spss作业15-17
CHAPTER 15
西北研究院蔡嘉驰131246
15.4 (i) What we choose is part of u t. Then gMIN t and u t are correlated, which causes OLS to be biased and inconsistent.
(ii) I think it is uncorrelate because gGDP t controls for the overall performance of the U.S. economy.
(iii) The change of U.S. minimum may someway change the state minimum and vice versa.
If the state minimum is always the U.S. minimum, then gMIN t is exogenous in this equation and we would just use OLS.
15.7 (i) Because students that would do better anyway are also more likely to attend a choice school.
(ii) Since u1 does not contain income, random assignment of grants within income class means that grant designation is not correlated with unobservables such as student ability, motivation, and family support.
(iii) The reduced form is
choice= π0 + π1faminc + π2grant + v2,
and we need π2≠ 0.
(iv) The reduced form for score is just a linear function of the exogenous variables:
score= α0 + α1faminc + α2grant + v1.
This equation allows us to directly estimate the effect of increasing the grant amount on the test score, holding family income fixed.So it is useful.
C15.1 (i) The regression of log(wage) on sibs gives
log(wage) = 6.861 -0.0279 sibs
(0.022) (0.0059)
n= 935, R2= 0.023.
This is a reduced form simple regression equation. It shows that, controlling for no other factors, one more sibling in the family is associated with monthly salary that is about 2.8% lower.
(ii) It because older children are given priority for higher education, and families may hit budget constraints and may not be able to afford as much education for children born later. The simple regression of educ on brthord gives
educ = 14.15 - 0.283 brthord
(0.13) (0.046)
n= 852, R2= 0.042.
The equation predicts that every one-unit increase in brthord reduces predicted education by about 0.28 years.
(iii) When brthord is used as an IV for educ in the simple wage equation we get
log(wage) = 5.03 + 0.131 educ
(0.42) (0.031)
n= 852.
Because of missing data on brthord, we are using fewer observations than in the previous analyses.
(iv) In the reduced form equation
educ= π0 + π1sibs + π2brthord + v,
we need π2≠ 0 in order for the βj to be identified. We take the null to be H0: π2 = 0, and look to reject H0 at a small significance level.
?π = The regression of educ on sibs and brthord (using 852 observations) yields
2
?π) = 0.057. The p is about 0.000, which rejects H0 fairly strongly. -0.153 and se(
2
Therefore, the identification assumptions appears to hold.
(v) The equation estimated by IV is
log(wage) = 4.94 + 0.137 educ+ 0.0021 sibs
(1.06) (0.075) (0.0174)
n= 852.
βis much larger than we obtained in part (iii). The 95% The standard error on ?
educ
βis roughly -.010 to .284, which is very wide and includes the value zero. CI for
educ
βis very large, rendering sibs very insignificant.
The p of ?
sibs
(vi)
the correlation between educ i and sibs i is about -0.930, which is a very strong negative correlation. This means that, for the purposes of using IV, multicollinearity is a serious problem here, and is not allowing us to estimate βeduc with much precision. C15.2 (i) The equation estimated by OLS is
children = -4.138 -0.0906 educ+ 0.332 age-0.00263 age2
(0.241) (0.0059) (0.017) (0.00027)
n= 4.361, R2= 0.569.
Another year of education, holding age fixed, results in about 0.091 fewer children.
In other words, for a group of 100 women, if each gets another of education, they collectively are predicted to have about nine fewer children.
(ii) The reduced form for educ is
educ= π0 + π1age + π2age2 + π3frsthalf + v,
and we need π3≠ 0.
When we run the regression we obtain 3?π
= -0.852 and se(3?π) = 0.113. Therefore, women born in the first half of the year are predicted to have almost one year less education, holding age fixed. The p on frsthalf is 0 and so the identification condition holds.
(iii) The structural equation estimated by IV is
children = -3.388 - 0.1715 educ + 0.324 age - 0.00267 age 2 (0.548) (0.0532) (0.018) (0.00028) n = 4.361, R 2 = 0.550.
The estimated effect of education on fertility is now much larger. Naturally, the standard error for the IV estimate is also bigger, about nine times bigger.
(iv) When we add electric, tv, and bicycle to the equation and estimate it by OLS we obtain
children = -4.390 - .0767 educ+ 0.340 age-0.00271 age2-0.303 electric
(0.0240) (0.0064) (0.016) (0.00027) (0.076)
-0.253 tv +0.318 bicycle
(0.091) (0.049)
n= 4,356, R2= 0.576.
The 2SLS (or IV) estimates are
children = -3.591 -0.1640 educ + 0.328 age-0.00272 age2-0.107 electric
(0.645) (0.0655) (0.019) (0.00028) (0.166)
-0.0026 tv+ 0.332 bicycle
(0.2092) (0.052)
n= 4,356, R2= 0.558.
Adding electric, tv, and bicycle to the model reduces the estimated effect of educ in both cases, but not by too much. In the equation estimated by OLS, the coefficient on tv implies that, other factors fixed, four families that own a television will have about one fewer child than four families without a TV. Television ownership can be a proxy for different things, including income and perhaps geographic location. A causal interpretation is that TV provides an alternative form of recreation.
Interestingly, the effect of TV ownership is practically and statistically insignificant in the equation estimated by IV. The coefficient on electric is also greatly reduced in magnitude in the IV estimation. The substantial drops in the magnitudes of these coefficients suggest that a linear model might not be the best functional form, which would not be surprising since children is a count variable.
CHAPTER 16
西北研究院蔡嘉驰131246
16.1 (i) If α1 = 0 then y1 = β1z1 + u1, and so it depends only on the exogenous variable z1 and the error term u1. This then is the reduced form for y1. If α1 = 0, the reduced form for y1 is y1 = β2z2 + u2.
If α1≠ 0 and α2 = 0:
β2z2 + u2= α1y2 + β1z1 + u1
Dividing by α1 gives
y2= (β1/α1)z1– (β2/α1)z2 + (u1–u2)/α1
≡π21z1 + π22z2 + v2,
where π21 = β1/α1, π22 = -β2/α1, and v2 = (u1–u2)/α1.
(ii) y1– (α1/α2)y1= α1y2-α1y2 + β1z1– (α1/α2)β2z2 + u1– (α1/α2)u2
= β1z1– (α1/α2)β2z2 + u1– (α1/α2)u2
Because α1≠α2, 1 – (α1/α2) ≠ 0, and so we can obtain the reduced form for y1:
y1 = π11z1 + π12z2 + v1,
where π11 = β1/[1 – (α1/α2)], π12 = -(α1/α2)β2/[1 – (α1/α2)],
and v1 = [u1– (α1/α2)u2]/[1 – (α1/α2)].
A reduced form does exist for y2, as can be seen by subtracting the second equation from the first:
0 = (α1–α2)y2 + β1z1–β2z2 + u1–u2;
because α1≠α2, we can rearrange and divide by α1-α2 to obtain the reduced form.
(iii) In supply and demand examples, α1≠α2 is very reasonable. If the first equation is the supply function, we generally expect α1 > 0, and if the second equation is the demand function, α2 < 0.
16.2
the first equation must be the demand function, as it depends on income, which is a common determinant of demand.
The second equation contains a variable, rainfall, that affects crop production and therefore corn supply.
C16.3 (i) The OLS estimates are
inf = 25.23 - 0.215 open
(4.10) (0.093)
n= 114, R2= 0.045.
The IV estimates are
inf = 29.57 - 0.332 open
(5.65) (0.140)
n= 114, R2= 0.032.
The OLS coefficient is the same, to three decimal places, when log(pcinc) is included in the model.
The IV estimate with log(pcinc) in the equation is -0.337, which is very close to
-0.333.
Therefore, dropping log(pcinc) makes little difference.
(ii) If we regress open on land we obtain R2 = .095.
The simple regression of open on log(land) gives R2 = .448.
Therefore, log(land) is much more highly correlated with open. Further, if we regress open on log(land) and land we get
open = 129.22 8.40 log(land) + 0.0000043 land
(10.47) (0.98) (0.0000031)
n= 114, R2= 0.457.
While log(land) is very significant, land is not, so we might as well use only log(land) as the IV for open.
(iii) When we add oil to the original model, and assume oil is exogenous, the IV estimates are
inf = 24.01 -0.337 open+ 0.803 log(pcinc) - 6.56 oil
(16.04) (0.144) (2.12) (9.80)
n= 114, R2= .035.
Being an oil producer is estimated to reduce average annual inflation by over 6.5 percentage points, but the effect is not statistically significant because p=0.505
C16.8
(i) To estimate the demand equations, we need at least one exogenous variable that appears in the supply equation.
(ii) For wave2t and wave3t to be valid IVs for log(avgprc t), we need two assumptions.
The first is that these can be properly excluded from the demand equation. The second assumption is that at least one of wave2t and wave3t appears in the supply equation. There is indirect evidence of this in part three, as the two variables are jointly significant in the reduced form for log(avgprc t).
(iii) The OLS estimates of the reduced form are
log(avgprc) =-1.02 - 0.012 mon t- 0.0090 tues t + 0.051 wed t+ 0.124 thurs t
(0.14) (0.114) (0.1119) (0.112) (0.111)
+ 0.094 wave2t+ 0.053 wave3t
(0.021) (0.020)
n = 97, R2 = 0.304
The variables wave2t and wave3t are jointly very significant: F = 19.1, p-value = zero to four decimal places.
(iv) The 2SLS estimates of the demand function are
log(totqty) =8.16 - 0.816 log(avgprc t) -0.307 mon t- 0.685 tues t
(0.18) (0.327) (0.229) (0.226)
-0.521 wed t+ 0.095 thurs t
(0.224) (0.225)
n = 97, R2 = 0.193
The 95% confidence interval for the demand elasticity is roughly -1.47 to -0.17. The point estimate, -0.82, seems reasonable: a 10 percent increase in price reduces quantity demanded by about 8.2%.
(v)
The coefficient on ,1?i t u
- is about-1.33 (se =0.593), so there is strong evidence of negative serial correlation, although the estimate of ρ is not huge.
(vi) To estimate the supply elasticity, we would have to assume that the
day-of-the-week dummies do not appear in the supply equation, but they do appear in the demand equation.
(vii) Unfortunately, in the estimation of the reduced form for log(avgprc t ) in part (iii), the variables mon , tues , wed , and thurs are jointly insignificant [F (4,90) = 0.53, p -value = 0.71.]
This means that, while some of these dummies seem to show up in the demand equation, things cancel out in a way that they do not affect equilibrium price, once wave2 and wave3 are in the equation.
CHAPTER 17
西北研究院 蔡嘉驰 131246
17.2
We need to compute the estimated probability first at hsGPA = 3.0, SAT = 1,200, and study = 10 and subtract this from the estimated probability with hsGPA = 3.0, SAT = 1,200, and study = 5.
we start by computing the linear function inside Λ(?): -1.77 + 0.24(3.0) +
0.00058(1,200) + 0.073(10) = 0.376.
Next, we plug this into the logit function: exp(0.376)/[1 + exp(0.376)] ≈ 0.593. For the student-athlete who attended study hall five hours a week, we compute –1.77 + 0.24(3.0) +0 .00058(1,200) + 0.073(5) =0 .011. Evaluating the logit function at this value gives exp(0.011)/[1 + exp(0.011)] ≈ 0.503. Therefore, the difference in estimated probabilities is 0.593 - 0.503 = 0.090, or just under 0.10. 17.5
(i) patents is a count variable, and so the Poisson regression model is appropriate.
(ii) Because β1 is the coefficient on log(sales ), β1 is the elasticity of patents with respect to sales .
(iii) We use the chain rule to obtain the partial derivative of exp[β0 +
β1log(sales ) + β2RD + β3RD 2] with respect to RD :
(|,)E patents sales RD RD
?? = (β2 + 2β3RD )exp[β0 + β1log(sales ) + β2RD + β3RD 2]. A simpler way to interpret this model is to take the log and then differentiate with respect to RD : this gives β2 + 2β3RD , which shows that the semi-elasticity of patents with respect to RD is 100(β2 + 2β3RD ).
C17.3
(i)
Out of 616 workers, 172, or about 18%, have zero pension benefits.
For the 444 workers reporting positive pension benefits, the range is from $7.28 to $2,880.27.
Therefore, we have a nontrivial fraction of the sample with pension t = 0, and the range of positive pension benefits is fairly wide. The Tobit model is well-suited to this kind of dependent variable.
(ii) The Tobit results are given in the following table:
In column (1), which does not control for union, being white or male (or, of course, both) increases predicted pension benefits, although only male is statistically significant (t≈ 4.41).
(iii) We use equation (17.22) with exper = tenure = 10, age = 35, educ = 16, depends = 0, married = 0, white = 1, and male = 1 to estimate the expected benefit for a white male with the given characteristics.
?xβ= -1,252.5+5.20(10)–4.64(35) +36.02(10)+93.21(16) + 144.09 + 308.15 = 940.90. Therefore, with ?σ = 677.74 we estimate E(pension|x) as
Φ(940.9/677.74)?(940.9) + (677.74)?φ(940.9/677.74) ≈966.40.
For a nonwhite female with the same characteristics,
?xβ= -1,252.5 + 5.20(10) – 4.64(35) + 36.02(10) + 93.21(16) = 488.66. Therefore, her predicted pension benefit is
Φ(488.66/677.74)?(488.66) + (677.74)?φ(488.66/677.74) ≈582.10.
The difference between the white male and nonwhite female is
966.40 – 582.10 = $384.30.
(iv) Column (2) in the previous table gives the results with union added. The coefficient is large, but to see exactly how large, The t statistic on union is over seven.
(v)
When peratio is used as the dependent variable in the Tobit model, white and male are individually and jointly insignificant.
C17.5 (i) The Poisson regression results are given in the following table:
The coefficient on y82means that, other factors in the model fixed, a woman’s fertility was about 19.3% lower in 1982 than in 1972.
(ii) Because the coefficient on black is so large, we obtain the estimated proportionate difference as exp(0.36) – 1 ≈0.433, so a black woman has 43.3% more children than a comparable nonblack woman.
(iii)
From the above table, ?σ = 0.996, which shows that there is actually underdispersion in the estimated model.
(iv) The sample correlation is about 0.348, which means the R-squared is about (0.348)2 0.121.
Interestingly, this is actually smaller than the R-squared for the linear model estimated by OLS.
数据分析spss作业
数据分析方法及软件应用 （作业） 题目：4、8、13、16题 指导教师： 学院：交通运输学院 姓名： 学号：
4、在某化工生产中为了提高收率，选了三种不同浓度，四种不同温度做试验。在同一浓度与温度组合下各做两次试验，其收率数据如下面计算表所列。试在α=0.05显著性水平下分析 (1)给出SPSS数据集的格式(列举前3个样本即可)； (2)分析浓度对收率有无显著影响； (3)分析浓度、温度以及它们间的交互作用对收率有无显著影响。 解答：（1）分别定义分组变量浓度、温度、收率，在变量视图与数据视图中输入表格数据，具体如下图。 (2)思路：本问是研究一个控制变量即浓度的不同水平是否对观测变量收率产生了显著影响，因而应用单因素方差分析。假设：浓度对收率无显著影响。 步骤：【分析-比较均值-单因素】，将收率选入到因变量列表中，将浓度选入到因子框中，确定。 输出： 變異數分析 收率 平方和df 平均值平方 F 顯著性 群組之間39.083 2 19.542 5.074 .016 在群組內80.875 21 3.851 總計119.958 23 显著性水平α为0.05，由于概率p值小于显著性水平α，则应拒绝原假设，认为浓度对收率有显著影响。
（3）思路：本问首先是研究两个控制变量浓度及温度的不同水平对观测变量收率的独立影响，然后分析两个这控制变量的交互作用能否对收率产生显著影响，因而应该采用多因素方差分析。假设，H01：浓度对收率无显著影响；H02：温度对收率无显著影响；H03：浓度与温度的交互作用对收率无显著影响。 步骤：【分析-一般线性模型-单变量】，把收率制定到因变量中，把浓度与温度制定到固定因子框中，确定。 输出： 主旨間效果檢定 因變數: 收率 來源第 III 類平方 和df 平均值平方 F 顯著性 修正的模型70.458a11 6.405 1.553 .230 截距2667.042 1 2667.042 646.556 .000 浓度39.083 2 19.542 4.737 .030 温度13.792 3 4.597 1.114 .382 浓度 * 温度17.583 6 2.931 .710 .648 錯誤49.500 12 4.125 總計2787.000 24 校正後總數119.958 23 a. R 平方 = .587（調整的 R 平方 = .209） 第一列是对观测变量总变差分解的说明；第二列是观测变量变差分解的结果；第三列是自由度；第四列是均方；第五列是Ｆ检验统计量的观测值；第六列是检验统计量的概率ｐ值。可以看到观测变量收率的总变差为119.958，由浓度不同引起的变差是39.083，由温度不同引起的变差为13.792，由浓度和温度的交互作用引起的变差为17.583，由随机因素引起的变差为49.500。浓度，温度和浓度*温度的概率p值分别为0.030,0.382和0.648。 浓度：显著性<0.05说明拒绝原假设（浓度对收率无显著影响），证明浓度对收率有显著影响；温度：显著性＞0.05说明不拒绝原假设（温度对收率无显著影响），证明温度对收率无显著影响；浓度与温度: 显著性＞0.05说明不拒绝原假设（浓度与温度的交互作用对收率无显著影响），证明温浓度与温度的交互作用对收率无显著影响。 8、以高校科研研究数据为例：以课题总数X5为被解释变量，解释变量为投入人年数X2、投入科研事业费X4、专著数X6、获奖数X8；建立多元线性回归模型，
一元线性回归spss作业
一元线性回归实验指导 一、使用spss进行线性回归相关计算 题目： 为研究医药企业销售收入与广告支出的关系，随机抽取了20家医药企业，得到它们的销售收入和广告支出的数据如下表（数据在‘广告.sav’中） 1.绘制散点图描述收入与广告支出的关系 结果：（散点图粘贴在下面） 从散点图可直观看出销售收入和广告支出（存在/不存在）线性关系 2.计算两个变量的相关系数r及其检验 相关性结果表格：（粘贴在下面）
从结果中可看出，销售收入与广告支出的相关系数为（），双侧检验的P值（），r在0.01显著性水平下（），表明销售收入与广告支出之间（存在/不存在）线性关系。 3.一元线性回归分析 计算回归分析；并输出标准化残差的pp图和直方图 分析输出的结果： 模型汇总表格：（粘贴在下面） 这个表格给出相关系数R=（）以及标准估计的误差（） 方差分析（ANOVA）表格：（粘贴在下面） 这个表格给出回归模型的方差分析表，包括回归平方和SSR、回归均方MSR、残差平方和SSE、残差均方MSE、总平方和SST和总均方MST，F值129.762以及P值（），此处p 值（），说明回归的线性关系（显著/不显著） 系数表格：（粘贴在下面） 上面这个表格给出的是参数估计和检验的有关内容，包括回归方程的常数项、非标准化回归系数、常数项和回归系数检验的统计量t和显著性水平sig，以及回归系数的%95置信区间从此表可以得出销售收入与广告支出的估计方程为（）。回归系数（）表示广告支出每变动1万元，销售收入平均变动（）万元。
4.残差的检验 从上面的输出结果中可得到标准化残差的标准pp图和直方图（粘贴在下面） 同时在数据表格中出现残差以及估计值和区间的上下界，其中 PRE_1为点估计值； RES_1为非标准化残差； ZRE_1为标准化残差； LMCI_1和UMCI_1表示平均值的置信区间（均值的预测区间）； LICI_1和UICI_1表示个别值的预测区间的上界和下界； 下面绘制非标转化残差图：（粘贴在下面） 从残差图上可以看出，各个残差随机分布于0轴两侧，没有任何固定模式，这表明在销售收入与广告支出的一元线性回归中，线性假定以及等方差的假定成立。 下面检验残差正态性： 做出标准化残差（ZRE_1）的散点图，并在图上画出0,2，-2三条y轴参考线（粘贴在下面）
spss练习题
spss练习题 1、设有13例健康人，11例克山病人的血磷测定值(mg%)如下表所示，问克山 病人的血磷是否高于健康者, 健康者 1.67 1.98 1.98 2.33 2.34 2.50 3.60 3.73 4.14 4.17 4.57 4.82 5.78 患者 2.60 3.24 3.73 3.73 4.32 4.73 5.18 5.58 5.78 6.40 6.53 1、计算二组的均数、中位数、标准差、方差、P5 P95的值 2、请判断二组数据的分布 2、请进行统计学检验 2. 频数表资料,或等级资料,的两样本比较 20名正常人和32名铅作业工人尿棕色素定性检查结果见下表。问铅作业工人 尿棕色素是否高于正常人, 人数秩和秩次结果平均秩次正常人铅作业工人合计范围正常人铅作 业工人 ,1, ,6, ,5, (2) (3) (4) (7)=(2)(6) (8)=(3)(6) - 18 8 26 1-26 13.5 243 108 ， 2 10 12 27-38 32.5 65 325 ++ 0 7 7 39-45 42.0 0 294 +++ 0 3 3 46-48 47.0 0 141 ++++ 0 4 4 49-52 50.5 0 202 合计n=20 n=32 52 - - T=308 T=1070 1212 3 .肺结核及结核性胸膜炎各5例的血沉(一小时)值如下表，问两者的差别显 著否, 肺结核 12 20 30 8 15 结核性胸膜炎 80 50 30 30 70
(请注意，两组病人的个体差异差别大否即方差齐否,试用一般的t检验与将各原始数据化成常用对数(定值部可取三位小数)后作t检验。将结果比较一下，是否一致,此资料应采取哪一种方法处理为妥, 4(为了研究某种新药对抗凝血酶活力的影响，随机安排新药组病人12例，对照组病人10例， 2分别测定其抗凝血酶活力(mm)，结果如下: 新药组:126 125 136 128 123 138 142 116 110 108 115 140 对照组:162 172 177 170 175 152 157 159 160 162 5、某医师研究物理疗法、药物治疗和外用膏药三种疗法治疗周围神经麻痹的疗效，资料见表4-7，问三种疗法的有效率有无差别, 表4-7 三种疗法的有效率比较 疗法有效无效合计有效率% 物理疗法组 20 1 21 95.24 药物治疗组 16 2 18 88.89 外用膏药组 12 3 15 80.00 合计 48 6 54 88.89 6( 某单位研究三种不同穴位的镇痛效果，资料如表4-16。试检验针刺不同穴位的镇痛效果有无差别, 表4-16 针刺不同穴位的镇痛效果 各穴位的观察频数镇痛效果合谷足三里扶突 + 38 53 47 ++ 44 29 23 +++ 12 28 19 ++++ 24 16 33
SPSS统计基础 数据分析
《SPSS统计基础》课程数据分析报告 （2016— 2017学年度第二学期） 题目：关于381名大学生学习适应情况的分析报告 班级：14小教2班 学号： 姓名： 2017年6月
381名大学生学习适应性调查数据分析报告 姓名：学号：班级： 一、数据分析目的及内容 （一）数据分析的目的 通过对师范学院学生学习适应现状及其影响因素的调查研究，了解我院学生对自己所学专业在适应学习动机、适应教学模式、使用学习能力、适应学习态度、适应环境因素、适应总分六个维度的基本情况。本文拟在以往研究的基础上对大学生学习适应状况进行调查,并探讨影响大学生学习适应的因素，从而让大学生能更快更好地适应大学生活。 （二）数据分析的内容 1. 381名大学生在适应学习动机、适应教学模式、使用学习能力、适应学习态度、适应 环境因素五个维度的得分及适应总分. 2.对年级、专业、生源地变量的容量等数据分布指标的描述，了解数据分布的全貌。 3.对适应学习动机、适应教学模式、使用学习能力、适应学习态度、适应环境因素五个 维度的极大值、极小值、均值和标准差的统计。 4.学习适应各因子之间的相关分析。 5.学习适应五因子及适应总分的相关性分析。 二、数据库介绍 （一）数据来源： 1被试分布：总容量为381、年级（大一156人、大二136人、大三89人）、专业（小学教育140人、学前教育本科113人、学前教育专科128人）、生源地（城镇145人、农村236人）等方面的人数分布； 2、调查工具：《大学生学习适应量表》由冯廷勇等人编制，共29 个题目，量表采 用Likert5 点计分法，即完全不符合计 1 分，比较不符合计 2 分，不确定计 3 分，较符合计4 分，完全符合计 5 分。各维度和总量表分数越高，表明适应状况越好。总分低于58分，表明学习适应状态较差需要做较大调整；总分在59到87分之间，表明学习适应状态中等，需要做适当的调整；总分在88到116分之间，表明学习适应状态良好；总分在117到145分之间，表明学习适应状态良好。量表的效度为0.85，信度为0.87。该量表由五个维度构成： （1）学习动机（8题）：1、6、7、8、9、13、17、23 （2）教学模式（7题）：2、3、10、14、18、22、24 （3）学习能力（6题）：4、11、15、21、25、26 （4）学习态度（4题）：5、12、20、27 （5）环境因素（4题）：16、19、28、29 （二）变量介绍： 1、本次问卷调查有三个变量； 2、变量名称为：专业，年级，生源地； 3、变量名称的取值为：专业：1=“小学教育”，2=“学前教育本科”，3=“学前教育专 科”；年级：1=“大一”，2=“大二”，3=“大三”，4=“大四”；生源地：1=“城镇”，2=“农村”。 三、数据统计与分析
SPSS大作业-环境保护
当代大学生对全球气候变化 认知程度的研究 摘要：随着我国经济建设的飞速发展,人们向大自然排放的有害物质与日俱增,环境问题日益严重。环境污染问题不仅影响我国人民的生存环境和生存质量,也危害人民的身体健康,在环境污染中城市环境污染已经成为制约社会发展的重要问题。本研究采样方式为匿名方式随机投放网络问卷以及纸质问卷，采用SPSS statistics软件分析采样数据，得到频率表以及考虑性别的交叉表。本文考虑性别、城乡等差异，分别从基本的环保知识到主动投身环保事业等各方面加以分析，研究当代大学生对环境污染问题认知程度的差异。 关键字：性别；气候变化；差异；SPSS 一、研究背景 我国改革开放30多年的经济发展迅速，主要是以粗放式发展为主要模式。由此而带来的就是高增长、高能耗、高排放的三高企业，我国是发展中国家，在经济发展的过程中，政府对环境破坏的监管不力，睁一眼闭一眼，所以我国改革开放30年快速发展以牺牲能源、破坏环境为代价的，尤其我国的经济发展又极不平衡，主要是以城市主力军，这样城市的环境恶化就很严重。同样，农村人口环境保护意识淡薄，农村环境恶化也不可小觑，我国高速发展的近几十年来，环境的恶化程度逐年增加，应该引起政府环保部门的重视。 环境污染对人们的生活影响越来越严重，我们现在出门看到的最打眼的一景就是戴口罩的人越来越多，人们越来越感受到空气污染对
自己身心健康的威胁，据统计，世界儿童死亡80%是由于空气污染导致的，这个数字让人触目惊心。 环境污染很大因素是由于企业恣意排放污染物，但在日常生活中，民众的环保意识与环保行为对生活污染——尤其是随处可见的污染——有较大的影响。性别、年龄等不同，对气候变化认知程度也会存在差异。本文考虑到男女性别的差异、城乡区别，分别从基本的环保知识到主动投身环保事业等各方面加以分析，研究不同性别对环境污染问题认知程度的差异。 二、研究方法及样本描述 （一）研究方法 本研究采样方式为匿名方式随机投放网络问卷以及纸质问卷调查的方法，与2014年5月在西安交通大学进行问卷调查。调查面向西安交大本科生以及研究生，最终获得有效问卷431份。 （二）样本特征描述 431位被访者中，女性209位，占48.5%；男性222位，占51.5%。如图1所示，样本主要来自大一、大二以及大三群体，总共381位，占88.4%；大四毕业生以及研究生占11.6%。被访者所读专业性质也有较大差别，文科生178位，占41.3%；工科生人数122位，占28.3%；理科生108位，占比25.1%，如表1所示。
spss期末作业
吉林财经大学 《SPSS统计软件分析》作业（2010——2011学年第一学期） 学院信息学院 专业班级电子商务0806班 学生姓名王瑞霞 学号1403080616
1、对未分组资料频数分析 从中国统计局中获得从11月21日至30日国内50个城市主要食品平均价格变动情况，以该数据为例为例，进行频数分析。 首先输入数据： 选择Analyze中Descriptive Statistics——Frequencies，打开Frequencies对话框；将需处理的变量键入变量框中
单击Statistics…按钮统计量子对话框12指标，选中所需要计算的指标： 单击Charts …按钮,选择需绘制的统计图： 单击OK按钮开始运行，运行结果为：
从上图中可以看出数据中缺失值为0，花生油的平均价格104.84是最高的，而巴氏牛奶的平均价格1.81最低，全部食品平均价格的平均数为16.5327，标准差为22.4668，各种食品的平均价格差距较大。
条形图、饼形图以及直方图是用不同的图形表示方法来说明数据的指标，其实质是一样的，从图中可以看出平均价格在0—22元之间的食品是最多的，20—40元之间的食品数次之，接下来是40—60元之间的食品，不存在平均价格在60—100之间的食品。 2、以食品平均价格为依据对数据进行分组并对分组后的数据进行频数分析： Transform —Recode—Into same V ariables ，将要分组的变量放入Numeric 栏中，单击Old and new V alues分组：
分组结果如下图所示： 回到数据编辑窗，定义变量的V alue labels ： 再对食品平均价格进行频数分析，分析结果如下截图所示
SPSS作业
一、作业分析 案例背景：拟分析导致急救后颅脑损伤的主要影响因素，某省医院的外科 医生收集了2003-2005年间在该科室进行过急救治疗的脑外伤病例共201例。 研究目的：差异性比较 资料类型：本例根据是否出现迟发性脑损伤将数据分为两个独立样本。 本例的数据变量有性别、年龄、入院时血循环指标、入院时症状、入院时 意识程度、是否手术急救、其它治疗、是否出现迟发性脑损伤。在这些变量中 既有连续变量又有分类变量，所以在检验时需分成两种：定量检验与定性检验。 其中定量检验为：年龄、入院时血循环指标；定性检验为：性别、入院时 症状、入院时意识程度、是否手术急救、其它治疗。 二、数据描述 1 数量变量的描述 利用SPSS软件分析→描述统计→描述，将年龄、收缩压、舒张压、血小 板拖入，得到下表： 通过表格可以发现血小板的极差为372，标准差为63.568.极差和标准差都较大，通过求自然对数来减小标准差，所以我们改用血小板的自然对数为数据。得到下表：
2.分类变量的描述 利用SPSS软件分析→表→设定表，选中性别、脑挫伤、中线移位、脑肿胀、意识程度、手术、止血药、激素、脱水剂拖入框中，得到下表： 从表中可以大致看出，脑挫伤、手术、中线移位、意识程度、激素和脱水剂几个变量和是否发生脑损伤有关。但是，这些关联是否具有统计学意义还需要进行检验。 三、差异性比较 1数量变量的差异性比较
（1）年龄与迟发性脑损伤的关系 本案例为两独立样本，我们对其进行正态性检验。 利用SPSS软件分析→统计描述→探索，得到下表： 从表中，可得出年龄成正态性分布。 利用SPSS软件分析→比较均值→独立样本T检验，检验变量为年龄，分组变量为迟发性脑损伤，单击确定得到如下结果： 发生迟发性脑损伤与未发生迟发性脑损伤组中年龄均服从正态分布，两总体方差齐。 采用两独立样本的t检验：t=-1.038,df=199,P=0.300,可以得出，以 α=0.05为检验水准，年龄与是否发生迟发性脑损伤无明显差异。 （2）收缩压、舒张压与迟发性脑损伤的关系 与上述方式相同，对数据进行正态性检验，检验结果为：
spss作业15-17
CHAPTER 15 西北研究院蔡嘉驰131246 15.4 (i) What we choose is part of u t. Then gMIN t and u t are correlated, which causes OLS to be biased and inconsistent. (ii) I think it is uncorrelate because gGDP t controls for the overall performance of the U.S. economy. (iii) The change of U.S. minimum may someway change the state minimum and vice versa. If the state minimum is always the U.S. minimum, then gMIN t is exogenous in this equation and we would just use OLS. 15.7 (i) Because students that would do better anyway are also more likely to attend a choice school. (ii) Since u1 does not contain income, random assignment of grants within income class means that grant designation is not correlated with unobservables such as student ability, motivation, and family support. (iii) The reduced form is choice= π0 + π1faminc + π2grant + v2, and we need π2≠ 0. (iv) The reduced form for score is just a linear function of the exogenous variables: score= α0 + α1faminc + α2grant + v1. This equation allows us to directly estimate the effect of increasing the grant amount on the test score, holding family income fixed.So it is useful. C15.1 (i) The regression of log(wage) on sibs gives
SPSS调查报告 - 期末作业
---------------------------------------------装--------------------------------- --------- 订 -----------------------------------------线---------------------------------------- 班级 姓名 学号 - 广 东 财 经 大 学 答 题 纸（格式二） 课程 数据处理技术与SPSS 20 15 －20 16 学年第 1 学期 成绩 评阅人 评语： ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ （题目）关于本部学生对收费代课现象支持度的调查报告 （正文） 一、调查背景 如今，大学生逃课现象屡见不鲜，随之衍生了“收费代课”的现象。据了解，在全国近百所高校中，存在“收费代课”现象的高校居然有一半之多。当“收费代课”现象衍变成了一种行业，成为有领导、有组织、有规模、有纪律的机构，不仅仅应当引起社会的关注，更应引起校方对教育方式的深刻反思。“有偿代课”作为一种不正常的校园现象，有其存在的社会土壤，其原因有多方面，值得让人对当前大学教育深思。在“收费代课”现象蔚然成风之时，我们学校的学生们也加入了这支大队伍。对于这样的一种收费代课的行为，同学们褒贬不一，每个人都有自己的看法。然而，这种行为经常在我们的身边发生着，无疑应该引起我们的关注，并引发我们的深思，形成一定的判别能力与认知能力。
二、调查目的 我们希望通过本次调查了解广东财经大学本部学生选择收费代课的原因，以及对本专业学习、实习实践的认知程度，是否支持放弃学习去实习或者做自己的事情，是否支持收费代课。同时，我们也希望通过这份调查报告揭露出的一些情况，一方面，帮助学生更好地权衡学习与实习的利弊，更加理性地对待收费代课的行为，做出对自己正确合适的选择；另一方面，引起学校对这种收费代课现象的重视，给学校提一些建议，希望学校采取一些措施改善这种不良校风。 三、调查方法 从可行性角度出发，本次调查采用非概率随机抽样的街头拦截法，集中对象为本部大三大四的同学，以自愿形式对本部同学分发调查问卷，总共发出80份问卷，回收80份，有效问卷80份。收集问卷之后，利用spss软件进行数据整理与分析，最后把结论整理成调查报告。调查报告中采用的数据分析方法主要有：频数分析、多选项分析、交叉列联表行列变量间关系的分析、单因素方差分析等。 四、描述统计 1、对样本性别作频数分析 从上表可以看出，这次填写问卷的女生较多，占了样本的66.3%，这与我们学校男女比例不均衡有很大的关系，样本的男女比例不相等，也可以较好地接近学校的实际情况，有利于我们得到更为准确的结论。 2、对样本年级作频数分析 从上表可知，参加问卷调查的大三大四学生比例明显比较高，这与一开始我们预期相符，样本中大三大四学生所占比例较多，有利于我们得到更为有针对性的结论。
spss作业.doc解析
第六章 SPSS参数检验 ——均值比较 1、某公司经理宣称他的雇员英语水平很高，如果按照英语六级考试的话，一般平均得 分为75分。现从雇员中随机选出11人参加考试，得分如下：80, 81, 72, 60, 78, 65, 56, 79, 77,87, 76 请问该经理的宣称是否可信。 操作：分析→比较均值→单样本T 均值为73.7273，Q值为0.668大于0.05，均值预75没有显著性差异，接受原假设。 即该经理的宣称是可信的。 2、经济学家认为决策者是对事实做出反应，不是对提出事实的方式做出反应。然而心理学家则倾向于认为提出事实的方式是有关系的。为验证哪种观点更站得住脚，调查者分别以下面两种不同的方式随机访问了足球球迷。 l 方式一：假设你已经买了100元一张的足球票，当你来到足球场门口时，发现票丢了且再也找不到了。球场还有票出售。你会再掏出100元买一张球票吗？（1.买0.不买）。随机访问了200人，其中：92人回答买； l 方式二：你想看足球赛，100元一张票。当你来到足球场买票时，发现丢了100元钱。你口袋中还有钱，此时你还会付100元买一张球票吗？（1.买0.不买）。随机访问了183人，其中：161人回答买；
请恰当建立SPSS数据文件，并利用本章所学习的参数检验方法，说明你更倾向于那种观点，为什么？ 操作：输入数据→分析→比较均值→独立样本T检验 3、一种植物只开兰花和白花。按照某权威建立的遗传模型，该植物杂交的后代有75%的几率开兰花，25%的几率开白花。现从杂交种子中随机挑选200颗，种植后发现142株开了兰花，请利用SPSS进行分析，说明这与遗传模型是否一致？ 操作：输入数据→分析→比较均值→独立T检验(输入值为0.75)
spss课后作业答案
SPSS课后作业 第一章 1-1、spss的运行方式有几种？分别是什么？ 答：SPSS的运行方式有三种，分别是批处理方式、完全窗口菜单运行方式、程序运行方式。1-2、SPSS中“DataView”所对应的表格与一般的电子处理软件有什么区别？ 答：与一般电子表格处理软件相比，SPSS的“Data View”窗口还有以下一些特性：（1）一个列对应一个变量，即每一列代表一个变量（Variable）或一个被观测量的特征；（2）行是观测，即每一行代表一个个体、一个观测、一个样品，在SPSS中称为事件（Case）；（3）单元包含值，即每个单元包括一个观测中的单个变量值；（4）数据文件是一张长方形的二维表。 第二章 2-1、在SPSS中可以使用那些方法输入数据？ 答：SPSS中输入数据一般有以下三种方式：（1）通过手工录入数据；（2）可以将其他电子表格软件中的数据整列（行）的复制，然后粘贴到SPSS中；（3）通过读入其他格式文件数据的方式输入数据。 2-2、对于缺失值，如何利用SPSS进行科学替代？ 答：选择“Transform”菜单的Replace Missing Values命令，弹出Replace Missing Values 对话框。先在变量名列中选择1个或多个存在缺失值的变量，使之添加到“New Variable(s)”框中，这时系统自动产生用于替代缺失值的新变量。最后选择合适的替代方式即可。 2-3、在计算数据的加权平均数时，如何对变量进行加权？ 答：选择“Data”菜单中的Weight Cases命令，出现如图2-22所示的Weight Cases对话框。其中， Do not weight cases项表示不做加权，这可用于取消加权；Weight cases by 项表示选择1个变量做加权。 2-4、如何对变量进行自动赋值？ 答：变量的自动赋值可以将字符型、数字型数值转变成连续的整数，并将结果保存在一个新的变量中。具体操作的过程如下：选择“Transform”菜单中的Automatic Recode命令，在出现的对话框中，从左边的变量列表中选择需要自动赋值的变量，将它添加到Variable -> New Name框中，然后在下面New Name右边的文本框中输入新的变量名称，单击New Name 按钮，将新的变量名添加到上面的框中。从Recode Starting from框中有两个选项中选择一个，然后单击OK按钮，即可完成自动赋值运算。 3-1、一组数据的分布特征可以从哪几个方面进行测度？ 答：一组数据的分布特征可以从平均数、中位数、众数、方差、百分位、频数、峰度、偏度等方面描述。 3-2、简述众数、中位数和均值的特点及应用场合。 答：均值是总体各单位某一数量标志的平均数。平均数可应用于任何场合，比如在简单时序预测中可用一定观察期内预测目标的时间序列的均值作为下一期的预测值。中位数是指将数据按大小顺序排列起来，形成一个数列，居于数列中间位置的那个数据。中位数的作用与算术平均数相近，也是作为所研究数据的代表值。在一个等差数列或一个正态分布数列中，中位数就等于算术平均数。在数列中出现了极端变量值的情况下，用中位数作为代表值要比用算术平均数更好，因为中位数不受极端变量值的影响。众数是指一组数据中出现次数最多的那个数据。它主要用于定类（品质标志）数据的集中趋势，当然也适用于作为定序（品质标志）数据以及定距和定比（数量标志）数据集中趋势的测度值。 3-3、
SPSS调查报告期末作业
S P S S调查报告期末作业 Document serial number【LGGKGB-LGG98YT-LGGT8CB-LGUT-
---------------------------------------------装--------------------------------- --------- 订 ---------------------------------------- -线----------------------------------- -- - --
上表表明，5中不同年级形式下共有80个样本，大一的均值最高，大二的均值次之，接着，大四的均值排第三，而大三的均值是最低的。由于在录入数据当中，选择调查问卷中选项A“是”，身边有请人带过课的同学，则录为1:；选择调查问卷中选项B“否”，身边没有请人带过课的同学，则录为2。所以，均值的结果表明，数值越大，则身边出现代课同学越少，数值越小，则表明身边出现的代课同学越多。因此，大三中的代课同学是最多的，大四次之，大二次之，大一最少。 上表表明，不同年级下代课情况的方差齐性检验值为，概率为,。如果显着性水平为，由于概率值大于显着性水平，不应拒绝零假设，认为不同年级下代课情况的总体方差无显着差异，满足方差分析的前提要求。 上表分别显示了两两不同年级下代课情况均值检验的结果。通过两两比较，最终可以得出，大一的均值>大二的均值>大三的均值，大四的均值大小情况不能确定，基本上得出的结论与实际情况相符。 五、建议 在以上对数据的分析过程当中，我们提到了逃课现象严重，收费代课行为愈发普遍的原因，这里稍微再做一下总结。原因如下： a.一些专业课程，教学内容循规蹈矩，考试题目照本宣科，无法引起学生兴趣； b.学校管理有较大漏洞，上课学生中“替身”大量潜伏而不知； c.学生自身自制力不够，容易受到外界的影响，不能静心学习； d.社会就业压力大，导致学生青睐于早点实习； 针对以上这些导致收费代课产生的原因，我想提出几点建议： （一）学校在专业设置、教师的互动性教学、知识的创新性和灵活体现、教学管理体系建设等诸多方面，都应反思，并采取一定的措施。高校则应该实行自主办学措施，在课程设置、专业方向设置上应当有自我特色。与其大张旗鼓地对“收费代课”现象进行大力批判，还不如放开手来，从根本上指导学生如何学会自主学习，如何利用有限的学习时间。倘若不加以反思，做出课程设置、教师互动性教学的改进，而是纯粹地一味加强考勤管理，必然会扼杀一部分学生的学习积极性，“人在心不在”的上课状态恐怕也难以培养出符合时代需求的大学生。 (二)学生应该分清楚学习和工作的不同意义，学习是一种能力的提高过程。大学生应当学会对自己的现在以及未来负责。大学四年，是相当宝贵的青春年华。我们年轻，我们活动，但是这些都不应该成为我们虚度时间，不学习的理由。调查结果中显示，大三的收费代课现象是最为严重的，这样的结果确实应该引起学生的重视了。我们都知道，大三是专业学习的主要一年，很多的专业课都在大三进行安排。可是大三的同学的不认真学习专业课，选择请人代课，这不是明显浪费了学习专业课的机会吗所以，这里，我想提醒本部的同学们，要合理地定位自己的身份与任务，不要在该学习的阶段去实习或娱乐。另外，也要明确自己上大学的初衷，不要因为大学生活的闲适，而慢慢丢失了自己的理想。 （三）政府要给大学生提供公平的就业环境，打击不规范的就业行为，消除掉大学生的就业焦虑。为大学生就业，提供更加全面完整的服务系统，让大学生在大学期间安心学
SPSS期末大作业-完整版
第1题：基本统计分析1 分析：本题要求随机选取80%的样本，因而需要选用随机抽样的方法，在此选择随机抽样中的近似抽样方法进行抽样。其基本操作步骤如下：数据→选择个案→随机个案样本→大约（A）80 所有个案的%。 1、基本思路： （1）由于存款金额为定距型变量，直接采用频数分析不利于对其分布形态的把握，因而采用数据分组，先对数据进行分组再编制频数分布表。此处分为少于500元，500~2000元，2000~3500元，3500~5000元，5000元以上五组。分组后进行频数分析并绘制带正态曲线的直方图。 （2）进行数据拆分，并分别计算不同年龄段储户的一次存取款金额的四分位数，并通过四分位数比较其分布上的差异。 操作步骤： （1）数据分组：【转换→重新编码为不同变量】，然后选择存取款金额到【数字变量→输出变量（V）】框中。在【名称（N）】中输入“存取款金额1”，单击【更改（H）】按钮；单击【旧值和新值】按钮进行分组区间定义。 存取款金额1 频率百分比有效百分比累积百分比 有效1.00 82 34.6 34.6 34.6 2.00 76 32.1 32.1 66.7 3.00 10 4.2 4.2 70.9 4.00 22 9.3 9.3 80.2 5.00 47 19.8 19.8 100.0 合计237 100.0 100.0 （2）【分析→描述统计→频率】；选择“存款金额分组”变量到【变量（V）】框中；单击【图标（C）】按钮，选择【直方图】和【在直方图上显示正态曲线】；选中【显示频率表格】，确定。
（3）【数据→拆分文件】，选择“年龄”变量到【分组方式】框中，选中【比较组】和【按分组变量排序文件】，确定；【分析→描述统计→频率】，选择“存款金额”到【变量】框中，单击【统计量】按钮，选择【四分位数】→继续→确定。 统计量 存(取)款金额 20岁以下 N 有效 1 缺失 0 百分位数 25 50.00 50 50.00 75 50.00 20~35岁 N 有效 131 缺失 0 百分位数 25 500.00 50 1000.00 75 5000.00 35~50岁 N 有效 73 缺失 0 百分位数 25 500.00 50 1000.00 75 4500.00 50岁以上 N 有效 32 缺失 0 百分位数 25 525.00 50 1000.00 75 2000.00 结果及结果描述： 频数分布表表明，有一半以上的人的一次存取款金额少于2000元，且有34.6%的人的存取款金额少于500元，19.8%的人的存取款金额多于5000元，下图为相应的带正态曲线的直方图。
SPSS作业
物流统计实验作业 <一>：试述聚类分析的基本思想以及SPSS操作的基本步骤？ 系统聚类的基本思想是 聚类分析法又称集群分析法，它是研究样品或指标分类问题的一种多元统计方法。寻找一种能客观反应事物之间亲疏关系或合理评价事物性质相似程度的统计量，然后根据这种统计量和规定的分类准则把事物进行分类。 操作步骤： 1. 在SPSS窗口中选择Analyze→Classify→Hierachical Cluster，调出系统聚类分析主界面，并将变量移入Variables框中。在Cluster栏中选择Cases单选按钮，即对样品进行聚类（若选择Variables，则对变量进行聚类）。在Display栏中选择Statistics和Plots复选框，这样在结果输出窗口中可以同时得到聚类结果统计量和统计图。 2. 点击Statistics按钮，设置在结果输出窗口中给出的聚类分析统计量。这里我们选择系统默认值，点击Continue按钮，返回主界面。 3. 点击Plots，设置结果输出窗口给出的聚类分析统计图。选中Dendrogram复选框和Icicle栏中的None单选按钮，即只给出聚类树形图，而不给出冰柱图。单击Continue，返回主界面。 4. 点击Method，设置系统聚类的方法选项。Cluster Method下拉列表用于指定聚类的方法，包括组间连接法、组内连接法、最近距离法、最远距离法等；Measure栏用于选择对距离和相似性的测度方法；剩下的Transform Values和Transform Measures栏用于选择对原始数据进行标准化的方法。这里我们仍然均沿用系统默认选项。单击Continue，返回主界面。 5. 点击Save按钮，指定保存在数据文件中的用于表明聚类结果的新变量。None表示不保存任何新变量；Single solution表示生成一个分类变量，在其后的矩形框中输入要分成的类数；Range of solutions表示生成多个分类变量。这里我们选择Range of solutions，并在后面的两个矩形框中分别输入2和4，即生成三个新的分类变量，分别表明将样品分为2类、3类和4类时的聚类结果。点击Continue，返回主界面。 6. 点击OK按钮，运行系统聚类过程。 <二>：利用2001年全国31个省自治区各类小康和现代化指数的数据，利用K-均值聚类方法对地区进行聚类分析。并且对SPSS分析的结果进行分析。文件名为“小康指数.sav”。 31个省市自治区小康和现代化指数的K-Means聚类分析结果（一） 这张表展示了3类的初始类中心点的情况。由表可知第二类各指数均是最优的，第一类次之，第三类各指数最不理想。 31个省市自治区小康和现代化指数的K-Means聚类分析结果（二）
SPSS作业
S P S S作业-CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN
一、作业分析 案例背景：拟分析导致急救后颅脑损伤的主要影响因素，某省医院的外科医生收集了2003-2005年间在该科室进行过急救治疗的脑外伤病例共201例。 研究目的：差异性比较 资料类型：本例根据是否出现迟发性脑损伤将数据分为两个独立样本。 本例的数据变量有性别、年龄、入院时血循环指标、入院时症状、入院时意识程度、是否手术急救、其它治疗、是否出现迟发性脑损伤。在这些变量中既有连续变量又有分类变量，所以在检验时需分成两种：定量检验与定性检验。 其中定量检验为：年龄、入院时血循环指标；定性检验为：性别、入院时症状、入院时意识程度、是否手术急救、其它治疗。 二、数据描述 1 数量变量的描述 利用SPSS软件分析→描述统计→描述，将年龄、收缩压、舒张压、血小板拖入，得到下表： 通过表格可以发现血小板的极差为372，标准差为63.568.极差和标准差都较大，通过求自然对数来减小标准差，所以我们改用血小板的自然对数为数据。得到下表：
2.分类变量的描述 利用SPSS软件分析→表→设定表，选中性别、脑挫伤、中线移位、脑肿胀、意识程度、手术、止血药、激素、脱水剂拖入框中，得到下表： 从表中可以大致看出，脑挫伤、手术、中线移位、意识程度、激素和脱水剂几个变量和是否发生脑损伤有关。但是，这些关联是否具有统计学意义还需要进行检验。 三、差异性比较 1数量变量的差异性比较 （1）年龄与迟发性脑损伤的关系 本案例为两独立样本，我们对其进行正态性检验。 利用SPSS软件分析→统计描述→探索，得到下表：
spss的数据分析报告范例
关于某地区361个人旅游情况统计分析报告 一、数据介绍： 本次分析的数据为某地区361个人旅游情况状况统计表，其中共包含七变量，分别是：年龄，为三类变量；性别，为二类变量（0代表女，1代表男）；收入，为一类变量；旅游花费，为一类变量；通道，为二类变量（0代表没走通道，1代表走通道）；旅游的积极性，为三类变量（0代表积极性差，1代表积极性一般，2代表积极性比较好，3代表积极性好 4代表积极性非常好）；额外收入,一类变量。通过运用spss统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析，以了解该地区上述方面的综合状况，并分析个变量的分布特点及相互间的关系。 二、数据分析 1、频数分析。基本的统计分析往往从频数分析开始。通过频数分地区359个人旅游基本 状况的统计数据表，在性别、旅游的积极性不同的状况下的频数分析，从而了解该地区的男女职工数量、不同积极性情况的基本分布。 统计量 积极性性别 N 有效359 359 缺失0 0 首先，对该地区的男女性别分布进行频数分析，结果如下
性别 频率百分比有效百分 比 累积百分 比 有效女198 男161 合计359 表说明，在该地区被调查的359个人中，有198名女性，161名男性，男女比例分别为%和%，该公司职工男女数量差距不大，女性略多于男性。 其次对原有数据中的旅游的积极性进行频数分析，结果如下表： 积极性 频率百分比有效百分 比 累积百分 比 有效差171 一般79 比较 好 79 好24 非常 好 6 合计359 其次对原有数据中的积极性进行频数分析，结果如下表： 其次对原有数据中的是否进通道进行频数分析，结果如下表：
SPSS操作实验作业1(附答案)
SPSS操作实验 (作业1) 作为华夏儿女都曾为有着五千年的文化历史而骄傲过，作为时代青年都曾为中国所饱受的欺压而愤慨过，因为我们多是炎黄子孙。然而，当代大学生对华夏文明究竟知道多少呢 某研究机构对大学电气、管理、电信、外语、人文几个学院的同学进行了调查，各个学院发放问卷数参照各个学院的人数比例，总共发放问卷250余份，回收有效问卷228份。调查问卷设置了调查大学生对传统文化了解程度的题目，如“佛教的来源是什么”、“儒家的思想核心是什么”、“《清明上河图》的作者是谁”等。调查问卷给出了每位调查者对传统文化了解程度的总得分，同时也列出了被调查者的性别、专业、年级等数据信息。请利用这些资料，分析以下问题。 问题一：分析大学生对中国传统文化的了解程度得分，并按了解程度对得分进行合理的分类。 问题二：研究获得文化来源对大学生了解传统文化的程度是否存在影响。 要求： 直接导出查看器文件为.doc后打印（导出后不得修改） 对分析结果进行说明，另附(手写、打印均可)。 于作业布置后，1周内上交 本次作业计入期末成绩
答案 问题一 操作过程 1.打开数据文件作业。同时单击数据浏览窗口的【变量视图】按钮，检查各个 变量的数据结构定义是否合理，是否需要修改调整。 2.选择菜单栏中的【分析】→【描述统计】→【频率】命令，弹出【频率】对 话框。在此对话框左侧的候选变量列表框中选择“X9”变量，将其添加至【变量】列表框中，表示它是进行频数分析的变量。 3.单击【统计量】按钮，在弹出的对话框的【割点相等组】文本框中键入数字 “5”，输出第20％、40％、60％和80％百分位数，即将数据按照题目要求分为等间隔的五类。接着，勾选【标准差】、【均值】等选项，表示输出了解程度得分的描述性统计量。再单击【继续】按钮，返回【频率】对话框。