spass软件与统计分析实验报告

Spass16.0与统计数据分析 实验报告 实验课程：专业统计软件运用 上课时间： 2012  学年 上 学期 16 周        （ 2012 年 06 月 04 日 —07日） 姓名：  花满楼  学号： 2010201101 班级： 0301008班 学院： 经济管理学院 上课地点： 经管实验室五楼 指导教师： 刘  进  第六章实验 一 实验1及目的 1. 某农场为了比较4种不同品种的小麦产量的差异，选择土壤条件基本相同的土地，分成16块，将每一个品种在4块试验田上试种，测得小表亩产量（kg）的数据如表6.17所示（数据文件为data6-4.sav），试问不同品种的小麦的平均产量在显著性水平0.05和0.01下有无显著性差异。（数据来源：《SPSS实用统计分析》 郝黎仁，中国水利水电出版社） 表6.17 小麦产量的实测数据 品种 A1 A2 A3 A4 产量 277.5 244.2 249.2 273 276.4 249.5 244.2 240.9 271 236.8 252.8 257.4 272.4 239 251.4 266.5           二 实验内容 解决问1的原理：单因素方差分析 实验步骤：1.打开数据文件data6-4.sav 2.选择analyze—compare means—one-way ANOVA 3.dependent list 框里为产量，factor为品种 4.在options中选择homogeneity of variance test和exclude cases analysis by analysis 5.在post hoc按钮里选择LSD，改变相关系数为0.05和0.01 6.得出结果 三 结果分析 1.实验结果图如下 Test of Homogeneity of Variances 产量       Levene Statistic df1 df2 Sig. 3.593 3 12 .046         ANOVA 产量             Sum of Squares df Mean Square F Sig. Between Groups 2263.482 3 754.494 12.158 .001 Within Groups 744.715 12 62.060     Total 3008.197 15                   2.数据分析：在0.05和0.01显著性水平下，H0假设都是：方差相等，从上表中可以看出Sig.=0.046，小于0.05大于0.01，所以在0.05的显著性水平下不接受H0假设，即有显著性差异，但是在0.01的显著性水平下接受H0假设，即无显著性差异。 一 实验2及目的 2. 某公司希望检测四种类型的轮胎A，B，C，D的寿命（由行驶的里程数决定），见表6.18（单位：千英里）（数据文件为data6-5.sav），其中每种轮胎应用在随机选择的6辆汽车上。在显著性水平0.05下判断不同类型轮胎的寿命间是否存在显著性差异？（数据来源：《统计学（第三版）》，M.R.斯皮格尔，科学出版社） 表6.18 四种轮胎的寿命数据 A 33 38 36 40 31 35 B 32 40 42 38 30 34 C 31 37 35 33 34 30 D 29 34 32 30 33 31               二 实验内容 解决问题2的原理：单因素方差分析 实验步骤：1.打开数据文件data6-5.sav 2.选择analyze—compare means—one-way ANOVA 3.方差相等的齐性检查。将“历程”、“轮胎”分别移入Dependent List以及Factor。点击Options按钮，选中Homogeneity of variance test（方差齐性检验），而后运行 4.多重分析比较。在One-way NOVA中单击Post Hoc…按钮，选择LSD方法，显著性水平取0.05，单击 Options按钮，选中Descripive和Means plot，对数据进行整体描绘 5.得出结果。 三 结果分析 1.数据截图 Test of Homogeneity of Variances 里程       Levene Statistic df1 df2 Sig. 3.088 3 20 .050         ANOVA 里程             Sum of Squares df Mean Square F Sig. Between Groups 77.500 3 25.833 2.388 .099 Within Groups 216.333 20 10.817     Total 293.833 23                   2：数据分析：在0.05显著性水平下，H0假设是：方差相等，从上表中可以看出Sig.=0.050，等于于0.05，所以在0.05的显著性水平下接受H0假设，说明没有显著性差异。 一 实验3及目的 3. 某超市将同一种商品做3种不同的包装（A）并摆放在3个不同的货架区（B）进行销售试验，随机抽取3天的销售量作为，具体资料见表6.20。要求检验：在显著性水平0.05下商品包装、摆放位置及其搭配对销售情况是否有显著性影响。（数据来源：《应用统计学》 耿修林，科学出版社；数据文件：data6-7.sav） 表6.20 销售样本资料   B1 B2 B3 A1 5,6,4 6,8,7 4,3,5 A2 7,8,8 5,5,6 3,6,4 A3 3,2,4 6,6,5 8,9,6         二 实验内容 解决问题3的原理：多因素方差分析原理 实验步骤：1.分析，需要研究不同包装的产品A和不同货架区对销售量的影响。这是一个多因素方差分析问题。 2.数据组织，按表6.20的变量名组织成4列数据。 3．变量设置，按Analyze→General LinearModel→Univeariate的步骤打开 Univariate对话框。并将“销售量”变量移入Dependent Variable框中作为观测变量，将“包装（A）”、“货架区（B）”移入Fixed Factor（s）中作为控制变量。 4.设置方差齐性检验，单击Options按钮，由于方差分析要求不同组别数据方差相等，故应进行方差齐性检验，选中“Homogeneity tests 5.得出结果。 三 结果分析 1.数据截图 Between-Subjects Factors     Value Label N 包装 1 A1 9 2 A2 9 3 A3 9 摆放位置 1 B1 9 2 B2 9 Levene's Test of Equality of Error Variancesa Dependent Variable:销量   F df1 df2 Sig. .754 8 18 .646 Tests the null hypothesis that the error variance of the dependent variable is equal across groups. a. Design: Intercept + casing + place + casing * place             Tests of Between-Subjects Effects Dependent Variable:销量         Source Type III Sum of Squares df Mean Square F Sig. Corrected Model 65.407a 8 8.176 7.612 .000 Intercept 822.259 1 822.259 765.552 .000 casing .963 2 .481 .448 .646 place 3.185 2 1.593 1.483 .253 casing * place 61.259 4 15.315 14.259 .000 Error 19.333 18 1.074     Total 907.000 27       Corrected Total 84.741 26       a. R Squared = .772 (Adjusted R Squared = .670)                 Multiple Comparisons Dependent Variable:销量             (I) 包装 (J) 包装 Mean Difference (I-J) Std. Error Sig. 95% Confidence Interval   Lower Bound Upper Bound LSD A1 A2 -.44 .489 .375 -1.47 .58 A3 -.11 .489 .823 -1.14 .92 A2 A1 .44 .489 .375 -.58 1.47 A3 .33 .489 .504 -.69 1.36 A3 A1 .11 .489 .823 -.92 1.14 A2 -.33 .489 .504 -1.36 .69 Tamhane A1 A2 -.44 .778 .924 -2.52 1.63 A3 -.11 .915 .999 -2.58 2.36 A2 A1 .44 .778 .924 -1.63 2.52 A3 .33 .941 .980 -2.19 2.86 A3 A1 .11 .915 .999 -2.36 2.58 A2 -.33 .941 .980 -2.86 2.19 Based on observed means. The error term is Mean Square(Error) = 1.074.                       2.数据分析：从上图可以看出，所有的LSD方法的结果中，三组相伴概率Sig.均大于显著性性水平0.05，所以不能拒绝原假设，结果没有显著性影响。 一 实验4及目的 4. 研究杨树一年生长量与施用氮肥和钾肥的关系。为了研究这种关系，一共进行了18个样地的栽培实验，测定杨树苗的一年生长量、初始高度、全部实验条件（包括氮肥量和钾肥量）及实验结果（杨树苗的生长量）数据如表6.21，请在显著水平0.05下检验氮肥量、钾肥量及树苗初始高度中哪些对杨树的生长有显著性影响。（数据来源：《生物数学模型的统计学基础》李勇，科学出版社；数据文件：data6-8.sav） 表6.21 杨树栽培试验数据 序号 氮肥量 钾肥量 树苗初高 生长量 序号 氮肥量 钾肥量 树苗初高 生长量 1 少 0 4.5 1.85 10 多 0 6.5 2.15 2 少 0 6 2 11 多 0 6 1.99 3 少 0 4 1.6 12 多 0 6.5 2.06 4 少 12.5 6.5 2 13 多 12.5 4 1.93 5 少 12.5 7 2.04 14 多 12.5 6 2.1 6 少 12.5 5 1.91 15 多 12.5 5.5 2.15 7 少 25 7 2.4 16 多 25 5 4.2 8 少 25 5 4.25 17 多 25 6 2.3 9 少 25 5 2.1 18 多 25 5.5 4.25                     二 实验内容 解决问题4的原理：多因素方差分析原理 实验步骤：1.打开数据源文件data6-8.sav 2.变量设置，按Analyze→General LinearModel→Univeariate的步骤打开Univariate对话框。并将“生长量”变量移入Dependent Variable框中作为观测变量，将“氮肥量”、“钾肥量”、“树苗初高”移入Fixed Factor（s）中作为控制变量。 3.设置方差齐性检验，单击Options按钮，由于方差分析要求不同组别数据方差相等，故应进行方差齐性检验，选中“Homogeneity tests 4.得出结果 三 结果分析 1.数据截图 Tests of Between-Subjects Effects Dependent Variable:生长量         Source Type III Sum of Squares df Mean Square F Sig. Corrected Model .574a 15 .038 5.006 .179 Intercept 69.453 1 69.453 9078.823 .000 N 6.429E-5 1 6.429E-5 .008 .935 K .143 2 .072 9.378 .096 height .144 6 .024 3.143 .261 N * K .000 0 . . . N * height .000 0 . . . K * height .005 2 .003 .332 .751 N * K * height .000 0 . . . Error .015 2 .008     Total 77.801 18       Corrected Total .590 17       a. R Squared = .974 (Adjusted R Squared = .779)                 2.数据分析：从表格中可以看出，“氮肥量”、“钾肥量”、“树苗初高”的相伴概率Sig.均大于0.05，所以他们对杨树的生长无显著性影响。