《最新SPSS上机实验报告讲解.doc》由会员分享，可在线阅读，更多相关《最新SPSS上机实验报告讲解.doc（129页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-dateSPSS上机实验报告讲解SPSS上机实验报告讲解实验名称：频数分布 实验目的和要求：绘制频数分布表、频数分布直方图并分析集中趋势指标、差异性指标和分布形状指标实验内容：绘制频数分布表和频数分布直方图并分析实验记录、问题处理：绘制频数分布表销售额频率百分比有效百分比累积百分比有效79.0013.33.33.380.0013.33.36.782.0013.33.310.0
2、85.0026.76.716.789.0013.33.320.093.0013.33.323.395.0013.33.326.796.0026.76.733.397.0026.76.740.099.0026.76.746.7105.0026.76.753.3106.0013.33.356.7109.0013.33.360.0110.0013.33.363.3112.0026.76.770.0113.0013.33.373.3114.0013.33.376.7115.0013.33.380.0124.0013.33.383.3129.0026.76.790.0130.0026.76.796.71
3、90.0013.33.3100.0合计30100.0100.0频数分布直方图集中趋势指标、差异性指标和分布形状指标统计量销售额N有效30缺失0均值106.8333均值的标准误3.97755中值105.0000众数85.00a标准差21.78592方差474.626偏度1.915偏度的标准误.427峰度6.297峰度的标准误.833全距111.00极小值79.00极大值190.00和3205.00a. 存在多个众数。显示最小值实验结果分析：从统计量表可以看出有效样本数有30个，没有缺失值。平均销售额是106.8333，标准差为21.78592。从频数分布表可以看出样本值、频数占总数的百分比、累计
4、百分比。从带正态曲线的直方图可以看出销售额集中在110实验名称：列联表 成绩：实验目的和要求：绘制频数表、相对频数表并进行显著性检验和关系强度分析实验内容：绘制频数表、相对频数表并分析实验记录、问题处理：满意度* 性别 交叉制表性别合计男性女性满意度不满意计数19827满意度 中的 %70.4%29.6%100.0%性别 中的 %35.2%17.4%27.0%总数的 %19.0%8.0%27.0%一般计数232144满意度 中的 %52.3%47.7%100.0%性别 中的 %42.6%45.7%44.0%总数的 %23.0%21.0%44.0%满意计数121729满意度 中的 %41.4%5
5、8.6%100.0%性别 中的 %22.2%37.0%29.0%总数的 %12.0%17.0%29.0%合计计数5446100满意度 中的 %54.0%46.0%100.0%性别 中的 %100.0%100.0%100.0%总数的 %54.0%46.0%100.0%卡方检验值df渐进 Sig. (双侧)Pearson 卡方4.825a2.090似然比4.9312.085线性和线性组合4.6501.031有效案例中的 N100a. 0 单元格(0.0%) 的期望计数少于 5。最小期望计数为 12.42。对称度量值近似值 Sig.按标量标定.220.090Cramer 的 V.220.090有效案
6、例中的 N100a. 不假定零假设。b. 使用渐进标准误差假定零假设。实验结果分析：从卡方检验看出sig0.05,不显著。所以男生女生对满意与否评价没有差异实验名称：方差分析 成绩：实验目的和要求：单因子方差分析、多因子方差和协方差分析实验内容：进行单因子方差分析并输出方差分析表、显著性检验及解释结果、多因子方差和协方差分析并输出方差分析表和协方差分析表、显著性检验及解释结果。实验记录、问题处理：单因子方差分析分析比较均值，单因素键入销售额为因变量，键入促销力度为因子两两比较打钩L检验，选项方差齐性检验打钩得：ANOVA销售额平方和df均方F显著性组间7250.66722329.576170.
7、891.000组内13.50071.929总数7264.16729多因子方差分析分析一般线性模型，单变量键入店内促销和赠券状态为固定因子，销售额为因变量两两比较打钩L检验，选项方差齐性检验打钩，得：主体间效应的检验因变量:销售额源III 型平方和df均方FSig.校正模型162.667a532.53333.655.000截距1104.13311104.1331142.207.000店内促销106.067253.03354.862.000赠券状态53.333153.33355.172.000店内促销 * 赠券状态3.26721.6331.690.206误差23.20024.967总计1290.0
8、0030校正的总计185.86729a. R 方 = .875（调整 R 方 = .849）协方差分析分析一般线性模型，单变量键入店内促销和赠券状态为固定因子，销售额为因变量，键入客源排序为协变量两两比较打钩L检验，选项方差齐性检验打钩，得：主体间效应的检验因变量:销售额源III 型平方和df均方FSig.校正模型163.505a627.25128.028.000截距103.3461103.346106.294.000客源排序.8381.838.862.363店内促销106.067253.03354.546.000赠券状态53.333153.33354.855.000店内促销 * 赠券状态3.
9、26721.6331.680.208误差22.36223.972总计1290.00030校正的总计185.86729a. R 方 = .880（调整 R 方 = .848）实验结果分析：单因子：组间显著性为0.000，小于0.05，显著影响。多因子：店内促销和赠券状态显著性分别都为0.000，小于0.05，显著影响。但是店内促销和赠券状态交互作用的显著性为0.206，大于0.05，不显著。协方差：经协变量客源排序的显著性为0.363，对销售额影响不显著。店内促销的显著性为0.000，小于0.05，对销售额影响显著。赠券状态的显著性为0.000，小于0.05，对销售额影响显著。店内促销和赠券状态
10、的交互作用显著性为0.208，大于0.05，对销售额影响不显著实验名称：相关分析 成绩：实验目的和要求：计算Pearson相关系数和简单相关系数并分析实验内容：计算Pearson相关系数和简单相关系数并分析实验记录、问题处理：分析相关，双变量添加收、家庭人口、受教育程度、汽车保有量默认pearson分析确定，得：相关性收入家庭人口家长受教育年数汽车保有量收入Pearson 相关性1-.008.327*.208*显著性（双侧）.936.001.038N100100100100家庭人口Pearson 相关性-.0081.122.576*显著性（双侧）.936.226.000N10010010010
11、0家长受教育年数Pearson 相关性.327*.1221.207*显著性（双侧）.001.226.039N100100100100汽车保有量Pearson 相关性.208*.576*.207*1显著性（双侧）.038.000.039N100100100100*. 在 .01 水平（双侧）上显著相关。*. 在 0.05 水平（双侧）上显著相关。实验结果分析：1、收入对受教育年数，相关系数为0.327，显著性为0.001，小于0.01，所以收入和受教育年为正向相关，且相关性很强。2、收入对汽车保有量，相关系数为0.208，显著性为0.038，小于0.05，所以收入对汽车保有量为正向相关。3、家庭
12、人口对汽车保有量，相关系数为0.576，显著性为0.000，小于0.01，所以收入对汽车保有量为正向相关，且相关性很强。4、受教育年数对收入，相关系数为0.327，显著性为0.001，小于0.01，所以受教育年数对收入为正想相关，且相关性很强。实验名称：回归分析 成绩：实验目的和要求：掌握简单回归模型和多元回归分析的SPSS操作方法实验内容：检验简单回归模型、绘制散点图、输出回归结果并分析、残差分析；检验多元回归分析模型、输出回归结果并分析及残差分析。实验记录、问题处理：（一）简单回归得出模型汇总模型RR 方调整 R 方标准 估计的误差1.754a.569.5541.691a. 预测变量: (
13、常量), 促销水平。Anovaa模型平方和df均方FSig.1回归105.8001105.80036.999.000b残差80.067282.860总计185.86729a. 因变量: 月均销售额b. 预测变量: (常量), 促销水平。系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)10.667.81713.059.000促销水平-2.300.378-.754-6.083.000a. 因变量: 月均销售额实验结果分析：R方为0.554，拟合优度一般。P值sig显著表达式：销售额=10.667-2.3*促销水平（二）多元线性回归得：模型汇总模型RR 方调整 R 方标准 估计的
14、误差1.754a.569.5541.6912.925b.856.846.995a. 预测变量: (常量), 店内促销。b. 预测变量: (常量), 店内促销, 赠券状态。Anovaa模型平方和df均方FSig.1回归105.8001105.80036.999.000b残差80.067282.860总计185.867292回归159.133279.56780.360.000c残差26.73327.990总计185.86729a. 因变量: 销售额b. 预测变量: (常量), 店内促销。c. 预测变量: (常量), 店内促销, 赠券状态。系数a模型非标准化系数标准系数tSig.B标准 误差试用版1
15、(常量)10.667.81713.059.000店内促销-2.300.378-.754-6.083.0002(常量)14.667.72720.183.000店内促销-2.300.222-.754-10.337.000赠券状态-2.667.363-.536-7.339.000a. 因变量: 销售额实验结果分析：R方在第二次拟合达到0.856，说明模型的拟合的情况非常好方差分析表显示P值sig0.05，说明模型非常显著。表达式：销售额=14.667-2.3*店内促销-2.667*赠券状态实验名称：Logistic回归 成绩：实验目的和要求：掌握Logistic回归分析的SPSS操作方法实验内容：估
16、计和检验Logistic回归系数并解释结果。实验记录、问题处理： 得出：分类表a已观测已预测品牌忠诚百分比校正01步骤 1品牌忠诚012380.0131280.0总计百分比80.0a. 切割值为 .500方程中的变量BS.E,WalsdfSig.Exp (B)步骤 1a品牌态度1.274.4797.0751.0083.575产品态度.186.322.3351.5631.205购物态度.590.4911.4421.2301.804常量-8.6423.3466.6721.010.000a. 在步骤 1 中输入的变量: 品牌态度, 产品态度, 购物态度.实验结果分析：结果显示：品牌忠诚=1.274*
17、品牌态度+0.186*产品态度+0.590*购物态度-8.462其中品牌态度的sig小于0.05,所以品牌态度与品牌购买正向变化显著。但是因为产品态度和购物态度的sig大于0.05，所以这两个变量与品牌购买的正向变化不显著实验名称：因子分析 成绩：实验目的和要求：掌握因子分析的SPSS操作方法实验内容：KMO和Barlett氏检验；输出碎石图及旋转前后的因子矩阵；各因子的特征值和解释的方差比例；解释因子并命名；计算因子得分。实验记录、问题处理：步骤处理：分析降维因子分析将度量变量键入变量框，选取描述，勾选KMO与bartlett球形度检验选取抽取，勾选碎石图选取旋转，勾选载荷图选取得分，勾选保
18、存变量和因子得分系数矩阵KMO 和 Bartlett 的检验取样足够度的 Kaiser-Meyer-Olkin 度量。.589Bartlett 的球形度检验近似卡方101.749df15Sig.000如图所示：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 %12.56942.82142.8212.56942.82142.82122.27237.86880.6902.27237.86880.6903.4317.18887.8784.3455.74393.6215.3055.09198.7126.0771.288100.000提取方法：主成份分析。成份矩阵a成份
19、12预防蛀牙.940.189牙齿亮泽-.241.814保护牙根.930.059口气清新-.311.800不预防坏牙-.808-.386富有魅力-.112.884提取方法 :主成分分析法。a. 已提取了 2 个成份。旋转成份矩阵a成份12预防蛀牙.957-.047牙齿亮泽-.034.849保护牙根.916-.171口气清新-.105.852不预防坏牙-.878-.176富有魅力.108.884提取方法 :主成分分析法。 旋转法 :具有 Kaiser 标准化的正交旋转法。a. 旋转在 3 次迭代后收敛。成份得分系数矩阵成份12预防蛀牙.366.083牙齿亮泽-.094.358保护牙根.362.02
20、6口气清新-.121.352不预防坏牙-.315-.170富有魅力-.044.389提取方法 :主成分分析法。 构成得分。实验结果分析：KMO值为0.589，sig值为0.000，适合作因子分析各因子的特征值和解释的方差比例可以在“解释的总方差”中看出，其中我们可以知道，特征值2.569和2.272可以解释方差比例分别是42.821%和37.868%。因为因子1在预防蛀牙、保护牙根有很大载荷，所以将其命名为保健因子。因子2在牙齿亮泽、口气清新、富有魅力有很大载荷，所以将其命名为社交因子。计算因子得分，得保健因子=0.366*预防蛀牙-0.094*牙齿亮泽+0.362*保护牙龈-0.121*口气
21、清新-0.315*不预防坏牙-0.044*富有魅力社交因子=0.083*预防蛀牙+0.358*牙齿亮泽+0.026*保护牙根+0.352*口气清新-0.170*不预防坏牙+0.389*富有魅力实验名称：聚类分析 成绩：实验目的和要求：掌握分层聚类和K-means聚类的SPSS操作方法实验内容：进行分层聚类和K-means聚类分析并输出结果。实验记录、问题处理：分层聚类：步骤处理：分析分类系统聚类将度量变量键入变量框，勾选统计量中的聚类成员中的方案范围，并且设置为最小3最大5.勾选绘制中的树状图打开保存选项卡，勾选聚类成员中的方案范围，设置最小3最大5结果如图所示：聚类表阶群集组合系数首次出现阶
22、群集下一阶群集 1群集 2群集 1群集 2114162.0000032672.000007310143.00001842133.000001455113.0000096383.000001576124.000201084104.33303119594.500501210165.0000713114197.2508017125207.3339014131178.25010015142510.75041218151311.300136161611514.000150191741820.20011018182438.611141719191248.29216180群集成员案例5 群集4 群集3 群集
23、1111222231114333522261117111811192221033311222121111322214333154111633317111185431933320222* * * * * * * * * * * * * * * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * * * * * * * * * * * * * * * Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Com
24、bine C A S E 0 5 10 15 20 25 Label Num +-+-+-+-+-+ 14 -+ 16 -+-+ 10 -+ +-+ 4 -+ +-+ 19 -+ +-+ 18 -+ | 2 -+-+ +-+ 13 -+ | | | 5 -+-+ +-+ | 11 -+ +-+ | | 9 -+ +-+ | 20 -+ | 3 -+-+ | 8 -+ | | 6 -+-+ +-+ | 7 -+ | | | | 12 -+-+ | +-+ 1 -+ +-+ | 17 -+ | 15 -+K均值聚类：步骤处理：分析分类K聚类将变量键入变量框，勾选保存中的聚类成员勾选选项中的是统计量
25、下的三个复选框如图所示：初始聚类中心聚类12购物有趣71购物导致超支33购物与就歺结合72争取最合算交易42对购物没兴趣16比较价格省钱44聚类成员案例号聚类距离112.611221.552313.555413.191522.919611.706712.000813.015922.0991023.2261122.203121.8531322.5531414.4421512.8921624.2381712.8601823.9111915.0362022.994迭代历史记录a迭代聚类中心内的更改1213.0152.9192.000.000a. 由于聚类中心内没有改动或改动较小而达到收敛。任何中心的
26、最大绝对坐标更改为 .000。当前迭代为 2。初始中心间的最小距离为 9.487。 最终聚类中心聚类12购物有趣52购物导致超支44购物与就歺结合52争取最合算交易44对购物没兴趣25比较价格省钱54最终聚类中心间的距离聚类1215.34225.342ANOVA聚类误差FSig.均方df均方df购物有趣49.47911.0591846.701.000购物导致超支.72912.05918.354.559购物与就歺结合48.84911.5611831.290.000争取最合算交易.89112.38418.374.549对购物没兴趣39.31411.0911836.037.000比较价格省钱2.00512.25318.890.358F 检验应仅用于描述性目的，因为选中的聚类将被用来最大化不同聚类中的案例间的差别。观测到的显著性水平并未据此进行更正，因此无法将其解释为是对聚类均值相等这一假设的检验。每个聚类中的案例数聚类111.00029.000有效20.000缺失.000实验结果分析：系统聚类：从聚类表可以知道聚类的具体过程。从群集成员表中可以知道，当划分为35类时，每一样品都分别属于哪一类。从冰柱图可以知道聚合的具体过程。从树状图可以知道样本逐步合并的过程。K聚类：从聚类成员分析可以知道每个案列属于哪一类并且每一案例到最终聚类中心的距离。-