SPSS数据分析报告.docx | 您所在的位置:网站首页 › spss数据分析教学 › SPSS数据分析报告.docx |
SPSS数据分析报告.docx 文档编号:10197821上传时间:2023-02-09格式:DOCX页数:10大小:59.66KBSPSS数据分析报告 SPSS数据分析报告 第一部分: 原始资料和数据
资料来源: 某班级 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 81 2 王阳 0 文科 20 75 3 洪华阳 0 理科 21 171 71 4 刘卫秀 0 理科 21 54 75 5 吴梦琦 0 文科 21 48 69 6 韩玮 0 文科 20 47 61 7 汤丽娟 0 文科 21 66 8 江桂英 0 理科 20 70 9 熊如意 0 文科 20 73 10 余婵 0 文科 77 11 彭茜 0 文科 20 66 12 赵丹 0 文科 76 13 安怡君 0 文科 20 175 72 14 武阳帆 0 文科 67 15 倪亚萍 0 文科 22 74 16 张明辉 1 文科 170 60 71 17 张春旭 1 理科 80 18 刘晓伟 1 文科 21 70 19 黄炜 1 文科 171 76 20 李强 1 文科 68 21 温明煌 1 文科 170 60 75 22 雷翀翀 1 理科 21 60 79 23 陈志强 1 文科 22 180 79 24 尹传萍 1 文科 78 25 郑南 1 理科 64 26 幸恒恒 1 文科 58 79 27 李拓 1 理科 172 66 28 张发宝 1 理科 21 73 29 杨涛 1 理科 176 72 第二部分: 数据分析 一、描述统计 打开文件“某班级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: 描述统计量 N 极小值 极大值 均值 方差 偏度 峰度 统计量 统计量 统计量 统计量 统计量 统计量 标准误 统计量 标准误 身高 29 体重 29 有效的N(列表状态) 29 表1-1统计量描述分析 年龄 频率 百分比 有效百分比 累积百分比 有效 1 6 6 7 7 2 合计 29 表1-2年龄分布表 图1-3身高分布直方图 fdr打fl "“「.-■i-SiK7 图1-4体重分布条形图 文字描述: 从SPS分析结果中可以得出,有效数据共有29个。 其中年龄主要分布在岁之间, 其中又以之间最多。 身高的极小值为,极大值为,均值为,方差为,该项指标方差过大,说明身高存在较大差异,当然极值的出现对此影响较大,从条形分布图中看出身高在165-175 之间人数较多,身高的偏度为负,呈现右偏分布状态。 体重的极小值为,极大值为,均值为,方差为,该指标方差偏大,个体之间差异性显著,从条形图中可以看出50-60kg之间分布较 多,体重的偏度为负,呈现出右偏分布状态,峰度为负,分布呈低峰态。 这些数据都可以从图表中轻易得出。 、相关分析(以身高和体测成绩为例进行相关性分析)
O O O 0 0 CO O O O Q O OQ CO O O 0 O 0O O O O JCi\Us*rsrninflstrator\Documflnts•.产L茎射 r;- 川u- 砰L EO- H5SC0 1辭DO 170QO 17-i,Q0 1RP0C
之间的散点图 图4-1身高和体测成绩 身高 体测成绩 身高 Pearson相关性 1 .097 显著性(双侧) .615 N 29 29 体测成绩 Pearson相关性 .097 1 显著性(双侧) .615 N 29 29 表4-1身高和体测成绩之间的相关性分析 按【图形】T【旧对话框】T【散点图】的流程,以身高为横轴,体测成绩为纵轴,得到如上如所示的散点图,可以看出各点分布较多零散,相关性不强。 再做【分析】T【相关】t【双变量】操作,得出如4-1所示的表格,可以看出相关系数仅为,相关性较弱,与上面散点图所呈现出的状态相符合。 这表明身高和体测成绩之间的相关性不大。 三、均值检验(在此以身高为例,其他指标分析类似) 易知该样本总体服从正态分布,从中选出吴梦琪,熊如意,刘晓伟,尹传萍共4个数据。 计算得出的平均值为。 我们现在以单样本T检验为例,对身高进行均值检验。 建立原假设H0: 总体均值与检验值之间不存在显著性差异。 下面我们对此进行分析: 选择菜单【分析】t【比 单个样本检验 检验值= t df Sig.双侧) 均值差值 差分的95%置信区间 下限 上限 身高 28 表2-1,单样本T检验分析结果 由图表可知: 样本总体均值为,标准差为,均值标准误差为•样本检验值为,第二列是统计 量的观测值;第三列是自由度;第四列是统计量观测值的双尾概率Pf直;第五列是样本均值 与检验的差值;第六列和第七列是总体均值与原假设值差的95%的置信区间,因为在置信区间(,)内,所以我们有95%的把握认为总体均值和样本均值之间不存在显著性差异。 四、回归分析(在此以身高和体重之间的关系为例进行分析) 29个样本 有科学研究表明,身高和体重存在一定得线性相关关系,在此我们以某班级 为例为此作出分析。 选择【分析】T【回归】T【线性】进行分析,得到如下的输出结果 输入/移去的变量b 模型 输入的变量 移去的变量 方法 1 体重a 输入 a.已输入所有请求的变量。 b.因变量: 身高 表5-1 模型汇总 模型 R R方 调整R方 标准估计的误 差 1 .847a .717 .706 a.预测变量: (常量),体重。 表5-2 从表5-2中可以看出相关系数R=,即身高和体重之间存在较强的线性相关关系。 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 (常量) .000 体重 .720 .087 .847 .000 a.因变量: 身高 Anovab 模型 平方和 df 均方 F Sig. 1 回归 1 .000a 残差 27 总计 28 a.预测变量: (常量),体重。 b.因变量: 身高
系数Bootstrap 模型 B Bootstrapa 偏差 标准误差 显著性水平(双 侧) %置信区间 下限上限 1 (常量) .033 体重 .720 .014 .104 .033 .514 .962 a.Unlessotherwisenoted,bootstrapresultsarebasedon29bootstrapsamples 从上图中可以得出体重xM身高y的线性关系可以用二元线性函数表示,a=,b=•相应的直 线方程为y=+. |
CopyRight 2018-2019 实验室设备网 版权所有 |