SPSS数据分析报告.docx

SPSS数据分析报告.docx

SPSS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=+.