当前位置：文档之家 › spss案例数据分析

spss案例数据分析

  • 格式：doc
  • 大小：575.50 KB
  • 文档页数：9

Spss期末作业 关于我国城镇居民消费结构及趋势的数据分析 本次分析采用的数据来源于《中国统计年鉴—2011》，我选用的是其中的第十篇章—人民生活下的城镇居民家庭基本情况的相关数据，用以研究城镇居民消费结构及其趋势。 （附数据部分截图）

（A）下面是我对该数据做的相关分析。 表一给出的是基本的描述性统计图，表中显示各个变量的全部观测量的均值、标准差和观测值总数N，表2给出的是相关系数矩阵表，其中显示4个变量两两之间的pearson相关系数，以及关于相关关系等于零的假设的单侧显著性检验概率。

描述性统计量 均值 标准差 N 食品 2744.0660 1802.80584 5 衣着 775.8200 555.67616 5 居住 694.1920 565.48222 5 家庭设备用品及服务 488.2500 343.94006 5 表1 描述性统计表

相关性 食品 衣着 居住 家庭设备用品及服务 食品 Pearson 相关性 1 .998** .991** .995** 显著性（单侧） .000 .001 .000 平方与叉积的和 1.300E7 4000739.197 4039135.855 2468266.142 协方差 3250108.892 1000184.799 1009783.964 617066.535 N 5 5 5 5 衣着 Pearson 相关性 .998** 1 .985** .994** 显著性（单侧） .000 .001 .000 平方与叉积的和 4000739.197 1235103.975 1238672.922 760246.419 协方差 1000184.799 308775.994 309668.230 190061.605 N 5 5 5 5 居住 Pearson 相关性 .991** .985** 1 .996** 显著性（单侧） .001 .001 .000 平方与叉积的和 4039135.855 1238672.922 1279080.565 775005.410 协方差 1009783.964 309668.230 319770.141 193751.352 N 5 5 5 5 家庭设备用品及服务 Pearson 相关性 .995** .994** .996** 1 显著性（单侧） .000 .000 .000 平方与叉积的和 2468266.142 760246.419 775005.410 473179.063 协方差 617066.535 190061.605 193751.352 118294.766 N 5 5 5 5 **. 在 .01 水平（单侧）上显著相关。 表2 相关系数矩阵 从表2中可以看出家庭设备用品及服务与食品、衣着之间相关系数分别为0.995、0.994，反映家庭设备用品及服务与食品、衣着之间存在显著的相关关系。说明食品与衣着对家庭设备用品及服务条件的好转有显著的作用，此外食品与衣着之间，食品与居住之间，居住与衣着之间的相关系数分别为0.998、0.991、0.985，这说明他们之间也存在着显著的相关关系。在这里还要提一下相关系数旁边的两个星号的意思，它表示显著性水平α为0.01时仍拒绝原假设，一个星号则表示显著性水平α为0.05时可拒绝原假设。因此，两个星号比一个星号拒绝原假设犯错误的可能性更小。 （B）下面是做的回归分析 表3给出了进入模型和被剔除的变量的信息。从表中我们可以看出所有3个自变量都进入模型，说明我们的解释变量都是显著并且是有解释力的。 表4给出了模型整体拟合效果的概述，模型的拟合优度系数为1.000，反映了因变量于自变量之间具有高度显著的线性关系。表里还显示了R平方以及经调整的R值估计标准误差 表5给出了方差分析表我们可以看到模型的设定检验F统计量的值为 411.727，显著性水平的P值为0.036。 表6给出了回归系数表和变量显著性检验的T值。我们发现变量“食品”的T值太小，没有达到显著性水平，因此我们要将这个变量剔除。从这里我们也可以看出模型虽然通过了设定检验，但很有可能不能通过变量的显著性检验。

输入／移去的变量 模型 输入的变量 移去的变量 方法 1 居住, 衣着, 食品a . 输入

a. 已输入所有请求的变量。 表3 变量进入/剔除信息表

模型汇总 模型 R R 方 调整 R 方 标准 估计的误差 1 1.000a .999 .997 19.56464 a. 预测变量: (常量), 居住, 衣着, 食品。 表4 模型概述表

Anovab 模型 平方和 df 均方 F Sig. 1 回归 472796.288 3 157598.763 411.727 .036a 残差 382.775 1 382.775 总计 473179.063 4 a. 预测变量: (常量), 居住, 衣着, 食品。 b. 因变量: 家庭设备用品及服务 表5 方差分析表

系数a 模型 非标准化系数 标准系数 t Sig. B 标准 误差 试用版 1 (常量) 86.022 42.902 2.005 .295 食品 -.160 .133 -.838 -1.204 .441 衣着 .674 .349 1.090 1.934 .304 居住 .458 .141 .752 3.256 .190 a. 因变量: 家庭设备用品及服务 表6 回归系数表 残差统计量a 极小值 极大值 均值 标准 偏差 N 预测值 118.2242 901.6300 488.2500 343.80092 5 残差 -11.58816 7.57571 .00000 9.78232 5 标准 预测值 -1.076 1.202 .000 1.000 5 标准 残差 -.592 .387 .000 .500 5 a. 因变量: 家庭设备用品及服务 表7 残差统计表 表7给出了残差分析表，表中显示了预测值、残差、标准化预测值、标准化残差的最小值、最大值、均值、标准偏差及样本容量等数据。根据概率的3西格玛原则，标准化残差的绝对值最大为0.387,小于3，说明样本数据中没有奇异值。

表8 残差分布直方图 表8给出了模型的直方图。由于我们在模型中始终假设残差服从正态分布，因此我们可以从这张图中直观地看出回归后的实际残差是否符合我们的假设。从回归残差的直方图与附于图上的正态分布曲线相比较，可以认为残差的分布不是明显地服从正态分布。尽管这样也不能盲目的否定残差服从正态分布的假设，因为我们用了进行分析的样本太小，样本容量仅为5。

（C）spss参数检验分析（单样本t检验） 1.单样本t检验。在这里我选择的是转移性收入这个变量做的分析，推断转移性收入的平均值是否为2200元，下面是分析后输出的结果。

单个样本统计量 N 均值 标准差 均值的标准误 转移性收入 5 2420.4600 2221.14998 993.32847 表9 转移性收入的基本描述统计结果

单个样本检验 检验值 = 2200

t df Sig.(双侧) 均值差值 差分的 95% 置信区间 下限 上限 转移性收入 .222 4 .835 220.46000 -2537.4620 2978.3820 表10 转移性收入单样本t检验结果 由表9可知，五个年份的转移性收入的平均值为2420.4600元，标准差为2221.14元，均值的标准误差为993.32。从表10中可以看出，该问题应采用双尾检验，因此比较α/2和p/2，也就是比较α和Ρ。如果α给0.05，由于Ρ大于α，因此不应 拒绝原假设，不能认为转移性收入的平均值与2200有显著差异。 (D)比率分析

表11 案例处理摘要

表12工资性收入的比率分析结果 表11是案例处理摘要，表12显示的是工资性收入的比率分析结果，从表12可以看出五个年份的工资性收入占平均每人全部年收入的比率的均值为0.714，也就是说，五个年份的城镇居民平均每人全部年收入中的71.4%为工资性收入，由

案例处理摘要 计数 总数 5 排除的 0 总计 5

工资性收入 / 平均每人全部年收入 的比率统计量

均值 .714 平均数绝对值偏差 .048 离散系数 .068 方差系数 均值居中 8.7% 中值居中 8.7% 此可见工资性收入对城镇居民生活状况改善的重要性。 （E）因子分析 在这里先将分析后得到的结果展示如下：

相关矩阵a 食品 衣着 居住 家庭设备用品及服务 医疗保健 相关 食品 1.000 .998 .991 .995 .986 衣着 .998 1.000 .985 .994 .981 居住 .991 .985 1.000 .996 .996 家庭设备用品及服务 .995 .994 .996 1.000 .990 医疗保健 .986 .981 .996 .990 1.000 a. 此矩阵不是正定矩阵。 表13 相关系数矩阵

公因子方差 初始 提取 食品 1.000 .995 衣着 1.000 .991 居住 1.000 .994 家庭设备用品及服务 1.000 .997 医疗保健 1.000 .988 提取方法：主成份分析。 表14 公因子方差

解释的总方差 成份 初始特征值 提取平方和载入 合计 方差的 % 累积 % 合计 方差的 % 累积 % 1 4.965 99.300 99.300 4.965 99.300 99.300 2 .027 .538 99.838 3 .006 .118 99.956 4 .002 .044 100.000 5 3.718E-17 7.436E-16 100.000 提取方法：主成份分析。 表15 解释的总方差

合集下载

SPSS典型相关分析案例

SPSS典型相关分析案例

SPSS典型相关分析案例典型相关分析（Canonical Correlation Analysis，CCA）是一种统计方法，用于研究两组变量之间的相关性。

它可以帮助研究人员了解两组变量之间的关系，并提供有关这些关系的详细信息。

在SPSS中，可以使用典型相关分析来探索两个或多个变量之间的关系，并进一步理解这些变量如何相互影响。

下面我们将介绍一个典型相关分析的案例，以展示如何在SPSS中执行该分析。

案例背景：假设我们有一个医学研究数据集，包含30名患者的多个生物标记物和他们的疾病严重程度评分。

我们希望了解这些生物标记物与疾病严重程度之间的关系，并查看是否可以建立一个线性模型来预测疾病严重程度。

以下是执行这个案例的步骤：第1步：准备数据首先，我们需要准备数据，确保所有变量都是数值型。

在SPSS中，我们可以通过检查数据集的描述性统计信息或查看变量视图来做到这一点。

第2步：导入数据在SPSS中，我们可以通过选择菜单中的"File"选项，然后选择"Open"来导入数据集。

我们应该选择包含待分析数据的文件，并确保正确指定变量的类型。

第3步：执行典型相关分析要执行典型相关分析，我们可以选择菜单中的"Analyze"选项，然后选择"Canonical Correlation"。

在弹出的对话框中，我们应该选择我们希望研究的生物标记物变量和疾病严重程度评分变量。

然后，我们可以选择一些选项，如方差-协方差矩阵、相关矩阵和判别系数，并点击"OK"执行分析。

第4步：解释结果完成分析后，SPSS将提供几个输出表。

我们应该关注典型相关系数和标准化典型系数，以了解两组变量之间的关系。

我们可以使用这些系数来解释生物标记物如何与疾病严重程度相关联，并找到最重要的变量。

此外，我们还可以使用SPSS提供的其他统计结果来进一步解释模型的效果和预测能力。

spss主成分分析案例

spss主成分分析案例

spss主成分分析案例SPSS主成分分析案例。

主成分分析（Principal Component Analysis, PCA）是一种常用的数据降维方法，它可以将原始变量转换成一组新的互相无关的变量，这些新变量被称为主成分。

主成分分析可以帮助我们发现数据中的模式和结构，从而更好地理解数据的特性。

本文将以一个实际案例来介绍如何在SPSS软件中进行主成分分析，并解释如何解读分析结果。

案例背景：某公司想要了解员工的工作满意度，为了更全面地了解员工对工作的感受，公司设计了一份包含多个问题的调查问卷，涉及到工作内容、工作环境、薪酬福利等方面。

为了简化分析，公司希望利用主成分分析来提取出最能代表员工工作满意度的几个维度。

数据收集：公司对全体员工进行了调查，共有300份有效问卷。

每份问卷包含了20个问题，涉及到不同方面的工作满意度评价。

这些问题涵盖了工作内容、同事关系、上级领导、薪酬福利等多个方面。

数据分析：首先，我们需要将数据导入SPSS软件中，然后依次点击“分析”-“数据降维”-“主成分”命令。

在弹出的对话框中，我们选择需要进行主成分分析的变量，即员工对不同问题的评分。

在选择了变量后，我们可以点击“选项”按钮，对分析进行进一步设置，比如选择旋转方法、提取条件等。

在进行了上述设置后，我们点击“确定”按钮，SPSS将会为我们生成主成分分析的结果。

在结果中，我们可以看到提取的主成分个数、每个主成分的方差解释比例、成分矩阵等信息。

通过这些信息，我们可以判断提取的主成分是否符合要求，以及每个主成分的解释能力如何。

解读结果：在这个案例中，我们提取了3个主成分，这3个主成分分别解释了总方差的60%、25%和15%。

成分矩阵显示了每个问题对应的主成分载荷，通过分析载荷大小，我们可以判断每个主成分所代表的具体内容。

比如，第一个主成分可能代表工作内容满意度，第二个主成分可能代表同事关系满意度，第三个主成分可能代表薪酬福利满意度。

SPSS案例分析

SPSS案例分析

SPSS-单因素方差分析（ANOVA) 案例解析一．问题雌性老鼠和雄性老鼠，在注射毒素后，经过一段时间，观察老鼠死亡和存活情况。

研究的问题是：老鼠在注射毒液后，死亡和存活情况，会不会跟性别有关？二．解决方案1.首先输入数据，样本数据如下所示：（a代表雄性老鼠 b代表雌性老鼠0代表死亡 1 代表活着 tim 代表注射毒液后，经过多长时间，观察结果）2.点击“分析”——比较均值———单因素AVOVA, 如下所示：从上图可以看出，只有“两个变量”可选, 对于“组别（性别）”变量不可选，这里可能需要进行“转换”对数据重新进行编码，具体操作步骤如下：（1）点击“转换”—“重新编码为不同变量”，选择组别到字符串变量中，得到以下界面：（2）点击旧值和新值，将a,b分别用8,9进行替换，如下所示（3）点击继续，在输出变量名称中输入性别，如下图所示：最终得到如下结果:3.此时的8 代表a(雄性老鼠） 9代表b雌性老鼠，我们将“生存结局”变量移入“因变量列表”框内，将“性别”移入“因子”框内，点击“两两比较”按钮，.如下所示：勾选“将定方差齐性”下面的 LSD 选项和“未假定方差齐性”下面的Tamhane's T2选项,点击继续4.点击“选项”按钮，勾选“描述性”和“方差同质检验”以及均值图等选项.如下所示：得到如下结果：单向附注创建的输出07-6月-2013 09时04分01秒注释输入活动的数据集数据集0过滤器<none>权重<none>拆分文件<none>工作数据文件中的N 行20 缺失值处理缺失定义用户定义的缺失值以缺失对待。

使用的案例每个分析的统计量都基于对于该分析中的任意变量都没有缺失数据的案例。

语法ONEWAY 生存结局us BY 性别/STA TISTICS DESCRIPTIVESHOMOGENEITY/PLOT MEANS/MISSING ANALYSIS/POSTHOC=LSD T2 ALPHA(0.05).资源处理器时间00 00:00:01.747 已用时间00 00:00:02.214[数据集0]警告没有对生存结局us 执行“在此之后”检验，原因是组的数量小于三个。

SPSS数据分析报告金典模板三篇

SPSS数据分析报告金典模板三篇

SPSS数据分析报告金典模板三篇SPSS数据分析报告（模板一）学院：经济管理学院专业、班级： **人资*班学生姓名：某某人学二○一*年十一月十一日SPSS数据分析报告第一部分：原始资料和数据资料来源：华东交通大学经济管理学院11级人力资源管理3班29名同学实际情况编号姓名性别学科背景年龄身高体重体测成绩1 吕鑫0 文科20.5 164.2 54.2 812 王阳0 文科20 158.3 46.2 753 洪华阳0 理科21 171 57.2 714 刘卫秀0 理科21 165.5 54 755 吴梦琦0 文科21 166.2 48 696 韩玮0 文科20 164.3 47 617 汤丽娟0 文科21 162.8 48.2 668 江桂英0 理科20 157.2 44.2 709 熊如意0 文科20 166.5 54.5 7310 余婵0 文科19.5 156.2 45.5 7711 彭茜0 文科20 165.4 52.4 6612 赵丹0 文科20.5 174.3 55.6 7613 安怡君0 文科20 175 56.2 7214 武阳帆0 文科20.5 162.4 55.5 6715 倪亚萍0 文科22 157.5 48.6 7416 张明辉 1 文科21.5 170 60 7117 张春旭 1 理科20.5 168.5 57.8 8018 刘晓伟 1 文科21 170.5 59.5 7019 黄炜 1 文科20.5 171 62.2 7620 李强 1 文科20.5 167.5 56.5 6821 温明煌 1 文科21.5 170 60 7522 雷翀翀 1 理科21 168.5 60 7923 陈志强 1 文科22 180 70.4 7924 尹传萍 1 文科21.5 165.2 55.6 7825 郑南 1 理科21.5 168.5 55.9 6426 幸恒恒 1 文科21.5 168.5 58 7927 李拓 1 理科21.5 172 68.1 6628 张发宝 1 理科21 160.5 52.5 7329 杨涛 1 理科21.5 176 70.5 72原始资料和数据（SPSS软件截图）：图1 变量视图图2 数据视图第二部分：数据分析一、描述性分析打开文件“11人资3班29名同学的身高、体重、年龄数据”，通过菜单兰中的分析选项，进行描述性分析，选择年龄、体重和身高，求最大值、最小值、方差、偏度、峰度和均值，得到如下结果：表1-2年龄分布表年龄频率百分比有效百分比累积百分比有效19.50 1 3.4 3.4 3.420.00 6 20.7 20.7 24.120.50 6 20.7 20.7 44.821.00 7 24.1 24.1 69.021.50 7 24.1 24.1 93.122.00 2 6.9 6.9 100.0合计29 100.0 100.0图1-3身高分布直方图图1-4体重分布条形图文字描述：从SPSS 分析结果中可以得出，有效数据共有29个。