spss统计软件练习题及答案

1、1、去年某企业每天平均生产元件105个，今年改进了生产技术随机抽取15天进行测量，结果为 208112202108210106206204118112 116210114104214 假定生产从正态分布，能否判断今年的产量是否是去年的两倍(a=0.05) 步骤：输入数据后，从菜单栏选择“分析”一“比较均值”一“单样本 对话框。 (1)将变量产量选入“检验变量”列表框。 (2)在“检验值”框中输入已知去年元件产量的平均数105。 (3)单击“确定”按钮，完成设置并执行上述操作。 单个样本统计量 N 均值 标准差 均值的标准误 元件个数 15 156.27 50.005 12.911 分析：样本数

2、量为15,均值为156.27,标准差为50.005,均值的标准误差为12.911 单个样本检验 检验值=105 t df Sig.(双侧) 均值差值 差分的95%置信区间 下限 上限 元件个数 3.971 14 .001 51.267 23.57 78.96 分析：显著性水平为0.001小于0.05,所以认为今年的产量不是去年的两倍。 2、一生产商想比较两种汽车轮胎A和B的磨损质量。在比较中，选A和B型轮胎组成一对后任意安装在7辆汽车的后轮上，然后让汽车运行指定的英里数，记录下每只轮胎的磨损量。数据如下： 汽车1234567 轮胎A9.610.811.310.78.29.011.2 轮胎B8.

3、29.411.89.19.311.013.1T检验”命令，打开“单样本T检验” 这两种轮胎的平均磨损质量存在显著差异吗? 步骤： (1) 输入数据，执行“分析”一“比较均值”一“配对样本T检验”命令，打开“配对样本T检验”对话框。 (2) 在“置信区间百分比”框内输入置信度95%,然后单击“继续”按钮确认，返回主对话框。 (3) 单击“确定”按钮，完成设置并执行配对样本T检验。 成对样本统计量 均值 N 标准差 均值的标准误 对1轮胎A 10.114 7 1.1950 .4517 轮胎B 10.271 7 1.7433 .6589 轮胎A的均值10.114小于轮胎B的均值10.271。 成对样

4、本相关系数 N 相关系数 Sig. 对1轮胎A&轮胎B 7 .457 .303 相关系数为0.457,认为轮胎之间相关性大 成对样本检验 成对差分 t df Sig.( 均值 标准差 均值的标准误 差分的95%置信区间 下限 上限 对1轮胎A-轮胎B -.1571 1.6009 .6051 -1.6377 1.3234 -.260 6 显著性水平为0.804,大于0.01,接受原假设，认为两个轮胎的平均磨损质量之间无显著性差异。 3、 某地一年级12名女大学生的身高、 体重与肺活量数据如下， 试建立体重与身高、 肺活量间的线性回归方程。 住重 zS:| |身得1 I I- -42,0042,0

5、0 2.552.55 1 155.0055.00 2 2 42,0042,00 2.2O2.2O 15S.OO15S.OO 3 3 - -46004600 2,752,75 1 1567OO567OO 4 4 46004600 24240 0 ,OO,OO 不 | |2.802.80 158.00158.00 6 50.0050.00 I I2.712.71 163.00163.00 7 7 5 5 寸。O O 1 1es.ooes.oo 与 NONO。 iw.iiw.i0 0 157OO157OO 9 9 52.0052.00 1 13 3-4646 165.00165.00 1 1O O

6、52.0052.00 2.852.85 1n1n- -OOOO 1111 58QO58QO 3.53.5。 167.00167.00 1 1N N 5SOO5SOO 3QO3QO 1 16363T TOOOO 操作步骤： 从菜单栏中选择“分析”一“回归”一“线性”，将“体重”选入“因变量”，将“身高”“肺活量”选入“自变量”。 (2)单击“统计量”按钮，选择“置信区间”输入95,选择“描述性”和“个案诊断”并选择“所有个案”，单击继续。 单击“绘制”按钮，选用DEPENDEN杯口*ZPEAD,并选择“直方图”和“正态概率图”,单击继续。 (4)单击“确定”按钮，并进行线性回归分析。 体重和身高

7、分析: 描述性统计量 均值 标准偏差 N 体重 49.4167 5.08935 12 身高 160.5833 3.77692 12 肺活量 2.8942 .41745 12 体重的土值为49.41,身高的均值为160.58,肺活量的均值为2.89 相关性 体重 身高 肺活量 Pearson相关性体重 1.000 .771 .800 身高 .771 1.000 .640 肺活量 .800 .640 1.000 Sig.(单侧)体重 . .002 .001 身高 .002 . .012 肺活量 .001 .012 . N 体重 12 12 12 身高 12 12 12 肺活量 12 12 12 显

8、著性水平小于0.05,因此它们之间具有显著性差异水平 描述性统计量 均值 标准偏差 N 体重 49.4167 5.08935 12 身高 160.5833 3.77692 12 肺活量 2.8942 .41745 12 输入/移去的变量 模型 输入的变量 移去的变量 方法 1 肺活量，身高a . 输入 a.已输入所有请求的变量。 b.因变量：体重 模型汇总 模型 R R方 调整R方 标准估计的误差 1 .868a .754 .699 2.79325 a.预测变量：（常量），肺活量，身高b.因变量：体重 Anovab 模型 平方和 df 均方 F Sig. 1回归 214.697 2 107.3

9、48 13.759 .002a 残差 70.220 9 7.802 总计 284.917 11 a.预测变量：（常量），肺活量，身高b.因变量：体重 系数 模型 非标准化系数 标准系数 t Sig. B的95.0%置信区间 B 标准误差 试用版 下限 上限 1（常量） -63.968 42.155 -1.517 .163 -159.329 31.393 身高 .592 .290 .439 2.040 .072 -.064 1.249 肺活量 6.320 2.626 .518 2.407 .039 .380 12.260 a.因变量：体重 体重与身高的线性回归方程为：y=0.592x-63.96

10、8 体重与肺活量的线T回归方程为：y=6.320 x-63.968 案例诊断 案例数目 标准残差 体重 预测值 残差 1 -.693 42.00 43.9351 -1.93511 2 -.537 42.00 43.4995 -1.49946 3 .075 46.00 45.7914 .20864 4 -.193 46.00 46.5401 -.54005 5 -.462 46.00 47.2917 -1.29172 6 .113 50.00 49.6837 .31627 7 -1.113 51.00 54.1080 -3.10803 8 1.219 52.00 48.5957 3.40432

11、9 -1.292 52.00 55.6084 -3.60840 10 .936 52.00 49.3843 2.61575 11 .342 58.00 57.0456 .95445 12 1.605 56.00 51.5167 4.48334 a.因变量：体重 残差统计量 极小值 极大值 均值 标准偏差 N 预测值 43.4995 57.0456 49.4167 4.41790 12 标准预测值 -1.339 1.727 .000 1.000 12 预测值的标准误差 .834 1.690 1.369 .287 12 调整的预测值 44.3320 56.9053 49.4842 4.46267

12、12 残差 -3.60840 4.48335 .00000 2.52659 12 标准残差 -1.292 1.605 .000 .905 12 Student化残差 -1.506 1.715 -.011 1.031 12 已删除的残差 -4.90527 5.25044 -.06750 3.30658 12 Student化已删除的残差 -1.642 1.971 .009 1.109 12 Mahal。距离 .065 3.111 1.833 1.043 12 Cook的距离 .001 .414 .104 .127 12 |居中杠杆值|.006I,283,167.095I12I a.因变量： 残差

13、统计量 极小值 极大值 均值 标准偏差 N 预测值 43.4995 57,0456 49,4167 4.41790 12 标准预测值 -1.339 1.727 .000 1.000 12 预测值的标准误差 .834 1.690 1.369 .287 12 调整的预测值 44.3320 56,9053 49,4842 4.46267 12 残差 -3.60840 4.48335 .00000 2.52659 12 标准残差 -1.292 1.605 .000 .905 12 Student化残差 -1.506 1.715 -.011 1.031 12 已删除的残差 -4.90527 5.2504

14、4 -.06750 3.30658 12 Student化已删除的残差 -1.642 1.971 .009 1.109 12 Mahalo距离 .065 3.111 1.833 1.043 12 Cook的距离 .001 .414 .104 .127 12 居中杠杆值 .006 .283 .167 .095 12 a.因变量：体重直方图 因变量：体重 0 回力标准化残差 回门标准化残差的标准P-P图 由图可知，标准化残差呈正态分布，散点在直线上或下靠近直线，说明变量之间呈线性分布。 散点图 由图可知回归方程满足线性以及其次方程的检验 4、某企业欲研究不同类型的商店对一种新产品的销售影响，选取了

15、三类商店：副食品店、百货公司和超市。调查时销售额如表，现分析不同商店类型对销售量有无显著影响。 19 24 19 29 29 30 28 30 29 29 29 30 因变量：体函 L 45.00 40.00 50.00 体重 5500 6000 回回. .日标准化预计日标准化预计 品 店 30 29 30 31 百 32 33 29 32 货 31 35 31 32 公 31 34 29 32 司 31 34 29 31 31 35 35 33 超 31 35 35 32 市 33 36 29 32 32 34 30 31 步骤 (1)打开数据文件，从菜单栏选择“分析”一“比较均值”一“单因

16、素ANOVA”命令， (2)将“销售量”作为观测变量选入“因变量列表”框， (3)将“商店”作为控制变量选入“因子”文本框中。控制变量有几个不同的取值，就表示 控制变量有几个水平。 (4)单击“对比”按钮，然后打开对比对话框中的“度”下拉列表中选择“线性”选项，单 击“继续”按钮确认。 (5)在“单因素ANOVA两两比较”两两比较对话框中选择LSD方法进行两两比较。单击“继 续”按钮确认。 (6)在“选项”对话框中，选择“描述性”项输出描述性统计量和“均值图”输出频数图。 单击“继续”按钮确认。 (7)单击“确定”按钮完成设置，执行单因素方差分析。 描述 销售额 N 均值 标准差 标准误 均值

17、的95%置信区间 极小值 极大值 下限 上限 副食品店 16 27.81 3.763 .941 25.81 29.82 19 31 百货公司 16 31.63 1.784 .446 30.67 32.58 29 35 超市 16 32.75 2.082 .520 31.64 33.86 29 36 总数 48 30.73 3.388 .489 29.75 31.71 19 36 ANOVA 销售额 平方和 df 均方 F 显著性 组间(组合) 214.292 2 107.146 14.827 .000 线性项对比 195.031 1 195.031 26.989 .000 偏差 19.260 1 19.260 2.665 .110 组内 325.188 45 7.226 总数 539.479 47 p为0.000小于0.05,拒绝原假设，认为不同商店类型对产品销售量有显著性影响。 多重比较 销售额 LSD (I)商店 (J)商店 均值差 (I-J) 标准误 显著性 95%置信区间 下限 上限 副食品店 百货公司 * -3.813