spss数据正态分布检验

1、spss数据正态分布检验一、Z检验第一步：录入数据。1命名“变量视图” ；2“数据视图”中输入数据；第二步：进行分析。第三步：设置变量；第四步：得到结果：二、相关系数检验在一项研究中，一个学生想检查 生活意义和心理健康 是否相关。同意参与这项研究的 30 个学生测量了生活意义和心理健康。 生活意义的得分范围是 10-70 分（更高的得分表示更强的生活意义） ，心理健康的得分范围是 5-35 分（更高的得分表示更健康的心理状态） 。在研究中基本的兴趣问题也可以用研究问题的方式表示，例如例题：生活意义和心理健康相关吗相关系数数据的例子Participant Meaning in LifeParti

2、cipant Meaning in LifeWell-beingWell-being135191725122652718552031419196131435352053255653421603263334223512754352335288202824502092512253924105821266834113018275628123725281912135119295635145025306035153029167031说明：变量 participant包含在数据中，但不用输入SPSS。在 spss 中输入数据及分析步骤 1：生成变量1打开 spss 。2点击“变量视图”标签。在 spss

3、中将生成两个变量，一个是生活意义，另一个是心理健康。变量分别被命名为 meaning 和 wellbeing 。3在“变量视图”窗口前两行分别输入变量名称meaning 和 wellbeing 。步骤 2：输入数据1点击“数据视图”，变量 meaning 和 wellbeing出现在数据视图前两列。2将两个变量的数据分别输入。如图。步骤 3：分析数据1从菜单栏中选择“分析>相关 >双变量 > ”打开 “ 双变量 ”对 话框 ，变量meaning 和wellbeing出现在对话框的左边。2选择变量 meaning 和 wellbeing ，点击向右箭头按钮（），把变量移到“变量

4、”框中。3点击“确定”。步骤 4：解释结果二元相关性的输出结果显示如下：同样的结果在相 关性相关性生活意义和心wellbeimeaningngwellbeiPearson 相关1.549 *ng性显着性（双侧）.002相关性显着，N3030meaning Pearson 相关.549 *1性显着性（双侧）.002N3030*.在 .01水平（双侧）上显着相关。SPSS生成了一个输出表， 标记为“相关性”，其中包括我们研究问题的答案，即变量 meaning 和 wellbeing之间是否相关。注意在表格中 meaning 和 wellbeing 出现了两次，一次在行，一次在列（这表明 SPSS生

5、成的表格中出现了冗余） 。相关系数值和原假设检验的 p 值位于变量 meaning 和 wellbeing 相交处。表格中显示 meaning 和 wellbeing 的相关性是，相应的 p 值是小于，原假设被拒绝， 在 meaning 和 wellbeing 的总体中存在正相关（相关系数右边的两个星号暗示了在水平上相关性是统计显着的，因为 p 值为小于）。剩下的两个单元格显示了1 的相关性，一个完美的正相关。即变量 meaning和 wellbeing自身与自身的相关性。三、独立样本T 检验例题：临床心理学家想调查认知行为治疗和精神分析治疗对抑郁症的相对有效性。 30 名患有抑郁症的病人随机

6、分配接受两个疗法。其中 15 人接受行为治疗 ，另外 15 人接受精神分析 治疗，经过两个月的治疗后，记录下每个病人抑郁症得分。在本研究中，自变量是治疗方法（认知行为治疗与精神分析治疗） ，因变量是抑郁症，较高的分数表示更高的抑郁水平（抑郁水平的分数变化范围为1070)。在研究中基本的兴趣问题也可以用研究问题的方式表示，例如：“在接受认知行为治疗与精神分析治疗的病人中，抑郁症水平的均值是否存在差异呢”T 检验用来检验两组数据的均值。所以，零假设假设两组数据的均值相等：原假设指出两组的抑郁症分数均值在总体上是相等的：H0： 精神分析 =认知行为对立假设指出两组的抑郁症分数均值在总体上是不等的：H

7、1： 精神分析 认知行为数据在下表列出了 30 个参与者的数据。接受精神分析治疗的参与者标记为“ 1”，接受认知行为治疗的标记为“2”。独立样本 t检验例子的数据ParticipantTherapyDepressionParticipantTherapyDepression1157162472161172423167182594163192375l512023561552124271452223881622324991412426110l362524311155262471215727249131702823714l62292411515830248说明：变量 participant包含在数据

8、中，但不用输入SPSS。步骤 1：生成变量1打开 SPSS。2点击【变量视图】标签。在 SPSS中将生成两个变最，一个是不同治疗方法的组别( 自变量 ) ，另一个是抑郁症分数( 因变量 ) 。这些变量将各自被命名为depression( 抑郁症 ) 。therapy(治疗方法 ) 和3在【变量视图】窗口前两行分别输入变量名称therapy 和 depression( 详见图表 )4为变量therapy建立变量值标签， 1=“精神分析治疗”，2=“认知行为治疗”。步骤 2：输入数据1点击【数据视图】标签。变量therapy和 depression出现在【数据视图】窗口的前两列。2参照图表6-1

9、，为每个参与者输入两个变量的数据。对第一个参与者，为变量 therapy 和 depression分别输人数值1 和 57。依次输入全部30 个参与者的数据。对 therapy ，注意到前 15 个参与者为 1（精神分析治疗），后 15 个参与者为 2步骤 3：分析数据1从菜单栏中选择【分析>比较均值 >独立样本 T 检验】（见图）。打开【独立样本 T 检验】对话框，变量 therapy 和 depression 出现在对话框的左边。2选择因变量 depression ，点击向右箭头按钮 （）把变量移到【检验变量】框。3选择自变量therapy ，点击向右箭头按钮（）把变量移到【分

10、组变量】框中。在【分组变量】 框中，两个在括号内的问号出现在therapy 的右边（见图）。这些问号表示原先的数字分配到两个治疗样本中（也就是 l 、2）。这些数字需要通过点击【定义组】来输入。4点击【定义组】。5【定义组】对话框被打开，在【组 1】（表示精神分析治疗样本的数字）的右边输入“ 1”，并且在“组2”（表示认知行为治疗样本的数字） 的右边输入“”。6点击【继续】。7点击【确定】。结果显示在【查看】窗口中。步骤 4：解释结果组统计量表输出的第一个表格显示每个治疗组的描述统计量，包括样本量、平均值、标准差和标准误差。注意到认知行为治疗样本的抑郁分数均值（均值 =）比精神分析治疗样本（均

11、值 =）的低。我们稍后将会考虑这两组之间的差异对具有统计显着性而言是否足够大。独立样本检验表第二个表格“独立样本检验表”显示在“均值相等的 t 检验”之后的“假设方差相等”栏中的结果。方差方程的 Levene 检验“方差方程的Levene检验”检验两个治疗组的总体方差是否相等，这是独立样本 t 检验的一个假设。 SPSS使用个由 Levene 开发的方法来检验总体相等的假设。Levene 检验的原假设和对立假设是：H0： 2 精神分析 =2 认知行为 （两组的总体方差相等）H1： 2 精神分析 2 认知行为 （两组的总体方差不相等）T检验组统计量标准均值的therapyN均值差标准误depre

12、psychoana15ssionlyticcognitive15-behavioral独立样本检验方差方程的Levene 检验均值方程的 t检验“组统计表”提供了两个治疗组（精神分析与认知行为）的均值。如果原假设被拒绝，差分的 95%标准置信区间Sig.(均值误差FSig.tdf双侧 )差值值下限上限depre假设方.311 .58228 .002ssion差相等假设方.002差不相等相等方差的 Levene 检验的 p 值。如果 p，我们假设方差不因为的 p 值小于，所以两组均值相等的原假设被相等（读 t 的结果中的底部数值）。如果 p，我们假设方差拒绝。根据“组统计量表”中确定哪一组的抑郁

13、相等（读 t 的结果中的顶部数值）。因为的 p 值大于，所以四、相依样本 T 检验在对某种程度上相关的两个样本的均值进行比较时，我们可以使用相依样本 t 检验（也称为配对样本 t 检验，重复测量 t 检验，匹配样本 t 检验等）。在相依样本t检验中两个样本可能包含同一个人在两个不同时刻进行侧量或者两个有联系的人分别测量的结果（例如，双胞胎的 IQ，妻子与丈夫的沟通质量）。准确定义相依样本 t 检验的关健在于记住两样本间要在某方面存在自然联系下面给出一个相依样本 t 检验的例子。一个国家选举机构的工作人员负责通过民意调查来决定经济和国家安全哪个议题对于选民更重要。有 25 个选民被调查以确定两个

14、议题的重要性等级，每个议题用 1-7 的等级表示（ 1=一点也不重要， 7=极其重要）。自变量是投票议题（经济、国家安全），（因）变量是重要性等级。在研究中，基本的兴趣问题也可以用研究问题的方式表示，例如，“ 对选民来说经济重要性等级和国家安全是否存在不同”数据步骤 1：生成变量1打开 spss 。2点击【变量视图】标签。在 spss 中将生成的两个变量，分别用于经济等级和国家安全。两个变量分别命名为 economy和 security 。3在【变量视图】 窗口前两行分别输入变量名称economy和 security。（见图）。步骤 2：输入数据1点击【数据视图】标签。变量 economy 和

15、 security 出现在【数据视图】窗口的两列。2为每个参与者输入两个变量的数据。对第一个参与者，为变量 economy和 security分别输入等级 5 和 7。依次输入全部 25 个参与者的数据。步骤 3：分析数据1从菜单栏中选择【分析>比较均值 >配对样本 T 检验】。打开【配对样本T检验】对话框，变量economy和 security出现在对话框的左边。2选择因变量 economy和 security，点击向右箭头按钮 （）把变量移到【成对变量】框中。3点击【确定】。在 spss 中运行相依样本 t 检验程序，结果显示在“查看”视窗中。步骤 4：解释结果成对样本统计量输

16、出的第一个表格 “成对样本统计量” 显示了 economy和 security 的描述统计量、包括样本量、平均值、标准差和标准误差。请注意，经济的平均重要性等级（均值 =）比国家安全（均值 =）的高。我们稍后将会考虑这两个平均等级之间的差异（对）是否大到足以具有统计显着性。成对样本相关系数表格“成对样本相关系数” 除了提到这个相关性等于 25 个参与者对于经济和国家安全的等级之间的皮尔逊相关系数外， 对于解释配对样本 t 检验不是重要的。成对样本检验表格“成对样本检验”为我们的研究问题提供了答案，就是经济和国家安全的重要性等级间是否存在差异。原假设的检验是以t 的形式显示的，这里T检验成对样本

17、统计量均值的标准均值N标准差误对 1 economy25.23295security25.35590成对样本相关系数相关系 SigN 数.表格“成对样本统计量”提供了两个变量（economy和 security）的均值。如果原假设被拒绝，我们将成对样本相关系数相关系 SigN数.对economy25 .25.221&32security成对样本检验成对差分标均值差分的Sig.均准的标95% 置信( 双值差准误区间tdf 侧)下上限限对economy.3727.3924 .0051-4071security均值等于economy 和 security因为p 值为，小于，原假设均值间的差（

18、）.被拒绝。五、 2 独立性检验( 一 ) 双因素卡方检验双因素卡方检验法常用来检验两个因素是否互相独立。 如果不是互相独立， 就是互相联系。做出零假设 (H0) ，两个因素互相独立，没有联系；备择假设 (H1) 两个因素不互相独立。如果 p或，接受原假设，互相独立；相反，如果 p或，拒绝原假设，说明两事件有联系。（小拒绝大接受 ）（A）2×2 表卡方检验例子一位研究员想调查性格类型 （个性内向的人、个性外向的人）和休闲运动的选择 （逛游乐园、休息一天）是否有关系。他对 100 名答应参与这项研究的人做了性格测试，并且基于测试的分值把他们分为性格内向的人和性格外向的人， 然后要求每个

19、参与者在逛游乐园和休息一天两者之中选择更喜欢的休闲方式。 图表 5-1 描述了每个参与者的性格类型和选择的休闲方式：因为性格类型和休闲方式都有两个水平，得到四个单元，当前的例子为2×2 卡方表。分析：零假设为2×2 列联表中列一“性格类型”与列二“休闲方式”之间独立。如果 p<，则拒绝零假设；如果p>，则接受零假设。步骤 1：生成变量1打开 spss 。2点击【变量视图】标签。在 SPSS中将生成三个变量，一个是不同的性格类型，一个是休闲方式，一个是频数。这三个变量分别命名为personality，activity和 frequency 。3在【变量视图】窗口前

20、三行分别输入变量名称personality，activity和frequency 。4为分类变量 personality和 activity建立变量值标签，对于personality，l= “内向”， 2=“外向”。对于 activity，1=“逛游乐园”，2=“休息”。步骤 2：输入数据接下来，我们在spss 中输入数据。2 独立性检验有两种不同的数据输入方法：加权方法和个体观测值方法。 当数据在每个单元的频数统计出来时，应采用加权方法 。由于在我们的例子中，单元中的 频数已经被统计出来 ( 如图表 1) ，我们将采用加权方法来输入数据。在我们的例子中，内向性格和外向性格的人可以进择逛游乐园

21、和休息中的一个，于是产生了四种不同情况 ( 内向逛游乐园、内向休息、外向逛游乐园、外向休息 ) 。由于我们采用加权方法来输人数据，我们需要在【数据视窗】窗口为这四种情况的每一种创建单独的一行。用加权方法建立的数据文件结构如图表所示。输入数据1点击【数据视图】 标签。变量 personality，activity和 frequency 出现在【数据视图】窗口的前三列。按照图表，第一种情况对应于内向(1) 且选择逛游乐园 (1) 的人，总共有 12 个人，这些值应该被输入【数据视图】窗口的第一行。2在【数据视图】窗口的第一行对personality，activity和 frequency分别输入

22、l ，1 和 12，在【数据视图】窗口的24 行输入剩下的三种情况( 在第 2 行输入 l ，2和 28，在第 3 行输入 2，1 和 43，在第 4 行输入 2， 2 和 17) 。图表中给出了完整的数据文件。步骤 3：分析数据在执行 2检验之前，我们首先需要对frequency进行加权。加权表明给定变量的值表示观测总 次数，而不仅仅是一个分数值。例如，对 frequency 进行加权时， frequency 取值为 12 代表 12 个人，而不是分数为 12。对 frequency 进行加权1在菜单栏中选择“数据>加权个案”。2打开【加权个案】对话框。选择“加权个案”并选择变量fre

23、quency ，点击向右箭头按钮 () ，把 frequency 移到“频率变量”框中。3点击“确定”。这表示在每个类别中频数的取值(12 ，28，43 和 17) 对应于每个单元的所有参与者，而不仅仅是一个分数。通过对 frequency 进行加权，现在我们可以在SPSS中执行 2独立性检验。执行 2独立性检验1在菜单栏中选择“分析>描述统计 >交叉表”。打开【交叉表】对话框，变量personality，activity和 frequency出现在对话框的左侧。2选择 personality，点击向右箭头按钮），把变量移到“行”框。3选择 activity，点击向右箭头按钮（），

24、把变量移到“列”框中。4点击。打开“交叉表：统计量”对话框，选择“卡方”。5点击“继续”。6点击“单元格”。打开“交叉表：单元显示”对话框，在“计数”下选择“观察值”“期望值”；在“百分比”下选择“行” 。7点击“继续”。8点击“确定”。步骤 4：解释结果交叉表案例处理摘要案例有效的缺失合计N百分比N百分比N百分比personality *100%0.0%100%activitypersonality* activity交叉制表activityamusementparkretreat合计personaliintrove计数122840tyrt期望的计数extrovepersonality的 %

25、计数中%43%17%60rt期望的计数合计personality的 %计数中%55%45%100期望的计数personality中%的 %卡方检验值df渐进 Sig.(双侧)精确Sig.( 侧 )双精确Sig.( 侧)单Pearson 卡方16.835 a1.000连续校正 b1.000似然比1.000Fisher 的精确.000.000检验线性和线性组合1.000有效案例中的 N100a. 0单元格 (.0%)的期望计数少于5 。最小期望计数为。b. 仅对 2x2 表计算P 值小于，所以拒绝原假设 （小拒绝），两个事件不独立，即性格类（B）(r ×c)列联表的卡方检验当列联表不是

26、2×2 交叉表的时候，要判断总体的变量是否彼此独立，这时候自由度： df= （r-1 ）（c-1 ）。列联表形式 (r × c)xy列（ c）合计123C12O11O12O13O1cO13行OOOOO2122232c2-（r ）O31O32O33O3cO3-OOOOOr1r2r3rcr-r合计n1n2n3ncn方法同 2× 2 卡方表，只是增加列、行的数量。如：应用语言学实验方法一书83 页的例子。分析：零假设为：列一“第一语言背景”与列二“冠词错误频数”之间独立。如果p<，则拒绝零假设，反之，则接受零假设。（小拒绝，大接受 ）经过计算，结果如下：p=接受原

27、假设，即：在 spss 中的计算方法。步骤 1：建立变量【变量视图】中同样输入“错误类型” 、“语言背景”和“频数”三行。然后，分别对“错误类型”和“语言背景”标签赋值。步骤 2：输入数据在【数据视图】中输入数据。注意按照列联表的对应情况，分别为“错误类型”和“语言背景”中输入 14、12的值。并将它们在列联表中的频数值，输入第三列“频数”中。步骤 3：分析数据因为“频数”一列中的数值是频率数，所以先为它加权。执行 2独立性检验1在菜单栏中选择“分析>描述统计 >交叉表”。2选择“语言背景” ，点击向右箭头按钮） ，把变量移到“行”框。3选择“错误类型” ，点击向右箭头按钮（） ，

28、把变量移到“列”框中。4点击“确定”。步骤 4：解释结果交叉表 数据集 3案例处理摘要案例有效的缺失合计N百分比N百分比N百分比语言背景 *错误100%0.0%100%类别语言背景 * 错误类别交叉制表错误类别theaan无合计语言背汉语计数12146840景期望的计数语言背景中%的 %日语计数22248660期望的计数语言背景 中%的 %合计计数34381414100期望的计数语言背景 中%的 %卡方检验渐进 Sig.值df(双侧)Pearson 卡方2.234 a3.525P 值 >，所以接受原假似然比3.533设（大接受）。即学生线性和线性组1.174合有效案例中的100Na. 0 单元格 (.0%) 的期望计数少于 5 。最小期望计数为 。（二）单因素 2检验法单因素 2检验法是将收集到的数据按频数分组，然后检验频数的分布是否与某个概率分布模式拟合。例如，在某英语测验中，已测得各分数段的频数，要检验分数的频数分布是否与正态分布、均匀分布或其他分布拟