SPSS数据处理中常用方法

SPSS中常用的数据分析方法试验设计的基本原理试验设计：用尽可能少的试验获取足够有效的资料，从中得出较为可靠结论，从这一要求出发考虑问题，安排试验三个基本原则：（1）重复估计试验误差和降低试验误差（2）随机化试验配置和处理顺序随机确定；无偏向的试验误差（3）局部控制

分区域分时间地控制非试验因素，使试验处理的影响除试验因素不一致外，其余条件尽量一致，其作用也是为降低试验误差

试验设计三个基本原则和作用重复降低试验误差无偏的试验误差设计局部控制随机SPSS软件在生物统计学中的应用SPSS（StatisticePackageforSocialScience）是由美国SPSS公司自20世纪80年代开发的大型统计学软件包SPSS软件能覆盖统计分析的各个方面：

基础统计分析：描述性统计、各种简单的方差分析、回归分析、相关分析···

专业统计分析：因子分析、聚类分析、距离分析···

高级分析：多变量方差分析、重复测量方差分析、非线性回归分析、曲线估计···一、方差分析方差分析的概念在科学实验中常常要探讨不同实验条件或处理方法对实验结果的影响。方差分析是检验多组样本均值间的差异是否具有统计意义的一种方法方差分析基本原理不同处理组的均值间差别基本来源有两个:（1）随机误差，如测量误差造成的差异或个体间的差异，称为组内差异，用变量在各组的均值与该组内变量值之偏差平方和的总和表示，记作SSw，组内自由度dfw（2）实验条件，即不同的处理造成的差异，称为组间差异。用变量在各组的均值与总均值之偏差平方和表示，记作SSb，组间自由度dfb方差分析基本原理（续）组内SSw

、组间SSb除以各自的自由度(组内dfw=n-m，组间dfb=m-1，其中n为样本总数，m为组数)，得到其均方MSw和MSb，一种情况是处理没有作用，即各组样本均来自同一总体，MSb/MSw≈1。另一种情况是处理确实有作用，那么，MSb>>MSw

(远远大于)MSb/MSw比值构成F分布，用F值与其临界值比较，推断各样本是否来自相同的总体方差分析的假设检验零假设H0：m组样本均值都相同，即μ1=μ2=....=μm如果经过计算结果组间均方远远大于组内均方（MSb>>MSw

），F>F0.05(dfb,dfw),p<0.05，拒绝零假设，说明样本来自不同的正态总体，说明处理造成均值的差异有统计意义；否则,F<F0.05((dfb,dfw),p>0.05不能拒绝零假设，说明样本来自相同的正态总体，处理间无差异。方差分析单因素方差分析多因素方差分析单因素方差分析一维方差分析检验由单一因素影响的一个（或几个相互独立的）分析变量在该因素各水平分组间的均值差异是否有统计意义在SPSS中的操作运算模块:AnalyzeCompareMeansOne-WayANOVA在SPSS中的实现步骤运算结果运算结果最适温度下的光合速率（Aopt）在7个云杉属物种间存在显著差异其中，对5号种而言，除与6号云杉种间的Aopt不存在显著差异外，Aopt均显著高于其他5个去杉种;6号云杉种的Aopt除与5和4号不存在显著差异外，皆显著高于其他4个种，1，2，3，7四个去杉种的Aopt间不存在显著差异多因素方差分析多因素方差分析中的控制变量在两个或两个以上，它的研究目的是要分析多个控制变量的作用、多个控制变量的交互作用以及其他随机变量是否对结果产生了显著影响将观察变量总的离差平方和分解为3个部分：多个控制变量单独作用引起的离差平方和多个控制变量交互作用引起的离差平方和其他随机因素引起的离差平方和在SPSS中的操作GeneralLinearModel:UnivariateMultivariateRepeatedMeasuresUnivariate命令说明光合最适温度在处理间、种间以及温度处理和种间交互作用下均存在显著差异Multivariate说明温度处理、种和两者的交互作用都对Topt和Aopt产生了显著的影响二、相关性分析相关性分析描述变量之间线性相关程度的强弱，并用适当的统计指标表示出来的过程为相关分析。可根据研究的目的不同，或变量的类型不同，采用不同的相关分析方法

相关系数（r）的取值范围在−1和1之间，即−1≤r≤1。其中：若0＜r≤1，表明变量之间存在正相关关系，即两个变量的相随变动方向相同；若−1≤r＜0，表明变量之间存在负相关关系，即两个变量的相随变动方向相反在SPSS中的操作

运算模块:AnalyzeCorrelate

BivariatePearson积差相关，计算连续变量或是等间距测量的变量间的相关性分析Kendall等级相关，计算分类变量间的秩相关Spearman等级相关，计算斯皮尔曼相关Two-tailed双尾检验选项One-tailed单尾检验选项相关性分析结果从表中可知，Topt与Aopt间不存在显著的相关性三、回归分析回归分析的概念寻求相关变量之间的关系主要内容：从一组样本数据出发，确定这些变量间的定量关系式对这些关系式的可信度进行各种统计检验从影响某一变量的诸多变量中，判断哪些变量的影响显著，哪些不显著利用求得的关系式进行预测和控制回归分析的模型按是否线性分：线性回归模型和非线性回归模型按自变量个数分：简单的一元回归，多元回归利用SPSS得到模型关系式，是否是我们所要的，要看回归方程的显著性检验（F检验）和回归系数b的显著性检验(T检验)，还要看拟合程度R2(相关系数的平方,一元回归用RSquare，多元回归用AdjustedRSquare)回归分析的过程在回归过程中包括：Liner：线性回归CurveEstimation：曲线估计BinaryLogistic：二分变量逻辑回归MultinomialLogistic：多分变量逻辑回归Ordinal序回归Probit：概率单位回归Nonlinear：非线性回归WeightEstimation：加权估计2-StageLeastsquares：二段最小平方法OptimalScaling最优编码回归3.1线性回归(Linear)一元线性回归方程:y=a+bxa称为截距b为回归直线的斜率用R2拟合系数判定一个线性回归直线的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例）多元线性回归方程:y=b0+b1x1+b2x2+…+bnxnb0为常数项b1、b2、…、bn称为y对应于x1