SPSS统计分析

目录

一、描述统计：

二、推断统计：

1、t检验     

①单样本T检验：

②独立样本T检验：

2、方差分析

①单因素方差分析

②单变量方差分析：

③多因素方差分析：

3、协方差分析

---

 

一、描述统计：

        描述性统计即对总体所有变量的研究数据做统计性描述，主要包含频数分析、集中趋势分析、离散程度分析、数据的分布。

1、利用佛山收入汇总数据，研究所有收入人员的行业分布

2、比较不同行业的平均收入

二、推断统计：

       推断统计即根据样本数据推断总体的分布或均值方差等总体统计参数。

来源：常用的参数检验和非参数检验方法对比_有哪些参数检验方法-CSDN博客

       SPSS中的假设检验可仅利用非常简单的统计方法，如t检验、卡方检验等来获得结论，又或需要考虑各种潜在影响因素。

1、t检验     

①单样本T检验：

       原理：用于对某个总体的均值与指定的检验值之间是否存在显著差异进行检验。

      (1) H0:u=u0,总体均值与检验值之间不存在显著差异

      (2) 选择检验统计量   

      (3) 计算t统计量的观测值和概率P值   

      (4)得出结论：若P≤α，拒绝H0,认为总体均值与检验值之间有显著差异；反之不能拒绝H0

 ・  操作步骤

      (1)菜单选项:分析->比较均值->单样本T检验

      (2)指定检验值: 在检验值框中输入原假设值     

②独立样本T检验：

       原理：通过两独立随机样本检验某两总体期望值是否有显著差异，但要区分两总体方差相等和不等两种情况。

       实操：现利用两组别的推销数据分析两组别推销额是否有异。

          由表一可得两组别的平均值有略微差异。

          由表二的独立样本检验可得在假定两组别等方差时，F 值为0.307，P值>0.05，故不可拒绝原假设，即两组别方差相等，应分析第一行的数据，t值为-1.661，双侧P值>0.05，故认为两组别的推销额无差异。

2、方差分析

方差分析：通过多各独立随机样本检验多个总体期望值是否有显著差异。小样本是一般要先进行方差齐次检验和正态性检验，大样本时可省略。如果方差分析显著，还必须进行多重比较检验。

①单因素方差分析

       原理：用于对某两个总体的均值之间是否存在显著差异进行检验，适用于单个自变量。

       实操：现利用不同组别的推销额数据对比不同组别之间的差距，研究组别是否影响推销额。

     

      由方差分析可知，F统计量为11.276，概率P值显著<a，拒绝原假设，不同组别对推销额存在显著性影响。

      进而进行多重比较检验可得第一组、第三组分别与第五组的差异显著，第四组分别与第二组、第五组的差异显著。

②单变量方差分析：

       原理：用于对某两个总体的均值之间是否存在显著差异进行检验，适用于单个因变量。

       实操：基于外来工调查数据分析对比，了解不同地区，不同时间对产品销售额的影响。

       由图可得，地区一的外来工在周四至周五的销量最高，地区二的外来工在周一至周三的销售量最高，地区三的外来工在周末的销售量最高。

③多因素方差分析：

      原理：解释变量都为分类变量，没有数值解释变量。多个分类变量间可能存在交互作用需检验，如果解释变量间交互作用不显著而某个体效应显著进行多重比较检验；如果交互作用显著要输出交互作用图观察。如果某些交互作用和个体效应不显著可进一步建立非饱和模型。 

      实操：现居于外来工调查数据分析教育程度和月收入对于月花费的影响。

        由图可得V1教育程度的P值为0.147，说明教育程度对月花费的影响不显著；V2月收入的P值<0.05，说明月收入显著影响月花费；但教育程度和月收入的交互作用对月花费的影响并不显著。

        进而基于月收入进行多重比较检验，可得月收入800元以下的月花费分别与2001-3000元、3000元以上组别的月花费的差异显著。

3、协方差分析

       原理：解释变量既有分类变量也有数值变量，并假设数值变量对被解释变量的影响在不同分类中相同。如果协变量（数值解释变量）显著，输出边际均值比较分类变量的个体效应，并能协差估计模型进行预测。协方差分析是介于方差分析与线性回归分析之间的一种统计分析方法。

       实操：现基于收入调查数据研究收入是否受性别、文化程度、工龄（协变量）的影响。

        由图可得模型的系数、标准差、t统计量、显著性及变量的置信区间，A6性别、A8 文化程度、gl工龄皆为显著影响收入的因素，但两分类变量A6性别、A8 文化程度的交互作用影响并不显著。因而剔除交互作用因子，重新构建如下模型。