姓名:

成功

學號:

2０1１51６199

班級:

會計二班

實驗報告二 實驗項目: : 描述性統計分析

實驗目得: :

1、掌握數據集中趨勢與離中趨勢得分析方法;２、熟練掌握各個分析過程得基本步驟以及彼此之間得聯系與區別、實驗內容及步驟

一、數據輸入

案例:對 6 名男生與６名女生得肺活量得統計,數據如下:

1.打開 spss 軟件,進行數據輸入:通過打開數據得方式對 xｌs 得數據進行輸入

其變量視圖為:

二、探索分析

進行探索分析得出如下輸出結果: 瀏覽

由上表可以瞧出,6 例均為有效值,沒有記錄缺失值得情況。

由上表可以瞧出,男女之間肺活量得差異,男生明顯優于女生,范圍更廣,偏度大。

男

男 stem-and—leaｆ plｏt

frequency

stem ＆

lｅaf

２、00

1.34

2.00

1.８９2、002、02

stｅm widｔh:

1000

eaｃh lｅaｆ:

１ ｃasｅ(s)

女

女 stem—ａnd-lｅaf plot

frｅquency

stem ＆

leａf

2。00

1。

２３3、0０

1.568

1。０02、0

ｓtem ｗidth:

１０00

eacｈ leaf:

1 caｓe(s)

三、頻率分析

進行頻率分析得出如下輸出結果:

由上圖可知,分析變量名:肺活量。可見樣本量 n 為６例,缺失值 0 例, 150０以下得 3３％,1500-２０00 男生３3%女生５０％,2000 以上女生 1６。7％,男生３3%。

四、描述分析

進行描述分析得出如下輸出結果: 由上圖可知,分析變量名:工資,可見樣本量ｎ為6例,極小值為男13４2女121３,極大值為男2200女2０77,說明1２人中肺活量最少得為女生就是12１３,最多得為男生有2200,均值為1８1０。50/1６２1、33,。標準差為３27.7３5/325。４08,離散程度不算大。

五、交叉分析

實驗報告三 實驗項目: : 均值比較

實驗目得: :。學習利用 sｐss 進行單樣本、兩獨立樣本以及成對樣本得均值檢驗。

實驗內容及步驟

（一）描述統計

案例:某醫療機構為研究某種減肥藥得療效,對 1５位肥胖者進行為期半年得觀察測試,測試指標為使用該藥之前與之后得體重、編號 1 ２ 3 4 5 服藥前 198 237 ２3３ 179 ２１9 服藥后 １92 2２５ 226 17２ 214 編號 6 7 8 9 10 服藥前 １6９ 222 167 １９９ ２33 服藥后 161 210 161 1９3 2２6 編號 １1 12 13 1４ 15 服藥前 １79

７ 服藥后 173 １5４ 143 20６ 2４９ 輸入 spss 建立數據、由上圖可知,結果輸出均值、樣本量與標準差、因為選擇了分組變量,所以三項指標均給出分組及合計值,可見以這種方式列出統計量可以非常直觀得進行各組間得比較、由上表可知,在顯著性水平為 0.05 時,服藥前后得概率 p 值為小于 0.05,拒絕零假設,說明服藥前后得體重有顯著性變化（二）

單樣本 t t 檢驗

進行單樣本 t 檢驗分析得出如下輸出結果:

由上表可以知,單個樣本統計量分析表,得基本情況描述,有樣本量、均值、標準差與標準誤,單樣本 t 檢驗表,第一行注明了用于比較得已知總體均值為 14,從左到右依次為 t 值(t)、自由度(dｆ)、p 值(sig、2—tａｉleｄ)、兩均值得差值(meａn diffeｒenｃe)、差值得 95％可信區間、由上表可知:t＝34.215,p=０。０0０〈0、05。因此可以認為肺氣腫得總體均值不等于 0、（三）

雙樣本 t t 檢驗

案例:研究某安慰劑對肥胖病人治療作用,用 2０名患者分組配對,測得體重

如下表,要求測定該安慰劑對人得體重作用就是否比藥物好。

進行雙樣本 t 檢驗得出如下輸出結果: t 檢驗

成對樣本統計量

均值 n 標準差 均值得標準誤 對 1 安 慰 劑組 121.8０ １０ 11、419 3、6１1 藥物組 11１.８0 10 １0.185 3。221 由上圖可知,對變量各自得統計描述,此處只有 1 對,故只有對１。

成對樣本相關系數

n 相關系數 ｓig、對 1 安慰劑組 & 藥物組 １0、８02、0０5 此處進行配對變量間得相關性分析

成對樣本檢驗

成對差分 t df sig、(雙側)均值 標準差 均值得標準誤 差分 9５％ 置信區間 下限 上限 對 １ 安慰劑組—藥物組 10、000 6.８96 ２、18１ 5、067 14、9３３ 4、586 9.001 配對 t 檢驗表,給出最終得檢驗結果,由上表可見 p＝0。001,故可認為安慰劑組與藥物組對肥胖病人得體重有差別影響

實驗報告四 實驗項目: : 相關分析

實驗目得: :

1.學習利用 spsｓ進行相關分析、偏相關分析、距離分析、線性回歸分析與曲線回歸、實驗內容及步驟

（一）兩變量得相關分析

案例:某醫療機構為研究某種減肥藥得療效,對 1５位肥胖者進行為期半年得觀察測試,測試指標為使用該藥之前與之后得體重。

編號 1 2 ３ 4 5 服藥前 19８ 237 ２３3 １79 219 服藥后 192 225 22６ 172 2１4 編號 6 7 8 ９ 10 服藥前 169 2２2 16７ 19９ ２33 服藥后 16１ 210 １６1 193 2２６ 編號 11 1２ 13 14 １5 服藥前 １７９

7 服藥后 １7３ １54 1４3 ２06 ２49 進行相關雙變量分析得出如下輸出結果: 相關性

相關系數系數表。變量間兩兩得相關系數就是用方陣得形式給出得、每一行與每一列得兩個變量對應得格子中就就是這兩個變量相關分析結果結果,共分為三列,分別就是相關系數、p 值與樣本數。由于這里只分析了兩個變量,因此給出得就是２＊2 得方陣。由上表可見,服藥前與服藥后自身得相關系數均為 1(of cｏurse),而治療前與治療后得相關系數為 0、91１ ,p〈0。01（二）

偏相關分析

偏相關 已知有某河流得一年月平均流量觀測數據與該河流所在地區當年得月平均雨量與月平均溫度觀測數據,如表所示、試分析溫度與河水流量之間得相關關系。

觀測數據表 月份 月平均流量 月平均雨量 月平均氣溫 1 ０、50 0.１0—８。8０ 2 0、30 0。10-11.00 ３ 0.40 0。40 －2、４0 4 1、4０ 0.４0 6.90 5 ３。30 2、７0 10、60 6 4.70 2、４0 1３、9０ 7 5。９0 2、50 15。4０ 8 4、7０ 3、０0 13、50 9 0、90 １.3０ 10、00 1０ 0。６0 1.80 2、70 11 0、50 0、６0-４。8０

12 0、30 0、2０-6、00

由上表可見控制月平均雨量之后,“月平均流量”與“月平均氣溫”得相關系數為 0。36５,p=0、27,p>０.05,因此“月平均流量”與“月平均氣溫"不存在顯著相關性。

（三）距離分析

案例:植物在不同得溫度下得生長狀況不同,下列就是三個溫度下得植物生長 編號 1０度 2０度 ３0 度 1 12、36 １2、4 12、18 2 12、14 12.２ 12、2２ 3 12.３1 12、28 12。３5 4 12。3２ 1２。25 12、21 ５ １2、12 12。22 12.１ 6 12.28 12、３4 12。２5 ７ １2。24 １２、3１ 12。2 ８ 12、41 1２。3 １2。4６近似值

（四）線性回歸分析

已知有某河流得一年月平均流量觀測數據與該河流所在地區當年得月平均雨量與月平均溫度觀測數據,如表所示。試分析關系。

觀測數據表 月份 月平均流量 月平均雨量 月平均氣溫 1 0。50 ０。１0—8、８０ 2 ０。３０ 0、１0—11。00 3 0、4０ ０。４0-2、40 4 １、４０ 0。４0 6。9０ ５ 3。３0 ２、7０ 10、60 6 ４、70 2.４０ １3.9０ ７ 5.90 2。５0 15.40 8 4。70 3、00 13。５0 9 0、90 １。30 10。00 10 0.60 １。80 ２。７0 11 ０、50 0。60-4、8０ 12 ０。30 0。２０—6.00 進行線性回歸分析得出如下輸出結果: 回歸

輸入/移去得變量ｂ

模型 輸入得變量 移去得變量 方法

1 月平均流量 a、輸入 a、已輸入所有請求得變量、b、因變量: 月平均雨量

由表可知,就是第一個問題得分析結果。這里得表格就是擬合過程中變量進入／退出模型得情況記錄,由于只引入了一個自變量,所以只出現了一個模型 1(在多元回歸中就會依次出現多個回歸模型),該模型中身高為進入得變量,沒有移出得變量, 這里得表格就是擬合過程中變量進入／退出模型得情況記錄,由于只引入了一個自變量,所以只出現了一個模型(在多元回歸中就會依次出現多個回歸模型),該模型中身高為進入得變量,沒有移出得變量。

模型匯總 模型 r ｒ 方 調整 r 方 標準 估計得誤差 1。85５ａ、７32.705、6117 a.預測變量:(常量), 月平均流量。

擬合模型得情況簡報,顯示在模型中相關系數r為0.855,而決定系數ｒ2為０.732,校正得決定系數為 0.７0５,說明模型得擬合度較高。

aｎｏvab 模型平方與 df 均方 f ｓiｇ。

１ 回歸 1０.２08 １ 1０。20８ ２7、２83.0０0ａ 殘差 ３。7４1 10。374

總計 １３.９49 11

a。

預測變量:(常量), 月平均流量。

b.因變量: 月平均雨量

這就是所用模型得檢驗結果,可以瞧到這就就是一個標準得方差分析表！從上表可見所用得回歸模型f值為２7。283,p值為．０0ａ,因此用得這個回歸模型就是有統計學意義得,可以繼續瞧下面系數分別檢驗得結果。由于這里所用得回歸模型只有一個自變量,因此模型得檢驗就等價與系數得檢驗,在多元回歸中這兩者就是不同得。

系數 a 模型 非標準化系數 標準系數 t ｓig.b 標準 誤差 試用版 1(常量).３87。24７

１、5６４.14９ 月平均流量.462。08８.855 ５。２2３.00０

系數 a 模型 非標準化系數 標準系數 t ｓig.b 標準 誤差 試用版 1(常量).３87。24７

１、5６４.14９ 月平均流量.462。08８.855 ５。２2３.00０ ａ.因變量: 月平均雨量

包括常數項在內得所有系數得檢驗結果。用得就是 t 檢驗,同時還會給出標化/未標化系數、可見常數項與身高都就是有統計學意義得 殘差統計量 a

極小值 極大值 均值 標準 偏差 n 預測值。526 3。１13 １。２９2。9633 12 殘差—.6３３7 1。1358。0000.583２ １2 標準 預測值—、795 １。8９０、０0０ 1、000 １2 標準 殘差—１.０3６ 1.8５7.000.953 １2 a。

因變量: 月平均雨量

圖表

（五）曲線回歸分析

某地 196３年調查得兒童年齡(歲)與體重得資料試擬合對數曲線。

年齡(歲)體重 １ 2 ３ ４ ５ 6 7 ６8 65 6７ ５0 70 7６ 77 進行曲線回歸分析得出如下輸出結果:

實驗報告五 實驗項目: : 聚類分析與判別分析

實驗目得: :

１、學習利用 spss 進行聚類分析與判別分析。

實驗內容及步驟

（一）系統聚類法

為確定老年婦女進行體育鍛煉還就是增加營養會減緩骨骼損傷,一名研究者用光子吸收法測量了骨骼中無機物含量,對三根骨頭主側與非主側記錄了測量值,結果見教材表。

: 受試者編號 主側橈骨 橈骨 主側肱骨 肱骨 主側尺骨 尺骨 1 1、1０3 1、０5２ ２、13９ 2.２38 ０.87３ 0、8７２ 2 0.842 ０.８59 １。873 １、74１ 0.590 0。7４4 3 0.9２5 0。8７3 1。8８7 1.8０9 0、７67 0。713 4 0、８57 ０.７4４ 1。７39 1.５４7 ０.706 ０.６7４ ５ 0.7９5 0、80９ 1。7３4 1。７15 0。5４9 0。６５4 6 0、７87 ０。779 １。509 1、47４ ０、７８2 0、５7１ ７ 0。933 0、880 1。69５ １。65６ 0、737 0。803 8 0.799 0、85１ 1。740 1。777 ０、6１８ 0。682 ９ ０、９45 ０.8７6 １。81１ 1、759 0。８53 0、７77 10 0、９２1 ０、906 1。954 2。009 0.８2３ 0.７６5 輸入 spss 建立數據。

進行系統聚類分析得出如下輸出結果:

聚類

快捷聚類

研究兒童生長發育得分期,調查名 1 月至 7 歲兒童得身高(ｃｍ)、體重(kg)、胸圍(cm)與資料。求出月平均增長率(％)，判別分析

對某企業,搜集整理了１０名員工2009年第1季度得數據資料。構建1個１０×6維得矩陣 職工代號 工作產量 工作質量 工作出勤 工砟損耗 工作態度 工作能力 1 9.６8 9。6２ 8、37 8。63 9、86 9。74 2 8、０9 8、８3 ９、38 9。7９ 9、９８ 9。7３ ３ 7。46 ８。73 6、７４ 5。５9 8.83 8、４6 4 6.0８ 8、25 ５、０4 5、92 ８.33 8。29 ５ 6。６1 8、36 ６.６7 7。４６ 8、38 8。14 6 7、69 ８.８5 6.4４ 7。45 8。19 8.1 ７ ７.46 8、93 ５、７ 7、06 8。58 ８。３6 8 ７、6 ９。28 6。75 8。03 8、6８ 8、22 9 7、6 8.2６ 7、5 7。63 ８。79 7.6３ 10 7。16 8、62 5、7２ 7。1１ ８。１9 ８。18 1、“分析——分類——判別分析",把“分類”選入“分組變量”,定義范圍:最小值(1),最大值(４),把 x1、x2、x３、x４、x5 與 x6 輸入“自變量框",選擇“使用逐步式方法”;２、“統計量”中選擇“均值”、“單變量 anova”、“fisher”、“未標準化”、“組內相關";3、“方法”默認設置;４、“分類”中選擇“根據組大小計算"、“摘要表”、“不考慮該個案時得分類”、“在組內"、“合并圖、分組、區域圖”;５、“保存”中選擇“預測組成員"、“判別得分”;6、點擊確定、得到以下各表與圖。

特征值 函數 特征值 方差得 % 累積 % 正則相關性 1 1．0０２a １00.0 １0０。0、707 a、分析中使用了前 １ 個典型判別式函數。

wiｌks 得 lambdａ 函數檢驗 wiｌks 得 lamｂda 卡方 df siｇ、1.499 3、471 6。748

函數 1 工作質量。270 工作產量—。831

工作出勤—。4０6 工砟損耗 1。415 工作態度 1.879 工作能力—２。０61 結構矩陣

函數 1 工砟損耗、541 工作出勤。３55 工作態度、175 工作產量、0６３ 工作能力—、0５6 工作質量-.05０ 判別變量與標準化典型判別式函數之間得匯聚組間相關性

按函數內相關性得絕對大小排序得變量。

典型判別式函數系數

函數 1 工作質量.5８1 工作產量-。8３0 工作出勤—。312 工砟損耗 1.２48 工作態度 2。798 工作能力-2.8０３(常量)-６。８17 非標準化系數 組質心處得函數 職工代號 函數 1 １-、7３1 2 1。097 在組均值處評估得非標準化典型判別式函數 分類統計量 分類處理摘要 已處理得 1０ 已排除得 缺失或越界組代碼 0 至少一個缺失判別變量 ０ 用于輸出中 1０

組得先驗概率 職工代號 先驗 用于分析得案例 未加權得 已加權得 1.600 6 6、000 2、400 ４ 4、000 合計 1.00０ 1０ 10、000 分類函數系數

職工代號 1 2 工作質量 １21、2９9 １２２.360 工作產量—58、８9４ －60。41１ 工作出勤 －１4、8０3-1５。373 工砟損耗 ３、73９ 6、02０ 工作態度 123、97９ １29、094 工作能力—63。2８4-68。407(常量)—５4７.493—５60。6９1 fiｓｈer 得線性判別式函數 單獨組圖表

分類結果 b,c

職工代號 預測組成員 合計

1 2 初始 計數 1 5 １ 6 2 1 3 4 ％ 1 83、3 1６、7 100、0 ２ 25.0 7５、０ 100、0 交叉驗證ａ 計數 1 2 4 ６ 2 4 0 4 % １ ３3.3 66、７ 100。0 2 １00。0、０ 100.０

分類結果 b,c

職工代號 預測組成員 合計

1 2 初始 計數 1 5 １ 6 2 1 3 4 ％ 1 83、3 1６、7 100、0 ２ 25.0 7５、０ 100、0 交叉驗證ａ 計數 1 2 4 ６ 2 4 0 4 % １ ３3.3 66、７ 100。0 2 １00。0、０ 100.０ a、僅對分析中得案例進行交叉驗證。

在交叉驗證中,每個案例都就是按照從該案例以外得所有其她案例派生得函數來分類得。

b.已對初始分組案例中得 80。0％ 個進行了正確分類。

c、已對交叉驗證分組案例中得 20.0% 個進行了正確分類。

實驗報告六 實驗項目: : 因子分析與主成分分析

實驗目得: :

1、學習利用 sｐｓs 進行因子分析與主成分分析。

實驗內容及步驟

（一）因子分析

下表資料為 1５名健康人得 7 項生化檢驗結果,6 項生化檢驗指標依次命名為ｘ1 至 x6,請對該資料進行因子分析。

因子分析 １、打開導入 exclｅ數據 2、選擇菜單“分析→降維→因子分析” ,彈出“因子分析”對話框。在對話框左側得變量列表中選除地區外得變量,進入“變量”框，３、單擊“描述"按鈕,彈出“因子 分析: 描述”對話框,在“統計量”中選“單變量 描述”項,輸出各變量得均數與標準差,“相關矩陣”欄內選“系數",計算相關系數矩陣,并選“ｋmｏ 與 baｒtｌｅtｔ’s 球形度檢驗”項,對相關系數矩陣進行統計學檢驗，對以上資料進行因子分析:分析--降維——因子分析,確定操作得出 描述統計量

均值 標準差 分析 n x1 6.02１3 1、２３848 1５ ｘ2 7、98８0。５7340 15 x3 3。99６0 1、01195 1５ x4 5、5７00 1.3８69９ １5 x5 ８。３７２7.77780 1５ x6 8.０247、68９55 15

相關矩陣

x１ ｘ2 x３ x4 x5 x6 相關 x1 1。000。９66.78２.０55。104、019 x２。96６ 1.0０0.７47.02８.233、1５８ x3.782.747 1。０00.12５.214—。0２4 ｘ4.0５5、0２8、１25 1.000—。１５０、2３3 x5、１０4.２3３、214 －.１50 １、00０。7５3 ｘ６。０19.1５８-、024。233。75３ 1.0０0 ｓig。(單側)x1

.０00、00０。423.356。473 ｘ2、000

。001。4６１.2０2、287 ｘ3。00０。001

.32９、２22.４67 ｘ４、42３、4６1。3２９

.297。202 x5。３56。20２、２２２.29７、0０1 x6.473.２87。4６7。２0２.0０１

kmo 與

bart ｌe e ｔ t 得檢驗 取樣足夠度得 ｋaiseｒ—meyｅr-olkin 度量。

。４6０ baｒtlett 得球形度檢驗近似卡方 64.0３5 df 15 sig、。000 公因子方差

初始 提取 ｘ1 1。000。950 x2 1、000。930 x3 1、000。801 x４ １。0０0。989 x5 1、00０。9２8 x6 1。000。93６ 提取方法:主成份分析。

解釋得總方差 成份 初始特征值 提取平方與載入 旋轉平方與載入 合計 方差得 ％ 累積 % 合計 方差得 % 累積 ％ 合計 方差得 ％ 累積 % １ 2.768 46。127 4６、１2７ 2。7６８ 46、１27 46。127 2。67８ 44.６34 44。634 2 １.683 28、050 ７4.177 １.68３ 28。050 74。１77 1.766 ２9、４32 74、066 3 1、084 1８.074 92。251 1。084 18。074 92。251 1、091 18、1８6 92。2514、３60 5。9９5 98.24６

５.0８４ 1、401 9９.6476、021.353 1０0。０00

提取方法:主成份分析、成份矩陣a a

成份 １ 2 3 x１.9３5—、2７7-.02１ x2。954—、131-、０57 x3.868 －.218、030 ｘ4、1０7.059.987 ｘ5.389。８39-、272 x６.263、91４、１78 提取方法 :主成份。

a。

已提取了 3 個成份。

旋轉成份矩陣a a

成份 1 2 3 x1。975—、00１.０16 x２。９53、１46-。012 x３.89２.032、０66 x4.04９。０2１、993 x5.145、93０—.２05 x6-、013.937、241 提取方法 :主成份、旋轉法 :具有 kaiser 標準化得正交旋轉法、a.旋轉在 4 次迭代后收斂、成份轉換矩陣 成份 1 2 3 1。９５8、2８1、0５4 2-。28４。９57、0５3 3—、03７ －.066.997 提取方法 :主成份。

旋轉法 :具有 kaiser 標準化得正交旋轉法。

實 驗 報 告

課程名稱

數據分析

實驗名稱

均值比較與方差分析

系別 電子信息科學學院 專業班級 信息管理15級專升本

指導教師

學號

姓名

實驗日期 2015年11月18日實驗成績

一、實驗目的1． 掌握均值比較和方差分析的原理、過程和應用

2． 掌握兩獨立樣本和兩配對樣本的t檢驗的過程和結果解釋 3． 掌握單因素方差分析的分析過程和結果解釋 4． 掌握多因素方差分析的分析過程和結果解釋

二、實驗環境

1． 硬件環境：微機

2． 軟件環境：

windows，spss statistics 22

三、實驗內容

1．中記錄了男性或女性每周上網瀏覽網頁的時間（變量wwwhr，單位小時）。用兩獨立樣本t檢驗方法分析男性和女性在上網時間上是否不同。

（1）原假設

男性和女性的上網時間沒有顯著差異。

（2）參數設置

檢驗變量：www hours per week 分組變量：gender（3）操作步驟及計算結果 操作步驟：

① 選擇菜單：【分析a】→【比較均值（m）】→【獨立樣本t檢驗（t）】；

如圖1-1

圖1-1

② 選擇檢驗變量“www hours per week”到【檢驗變量（t）】框中。

③ 選擇總體標識變量“gender”到【分組變量（g）】框中。

④點擊按鈕定義兩總體的標示值，如圖1-2。其中，【使用指定值（u）】表示分別輸入對應兩

個不同總體的標記值。

圖1-2

計算結果：

（4）結果及其解釋

結果：男性和女性的上網時間存在顯著差異。

解釋：從獨立樣本鑒定的表中可以看出f檢驗值為15.182，對應的概率p值為0.00＜0.05，所以拒絕原假設。由于兩總體方差有顯著差異所以要看到“不采用相等變異數”這一列，其中t統計量的值為4.866，對應的概率p值為0.00。如果顯著性水平α為0.05，由于概率p值小于0.05，所以認為量總體的均值有顯著差異。并且95%置信區間不夸零，也說明了有顯著差異。

2．中記錄了受訪者父親和母親的受教育情況。試用兩配對樣本t檢驗方法比較父親的受教育情況（變量paeduc）和母親的受教育情況（變量maeduc）是否不同。

（1）原假設

父親的受教育情況和母親的受教育情況沒有顯著差異。

（2）參數設置

成對變量：paeduc，maeduc（3）操作步驟及計算結果 ①選擇菜單：

【分析（a）】→【比較均值（m）】→【配對樣本t檢驗（p）】，如圖2-1

圖2-1 ②選擇paduc和maduc到【成對變量（v）】框中。

結果：

圖2-2

圖2-3

圖2-4（4）結果及其解釋

結果：父親的受教育情況和母親的受教育與情況沒有顯著差異。

解釋：從圖2-2的平均值可以看出沒有較大的差異。圖2-3中對應的概率p值為.000，如果顯著性水平α為0.05，則表明父親和母親的受教育情況有明顯的線性變化，父親和母親的受教育情況相關性程度較強。從圖2-4中可以看出，父親與母親的受教育情況的平均差異，僅只有0.49；

95%置信區間的上下限一正一負，則表示兩者接近無顯著差異；

最后相對應的概率p值0.494，如果顯著性水平α為0.05，則接受原假設，所以父親的受教育情況和母親的受教育與情況無顯著差異。

3．一家關于mba報考、學習、就業指導的網站希望了解國內mba畢業生的起薪是否與各自所學的專業相關。為此，他們在已經從國內商學院畢業并且獲得學位的mba學生中按照各專業分別隨機抽取了10人，調查了這些學生的起薪情況，。根據這些調查他們能否得出專業對mba起薪有影響的結論。

（1）原假設

國內mba畢業生各自所學專業與起薪情況沒有顯著關系。

（2）參數設置 觀測變量：起薪 控制變量：專業

（3）操作步驟及計算結果 操作步驟：

①選擇菜單：

【分析（a）】→【比較均值（m）】→【單因素anova】；

②選擇觀測變量“起薪”到【因變量列表（e）】框中，如圖3-1；

④ 選擇控制變量“專業”到【因子（f）】框中，如圖3-2；

圖3-1 計算結果：

圖3-2（4）結果及其解釋

結果：國內mba畢業生各自所學專業與起薪情況沒有顯著關系；

解釋：從圖3-2可以看出，f統計量的觀測值為2.459，對應的概率p值為0.079。如果顯著性水平α為0.05，由于概率p值大于顯著性水平α，所以接受原假設，認為國內mba畢業生各自所學專業與起薪情況沒有顯著關系。

4．一家連鎖零售店試圖對顧客的購買習慣進行調查。記錄了顧客性別、購物方式、消費額等信息。使用多因素方差分析方法分析顧客性別和購物方式對消費額有何影響。

（1）原假設

不同顧客性別沒有對消費額產生顯著差異；

不同購物方式對消費額沒有顯著差異；

顧客性別和購物方式對消費額沒有產生顯著的交互影響。

（2）參數設置 觀測變量：消費額

控制變量：顧客性別，購物方式（3）操作步驟及計算結果 操作步驟：

①選擇菜單：

【分析（a）】→【一般線性模型】→【單變量（u）】；

②指定觀測變量“消費額”到【因變量（d）】框中；

③指定固定效應的控制變量“顧客性別”和“購物方式”到【固定因子(f)】框中，如圖4-1。

計算結果：

圖4-2

圖4-2

（4）結果及其解釋

結果：不同顧客性別對消費額有顯著差異；

不同購物方式對消費額沒有顯著差異；

顧客性別和購物方式對消費額有顯著的交互影響。

解釋：從圖中可以看出fgender，fstyle，fgender*style的概率p值分別為0.000，0.140和0.017.如果顯著性水平α為0.05，由于fgender，fgender*style概率p值小于顯著性水平α，所以應該拒絕原假設，可以認為不同顧客性別對消費額有顯著差異，顧客性別和購物方式對消費額有顯著的交互影響，而fstyle概率p值小于顯著性水平α，則接收原假設認為不同購物方式對消費額沒有顯著差異。

四、實驗小結（心得體會、遇到問題及其解決方法）

房地產sp活動方案

完整實驗報告

實驗報告模版

實驗報告(范文)

合集實驗報告,（）(范文)