小汽车耗油量.sav”,在Analyze的下拉菜单中选中CompareMeans 在右侧的菜单中选中One-Way ANOVA,在打开的One-Way ANOVA对话框中将“耗油量”选中并放入Dependent list列表框中，将“汽车品牌”选中放入Factor列表框中，在Options 按钮中选中Descriptive选项、Homongeneity of variance test选项，其他均默认。

2.打开数据文件“广告效果.sav”, 在Analyze的下拉菜单中选中General LinearModel 在右侧的菜单中选中Unvariate,在打开的Unvariate对话框中将“销售额”选中并放入Dependent variable列表框中，将“广告方式”、“销售地区”选中放入Fixed Factor(s)列表框中，打开Model按钮，在其对话框中将“广告方式”、“销售地区”选入Model,按住Ctrl,将两者同时选入，单击Post Hoc按钮，选用LSD法进行多重比较；在Options 按钮中选中Descriptive选项、选中Homongeneityt选项，其他均默认。

实验四：SPSS一元线性相关回归分析预测为了了解某地母亲身高x与女儿身高Y的相关关系，随机测得10对母女的身高如下表所示：1.画出x、Y散点图，观察因变量与自变量之间关系是否有线性特点；2.试对x与Y进行一元线性回归分析，列出一元线性回归预测模型；3.预测当母亲身高为161cm时女儿的身高？1.画出x、Y散点图，观察因变量与自变量之间关系是否有线性特点；[实验步骤]（1）在数据编辑窗口中打开“母女身高.sav”。

（2）选择菜单：【图形】→【旧对话框】→【散点/点状】（3）出现下面的对话框。

（4）点击【简单分布】按钮，出现下面对话框。

（5）将变量“女儿身高”、“母亲身高”依次选入Y轴与X轴，单击【确定】按钮即可。

2.试对x与Y进行一元线性回归分析，列出一元线性回归预测模型；[实验步骤]（1）在数据编辑窗口中打开“母女身高.sav”。

（2）选择菜单：【分析】→【回归】→【线性】（3）这时将出现以下对话框，在左侧变量框中选择“女儿身高”，单击右向按钮，选入右侧上方的“因变量”框中，作为模型的被解释变量。

再选择“母亲身高”，单击右向按钮，选入右侧下方的“自变量”框中，作为模型的解释变量。

（4）单击【统计量】按钮，弹出“线性回归：统计量”对话框，如下图所示。

在“回归系数”框中选择“估计”。

（5）单击【继续】按钮回到线性回归分析对话框。

单击【绘制】按钮，打开“线性回归分析：图形”对话框，如下图所示。

从左边变量框中选择变量决定绘制何种散点图，这里分别把因变量（DEPENDNT）和标准化残差（ZRESID）选为Y和X轴来进行绘图，通过观察残差图我们可以验证回归模型是否符合经典回归模型的基本假设。

（6）单击【继续】按钮，回到线性回归分析对话框。

单击【保存】按钮，打开“线性回归分析：保存”对话框，如下图所示。

选择此对话框的选项，可决定将预测值、残差或其他诊断结果值作为新变量保存于当前工作文件或是保存到新文件。

在“预测值”框中选择“标准化”和“未标准化”的预测值。

生物实验中的实验数据分析方法实验数据的分析是生物实验中一个至关重要的环节，它能够帮助科学家们理解实验结果、得出结论并推进研究的进程。

本文将探讨生物实验中常用的实验数据分析方法。

一、描述统计分析方法描述统计分析用于对实验数据进行整体描述和总结，常用的指标包括均值、中位数、众数、标准差等。

例如，在比较不同实验组的平均值时，可以使用均值和标准差来衡量实验组之间的差异。

此外，中位数和众数也可用于描述数据的分布情况。

在描述统计分析中，常见的可视化工具包括柱状图、折线图和饼图。

这些图表能够直观地展示数据的特征和分布情况，帮助科学家们更好地理解实验数据。

二、方差分析方法方差分析是一种用于比较多个实验组之间差异的统计方法，特别适用于实验数据量较大的情况。

方差分析通过计算组间变异与组内变异之间的比例，来判断实验组之间是否存在显著差异。

方差分析可应用于不同实验组之间的均值比较，例如比较不同药物处理组的效果。

通过方差分析，科学家们能够确定实验组之间是否存在显著差异，并据此作出科学合理的结论。

三、回归分析方法回归分析是一种用于研究两个或多个变量之间关系的方法。

在生物实验中，回归分析可用于探索实验因素对实验结果的影响程度，帮助科学家们理解变量之间的相互关系。

线性回归分析是回归分析中常用的方法之一，它可以用于建立实验因素与实验结果之间的数学模型。

通过回归分析，科学家们能够预测实验结果，并进一步优化实验方案，提高实验效果。

四、生存分析方法生存分析主要应用于研究事件发生的概率和时间关系，常用于观察实验动物的生存情况。

生存分析可以通过构建生存曲线和计算生存率等指标，帮助科学家们评估实验因素对实验动物生存的影响。

生存分析中常用的方法包括Kaplan-Meier方法和Cox回归分析。

Kaplan-Meier方法可用于构建生存曲线，展示实验组之间的生存差异；而Cox回归分析可用于估计实验因素对生存的影响程度，探究其可能的影响机制。

总结：生物实验中的数据分析方法有很多，选择合适的分析方法取决于实验的目的、数据类型以及数据规模。

《统计应用案例分析实验》回归及建模综合案例分析实验yy <- a + b/(xx-c)lines(xx,yy, lwd=2, col=4)legend(180, 24, col = 4, pch=c(19, -1),lwd = c(NA, 2), legend = c("数据点", "回归曲线"))d <- .1zz <- yy- d*xxplot(xx,zz, type="l", xlab='员工数', ylab = '销售额/百万美元') x_opt <- c + sqrt(-b/d); x_opt三、实验结果分析：（提供关键结果截图和分析）(1)将年购买总量作为因变量(y),客户公司的规模(x1),客户公司购买总量中进口的比例(x2)客户公司弗吉尼亚半导体公司的距离(x3)和客户公司是否有一个单独的集中采购部门(x4)作为自变量，作多元线性回归分析!计算结果如下由上输出的数据可知x1的系数β1的P值小于0.05所以β1通过检验，其他系数都没有通过检验用step()函数进行逐步回归分析去掉变量x2,x3剩下变量x1,x4计算结果如下由于常数项的系数远大于0.05所以常数项的系数没有通过检验，所以我们去掉常数项在进行计算，如下所示：最终的回归方程为:=1.4228×总销售量+105.2630×是否集中采购画出年购买总量与总销售量的回归直线，将是否集中采购作为虚拟变量，其图形如图所示画出年购买总量与总销售量的回归直线，将是否采购作为虚拟变量，如下图所示(2)分别画出总销售额与每周工作时数以及总销售额与客户数的散点图如下：从散点图无法看出销售与每周平均工作时数或销售与客户数之间呈现线性（或其他形式）的关系。

因此，考虑二元变量的线性回归模型。

系数（常数项除外）和方程均通过检验，但R2较低再考虑每个变量的平方项和交互作用项系数（包括常数项）和方程均通过检验，R2=0.9538.通过检验，这个方程y=-503.5+22.37x1+1.294x2-0.02655x1x2-0.2424x12-0.0009403x22也许是最合理的(3)先画出数据的散点图，从图中点的位置可以看出，应该用非线性函数作拟合。

第1篇一、实验背景与目的随着社会经济的发展和科学技术的进步，双变量模型在统计学、经济学、生态学等领域得到了广泛应用。

本实验旨在通过构建和验证双变量模型，探讨两个变量之间的关系，并进一步分析其影响机制。

二、实验方法与步骤1. 数据收集与整理：首先，从相关数据库或公开数据源收集所需数据。

本实验以某地区居民收入和消费支出为例，收集了500个样本数据。

2. 模型构建：根据数据特点，选择合适的双变量模型。

本实验采用线性回归模型，即y = β0 + β1x1 + β2x2 + ε，其中y为因变量，x1和x2为自变量，β0为截距，β1和β2为系数，ε为误差项。

3. 模型估计：利用统计软件（如SPSS、R等）对模型进行估计，得到系数估计值、标准误、t值和p值等。

4. 模型检验：对估计的模型进行假设检验，包括t检验、F检验和R²检验等，以验证模型的有效性和可靠性。

5. 结果分析：根据模型估计结果和检验结果，分析两个变量之间的关系，并探讨其影响机制。

三、实验结果与分析1. 模型估计结果：通过线性回归分析，得到以下结果：- y = 1000 + 0.8x1 + 0.5x2 + ε- β0 = 1000，β1 = 0.8，β2 = 0.5其中，x1和x2的系数分别为0.8和0.5，说明居民收入和消费支出对居民消费水平有显著的正向影响。

2. 模型检验结果：- t检验：x1和x2的t值分别为2.31和1.94，p值分别为0.023和0.053，均小于0.05，说明x1和x2对y的影响显著。

- F检验：F值为5.68，p值为0.021，小于0.05，说明模型整体显著。

- R²检验：R²为0.65，说明模型解释了65%的因变量变异。

3. 结果分析：- 居民收入和消费支出对居民消费水平有显著的正向影响。

随着居民收入的增加，消费支出也随之增加，反之亦然。

- 模型解释了65%的因变量变异，说明模型具有一定的解释力。

时间地点实验题目简单线性回归模型分析一、实验目的与要求：目的：影响财政收入的因素可能有很多，比如国内生产总值，经济增长，零售物价指数，居民收入，消费等。

为研究国内生产总值对财政收入是否有影响，二者有何关系。

要求：为研究国内生产总值变动与财政收入关系，需要做具体分析。

二、实验内容根据1978－1997年中国国内生产总值X和财政收入Y数据，运用EV软件，做简单线性回归分析，包括模型设定，估计参数，模型检验，模型应用，得出回归结果。

三、实验过程：（实践过程、实践所有参数与指标、理论依据说明等）简单线性回归分析，包括模型设定，估计参数，模型检验，模型应用。

（一）模型设定为研究中国国内生产总值对财政收入是否有影响，根据1978－1997年中国国内生产总值X 和财政收入Y，如图1：1978－1997年中国国内生产总值和财政收入（单位：亿元）根据以上数据，作财政收入Y 和国内生产总值X 的散点图，如图2：从散点图可以看出，财政收入Y 和国内生产总值X 大体呈现为线性关系，所以建立的计量经济模型为以下线性模型：01i i i Y X u ββ=++（二）估计参数1、双击“Eviews ”，进入主页。

输入数据：点击主菜单中的File/Open /EV Workfile —Excel —GDP.xls;2、在EV 主页界面点击“Quick ”菜单，点击“Estimate Equation ”,出现“Equation Specification ”对话框，选择OLS 估计，输入“y c x ”,点击“OK ”。

即出现回归结果图3：图3. 回归结果Dependent Variable: Y Method: Least Squares Date: 10/10/10 Time: 02:02 Sample: 1978 1997 Included observations: 20Variable Coefficient Std. Error t-Statistic Prob. C 857.8375 67.12578 12.77955 0.0000 X0.1000360.00217246.049100.0000R-squared 0.991583 Mean dependent var 3081.158 Adjusted R-squared 0.991115 S.D. dependent var 2212.591 S.E. of regression 208.5553 Akaike info criterion 13.61293 Sum squared resid 782915.7 Schwarz criterion 13.71250 Log likelihood -134.1293 F-statistic 2120.520 Durbin-Watson stat0.864032 Prob(F-statistic)0.000000参数估计结果为：i Y = 857.8375 + 0.100036i X（67.12578） （0.002172）t =（12.77955） （46.04910）2r =0.991583 F=2120.520 S.E.=208.5553 DW=0.8640323、在“Equation ”框中，点击“Resids ”,出现回归结果的图形（图4）:剩余值（Residual ）、实际值（Actual ）、拟合值（Fitted ）.（三）模型检验1、 经济意义检验回归模型为：Y = 857.8375 + 0.100036*X （其中Y 为财政收入，i X 为国内生产总值；）所估计的参数2ˆ =0.100036，说明国内生产总值每增加1亿元，财政收入平均增加0.100036亿元。

线性回归分析实验报告实验报告：线性回归分析一、引言线性回归是一种常用的统计分析方法，用于建立自变量与因变量之间的线性关系模型。

它可以通过对已知数据的分析，预测未知数据的数值。

本实验旨在通过应用线性回归分析方法，探究自变量和因变量之间的线性关系，并使用该模型进行预测。

二、实验方法1. 数据收集：收集相关的自变量和因变量的数据，确保数据的准确性和完整性。

2. 数据处理：对收集到的数据进行清洗和整理，确保数据的可用性。

3. 模型建立：选择合适的线性回归模型，建立自变量和因变量之间的线性关系模型。

4. 模型训练：将数据集分为训练集和测试集，使用训练集对模型进行训练。

5. 模型评估：使用测试集对训练好的模型进行评估，计算模型的拟合度和预测准确度。

6. 预测分析：使用训练好的模型对未知数据进行预测，分析预测结果的可靠性和合理性。

三、实验结果1. 数据收集和处理：我们收集了100个样本数据，包括自变量X和因变量Y。

通过数据清洗和整理，我们得到了可用的数据集。

2. 模型建立：我们选择了简单线性回归模型，即Y = aX + b，其中a为斜率，b为截距。

3. 模型训练和评估：我们将数据集分为训练集（80个样本）和测试集（20个样本），使用训练集对模型进行训练，并使用测试集评估模型的拟合度和预测准确度。

4. 预测分析：使用训练好的模型对未知数据进行预测，分析预测结果的可靠性和合理性。

四、实验讨论1. 模型拟合度：通过计算模型的拟合度（如R方值），可以评估模型对训练数据的拟合程度。

拟合度越高，说明模型对数据的解释能力越强。

2. 预测准确度：通过计算模型对测试数据的预测准确度，可以评估模型的预测能力。

预测准确度越高，说明模型对未知数据的预测能力越强。

3. 模型可靠性：通过对多个不同样本集进行训练和评估，可以评估模型的可靠性。

如果模型在不同样本集上的表现一致，说明模型具有较高的可靠性。

五、实验结论通过本实验，我们建立了一种简单线性回归模型，成功实现了对自变量和因变量之间的线性关系进行分析和预测。

，，，本科学生实验报告学号： ########## 姓名：￥学院：生命科学学院专业、班级：11级应用生物教育A班实验课程名称：生物统计学实验教师：孟丽华（教授）开课学期： 2021 至 2021 学年下学期填报时间： 2021 年 5 月 22 日云南师范大学教务处编印→“线性（L）…”，将“5月上旬50株棉蚜虫数（Y）”移到因变量列表（D）中，将“4月下旬平均气温（X）”移入自变量列表（I）中进行分析；1）、点“统计量（S）”，回归系数：在“估计（E）”、“置信区间水平（%）95”前打钩，“模型拟合性（M）”、“描述性”前打钩，残差：个案诊断（C）前打钩，点“所有个案”，点“继续”；2）、点“绘制（T）…”，将“DEPENDNP”移入“Y（Y）”列表中，将“ZPRED”移入“X2（X）”中，标准化残差图：在“直方图（H）”、“正太概率图（R）”前打钩，点“继续”；3）、点“保存（S）…”，所有的默认，点“继续”；4)、点“选项（O）…”，所有的都默认，点“继续”，然后点击“确定”便出结果；统计量（S）…选项（O）…（默认）绘制（T）…保存（S）…（默认）（二）、习题1、启动spss软件：开始→所有程序→SPSS→spss for windows→spss for windows，直接进入SPSS数据编辑窗口进行相关操作；2、定义变量，输入数据。

点击“变量视图”定义变量工作表，用“name”命令定义变量“维生素C的含量”（小数点两位）；变量“受冻情况”（小数点零位），“未受冻”赋值为“1”，“受冻”赋值为“2” ,点击“变量视图工作表”，一一对应将不同“未受冻”与“受冻”的维生素C的含量数据依次输入到单元格中；3、设置分析变量。

数据输入完后，点菜单栏：“分析（A）”→“相关（C）”→“双变量（B）…”，将“维生素C含量”、“受冻情况”变量（V）列表中，相关系数：“Pearson”前打钩，显著性检验：双侧检验（T）前打钩，“标记显著性相关（F）前打钩”，点“选项（O）…”，统计量：在“均值和标准差（M）”前打钩，缺失值：在“按对排除个案（P）”前打钩，点“继续”，然后点击“确定”便出结果。