spss练习题及简答

SPSS练习题及简答

SPSS练习题

1、现有两个SPSS数据文件，分别为“学生成绩一”和“学生成绩二”，

请将这两份数据文件以学号为关键变量进行横向合并，形成一个完整的数

据文件。先排序data---sortcases再合并data―mergefiles

2、有一份关于居民储蓄调查的数据存储在EXCEL中，请将该数据转换

成SPSS数据文件，并在SPSS中指定其变量名标签和变量值标签。转换

Data—transpose,输题目

3、利用第2题的数据，将数据分成两份文件，其中第一份文件存储

常住地是“沿海或中心繁华城市”且本次存款金额在1000-2000之间的调

查数据，第二份数据文件是按照简单随机抽样所选取的70%的样本数据。

选取数据data-selectcases

4、利用第2题数据，将其按常住地（升序）、收入水平（升序）存款

金额（降序）进行多重排序。排序data—sortcases一个一个选，力口

5、根据第1题的完整数据，对每个学生计算得优课程数和得良课程

数，并按得优课程数的降序排序。计算transform-count按个输，把所有

课程选取，define设区间，再排序

6、根据第1题的完整数据，计算每个学生课程的平均分和标准差，

同时计算男生和女生各科成绩的平均分。描述性统计，先转换

Data—transpose学号放下面,全部课程（poli到his）放上面，ok,

analyze---descriptivestatistics---descriptives,全选，optionso先拆分

data—splitfile按性别拆分，analyze—descriptivestatistics---descriptives全选

所有课程options---mean

7、利用第2题数据，大致浏览存款金额的数据分布状况，并选择恰

当的组限和组距进行组距分组。数据分组Transform-recode-下面一个，

输名字，change,old,range,newvalue---add挨个输，从小加到大，等距

8、在第2题的数据中，如果认为调查“今年的收入比去年增加”且

“预计未来一两年收入仍会会增加”的人是对自己收入比较满意和乐观的

人，请利用SPSS的计数和数据筛选功能找到这些人。(计算

transform-count或)选取data---selectcases

9、利用第2题数据，采用频数分析，分析被调查者的常住地、职业

和年龄分布特征，并绘制条形图。Analyze---descriptive

statistics---frequencies

10、利用第2题数据，从数据的集中趋势、离散程度和分布形状等角

度，分析被调查者本次存款金额的基本特征，并与标准分布曲线进行对比,

进一步，对不同常住地住房存款金额的基本特征进行对比分析。AnDSd

Analyze---DescriptiveStatistics—Descriptives,选择存款金额到Variable(s)中。

按Option,然后选择

Mean,std.deviation,Minlmum,Variance,Maximum,Range,Kutosis,Skewness,Vari

able

list.然后按continue,ok

11、将第1题的数据看作来自总体的样本，试分析男生和女生的课程

平均分是否存在显著差异；试分析哪些课程的平均差异不显著。

Transformcompute课程平均分=171620（）analyze->compare

means->ind叩endent-samplesT；选择若干变量作为检验变量到test

variables框（课程平均分）；选择代表不同总体的变量（sex）作为分组变

量到groupingvariable框；.定义分组变量的分组情况DefineGroups...：（填

1,2）o1.两总体方差是否相等F检验：F的统计量的观察值为0.257,对应

的P值为0.614,；如果显著性水平为0.05,由于概率P值大于0.05,两种方式

的方差无显著差异.看eaualvariancesassumend。2.两总体均值的检验：.T

统计量的观测值为-0.573,对应的双尾概率为0.569,T的P值＞显著水平0.05,

故不能推翻原假设,所以女生男生的课程平均分无显著差异。

酉己对差异:analyze->comparemeans->paired-samples「“paired

variables框中每科与不同科目配对很麻烦略

12、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,现从雇员中随机随出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？

步骤：采用单样本T检验（原假设H0:u=u0,总体均值与检验值之间不

存在显著差异.）；菜单选项：Analyze->comparemeans->one-samplesT

test；指定检验值:在test后的框中输入检验值（填75）,最后ok!分析：N=ll

人的平均值（mean）为73.7,标准差（std.deviation）为9.55,均值标准误

差（stderrormean）为2.87.t统计量观测值为-4.22,t统计量观测值的双尾概

率P-值（sig.（2-tailed））为0.668,六七列是总体均值与原假设值差的95%

的置信区间，为卜7.68,5.14),由此采用双尾检验比较a和p。T统计量观测值

的双尾概率P-值(sig.(2-tailed))为0.668>a=0.05所以不能拒绝原假设；

且总体均值的95%的置信区间为(67.31,80.14),所以均值在67.31~80.14

内,75包括在置信区间内，所以经理的话是可信的。

13、利用促销方式数据，试分析这三种推销方式是否存在显著差异,

绘制各组均值的对比图，

并利用LSD方法进行多重比较检验。单因素方差分析对比图为

options中的descriptives

LSD为post…中的P值大于a接受所以无关

14、已知240例心肌梗塞患者治疗后24小时内的死亡情况如表1所

示，问两组病死亡率相

差是否显著？(examplel.sav)(显著性水平为5%)

表1：急性心肌梗塞患者治疗后24小时生死情况

•提出假设

H0：是否接受治疗的急性心肌梗塞患者的病死率相差不显著

H1：是否接受治疗的急性心肌梗塞患者的病死率相差显著

•操作步骤：

1、打开数据文件：file—open—data—examplel.sav2、对count变量

进行weightcases处理：data-weightcases

选中weightcasesby；在Frequenciesvariable中力口入变量count。3、

对数据进行交叉汇总，如得出的下列频次交叉表，如图表3—1：用

descriptive-crosstab过程，column填status,row填group。在cell选项中，

选中percentages,以计算频数百分比。

•统计表格及分析：

表3-1是否接受治疗与生存状况的相关性检验成果表(Chi-Square

Tests)

Asymp.Sig.

PearsonChi-SquareLinear-by-LinearAssociation有效个案数

Value6.040(b)6.015240

df11

(2-sided).014.014

表3—1是相关性卡方检验成果表。表中依次列出了Pearson卡方系数、

线性相关的值(Value)、自由度(df)和双尾检验的显著水平(Asymp.Sig.

(2-sided))o

表3-2显示了根据是否使用单参注射液对急性心肌梗塞患者进行分

组后，患者的生存和死亡状况频数和所占总数的百分比。

表3-2急性心肌梗塞患者是否治疗与生死情况的列联表

分组(group))总数

用单参注射液

未用单参注射液

Count

%within分组(group)Count

%within•分组(group)Count

%within•分组(group)

状况（status）

总数195100.0%45100.0%240100.0%

生存

18594.9%3884.4%22392.9%

死亡

105.1%715.6%177.1%

•结论：

根据表3—1可以看出，双侧检验的显著性概论为0.014,小于显著性

水平0.05；因此否定原假设，接受备择假设，即两组患者的完全缓解率之

间差别显著。

15、已知数据如表2所示，比较单用甘磷酰芥（单纯化疗组）与复合

使用光霉素、环磷酰胺等药（复合化疗组）对淋巴系统肿瘤的疗效，问两

组患者的完全缓解率之间有无差别？（example2.sav）（显著性水平为5%）

表2：两化疗组的缓解率比较

同上小于拒绝显著

16、已知数据如表3所示，问我国南北方鼻咽癌患者（按籍贯分）的

病理组织学分类的构成比有无差别？（example3.sav）（显著性水平为5%）

同上小于拒绝显著

表3：我国南北方鼻咽癌患者病理组织学分类构成

17、已知97名被调查儿童体检数据文件为child.sav,请分别计算男性、

女性与两性合计的儿童的平均身高与体重、中位身高与体重以及身高与体

重的标准差。1、打开数据文件：file—open—'data—child.sav

2、均值比较与检验：Analyze—Comparemeans—means3^在

independentVar.中选性别，dependentVan中选体重和身高4、在option

子框中选择median/mean/Std.Deviation

1、男性儿童的平均身高为109.962厘米；平均体重为18.202千克；

中位身高为109.10厘米；中位体重为17.50千克；身高的标准差为6.084

厘米；体重的标准差为2.786千克。2、女性儿童的平均身高为109.896

厘米；平均体重为18.389千克；中位身高为109.450厘米；中位体重为

17.750千克;身高的标准差为5.770厘米;体重的标准差为3.235千克。3、

两性儿童的平均身高为109.930厘米；平均体重为18.292千克；中位身高

为109.250厘米；中位体重为17.605千克；身高的标准差为5.905厘米；

体重的标准差为2.995千克。

18、已知97名被调查儿童体检数据文件为child.sav,请问儿童的身高

与体重是否分别受到性别与年龄的影响？（显著性水平为5%）

•提出假设：

1、H0：身高与体重受到年龄的影响不显著H1：身高与体重受到年

龄的影响显著2、H0：身高与体重受到性别的影响不显著H1：身高与

体重受到性别的影响显著

•操作步骤：

1、打开数据文件：file—open—data—child.sav2、均值比较与检验：

analysis—comparemeans-means

3、在independentVar.中选性别和年龄，dependentVar.中选体重和

身高4、在option子框中选择median/mean/Std.Deviation

在statisticforfirstlayer区域内勾上ANOVAtableandeta复选框

•统计表格及分析：

表7—1体重、身高与年龄的方差分析表

Mean

体重(x4,kg)*年龄(age)

身高(x5,cm)*年龄(age)

BetweenGroupsWithinGroupsTotal

BetweenGroupsWithinGroupsTotal

SumofSquares

286.215565.918852.1331757.7071554.8553312.562

df2939529395

Square143.1076.085878.85316.719

F23.51852.567

Sig..000

.000

在表7—1中，分别列出了平方和(SumofSquares)、自由度(df)、

均方差(MeanSquare)、F值以及F值的显著性水平(Sig.)。F对应的概率

值P(sig)Va(a=0.05)；故拒绝原假设，接受备择假设，即身高与体重

受到年龄的影响显著。

表7—2体重、身高与性别的方差分析表

Square

体重(x4,kg)*性别(x2)

身高(x5,cm)*性别(x2)

BetweenGroupsWithinGroupsTotal

BetweenGroupsWithinGroupsTotal

1949519495

.8399.056.10535.239

.093.003

.762.956

在表7—2中，F对应的概率值P（sig）>a（a=0.05）；故接受原假

设，即身高与体重受到性别的影响不显著。

19、文件example.sav中列出了某学校四个年级同学接受专业训练前

后的铁饼成绩，问接受专业训练后同学们的铁饼成绩有无显著提高？（显

著性水平为5%）

统计表格及分析：

表8—1配对样本的相关性分析表

H0：铁饼（训练前）和铁饼（训练后）的数据之间不存在线性关系

H1：铁饼（训练前）和铁饼（训练后）的数据之间存在线性关系

表8—1列出了配对样本的个数（N）、相关系数（Correlation）、显著

性概率（Sig.）o显著性概率趋近于0,远小于0.05,所以认为铁饼（训练

前）和铁饼（训练后）的数据之间存在线性关系。

表8—2配对样本T检验的成果表

Sig.

Std.

Pair1

铁饼（训练前）-铁饼（训练后）

表8-2中为铁饼（训练前）和铁饼（训练后）的数据的T检验结果。

表中前4项分别

-.2417

.4323

.0882

-.4242

-.0591-2.739

23

.012

Mean

Deviation

PairedDifferences

Std.ErrorMean

95%ConfidenceIntervaloftheDifferenceLower

Upper

t

df

（2-tailed）

为配对样本数据差异的均值（Mean）、标准离差（Std.Deviation）＞均

值的标准差（Std.Error

Mean）以及95%置信区间。后3项为t值（t）、自由度（df）和双尾

显著性概率表中双尾显著性概率为远小

（Sig.（2-tailed））o0.012,

于0.05,故拒绝原假设，接受备择假设，认为配对样本之间有显著差异，

即接受专业训练后同学们的铁饼成绩提高显著。

•结论：

铁饼（训练前）和铁饼（训练后）的数据之间存在线性关系。且配

对样本之间有显著差异，即接受专业训练后同学们的铁饼成绩有显著提高。

20、文件example.sav中列出了某学校四个年级同学的外语与中文成

绩，问男女生总成绩（英文+中文）之间有无显著差异？（显著性水平为

5%）做法：先计算出总成绩，计算方法：Transform菜单栏下的Compute

Variable选项

总成绩计算出来之后，选择Analyze选项下CompareMeans选项下“两

独立样本T检验”选项卡

将总成绩放入TestVariable一栏中，性别放入GroupingVariable一栏中

并为其定义。点0k即可得出结果。

结果分析：方差齐次性，采用F检验，0.235,大于0.05,所以认为男

女生总成绩两样本的的方差是没有显著性差异的；

校正t检验的显著性水平Sig（2-tailed）为0.951,大于0.05,所以男

女生总成绩之间没有显著性差异。

21、根据以往的资料，学生中文的平均成绩为80分。文件example.sav

中列出了某学校四个年级学生的中文成绩，问学生中文成绩有无显著的下

降？（显著性水平为5%）•提出假设:

HO:U=50(U-50=0)；即学生中文成绩无显著的下降。

Hl:UW50(口-50W0)；即学生中文成绩有显著的下降。

•操作步骤：

1、打开数据文件：file—open—data—example.sav

2、单一样本的均值检验：analysis—comparemeans—OneSampleT

Test

3、在testvalue中输入80,在testVariable中选"中文

4、在options中输入显著性水平5%

•统计表格及分析：

中文表9—1数据统计量表

N24

Mean78.54Std.Deviation11.159Std.ErrorMean2.278

表9—1为单样本数据的统计量表，列出了变量“中文”对应的数据

个数(N)、均值(mean)、标准离差(Std.Deviation)、均值的标准差(Std.

ErrorMean)。

表9—2单样本均值检验成果表

表9-2为单样本均值检验的成果表。表中分别为t值(t)、自由度(df)

和双尾显著性概率(Sig.(2-tailed))均值差(MeanDifference)以及均值差

的95%置信区间。

表中的显著性概率为0.528,远大于0.05；因此，可以认为该样本数

据的均值与总体均值之间没有显著差异。故接受原假设，即学生中文成绩

无显著的下降。

,结论：

样本数据的均值与总体均值之间没有显著差异，即学生中文成绩无显

著的下降。

22、文件example.sav中列出了某学校四个年级同学的英文成绩，问

学生英文成绩是否受到年级因素的影响？（显著性水平为5%）

HO：U1=U2=U3；即学生英文成绩不受年纪影响。

H1：U1,口2、U3不完全相等；即学生英文成绩受年纪影响。

•操作步骤：

1、打开数据文件：file—open-data-example.sav

2、单因方差分析检验：Analysis—CompareMeans—One-WayANOVA

3、在udependentlistn列表中输入变量名"英语";在"factor”文

本框中输入变量名“年

纪二

4、在options中输入显著性水平5%

•统计表格及分析：

表10—1数据方差分析表

Sumof

BetweenGroupsWithinGroupsTotal

Squares105.0002475.0002580.000

df32023

MeanSquare35.000123.750

F.283

Sig..837

表10—1中分别列出了方差来源、平方和(SumofSquares)、自由度

(df)、均方差(MeanSquare)、F值以及F值的显著性水平(Sig.)o由于

表中的显著性水平为0.837,远大于0.05；

故接受原假设，即认为学生英文成绩不受年级影响。

23、已知10名20岁男青年身高与臂长的数据，请计算其相关系数，

身高与臂长间存在显著的相关关系吗？(显著性水平为5%)(example4.sav)

表4青年身高与臂长的数据

•提H0:身高与臂长间不存在显著的相关关系。

H1:身高与臂长间存在显著的相关关系。

•操作步骤：

1、打开数据文件：file—open—data—example4.sav2、相关性检验：

Correlation-Bivariate

3、选择Pearson(积距相关)；在option子框中选择means/Sd.

•统计表格及分析：

表11-1描述统计量表Mean172.5045.40

Std.Deviation

10.3412.951

N1010

身高(cm)臂长(cm)

表11-1为描述统计量表。表中列出的统计量包括变量的均值(Mean)、

标准离差(Std.Deviation)和数据个数(N)。

表11—2相关分析成果表

身高(cm)

臂长(cm)

PearsonCorrelationSig.(1-tailed)N

PearsonCorrelationSig.(1-tailed)N

身高(cm)

110.823(**).00210

臂长(cm)

.823(**).00210110

**Correlationissignificantatthe0.01level(1-tailed)

表11—2为相关分析成果表，表中列出了2个变量之间的Pearson相

关系数、单侧显著

性检验概率和数据组数脚注内容显示相关分

(Sig.(1-tailed))(N)o

析结果在0.01的水平上显著。另外，从表中可以看出，显著性概率为0.002,

远小于0.05,故拒绝原假设，接受备择假设；可以认为身高和臂长的数据

有较强的相关性。

,结论：

根据相关性分析结果，可知身高与臂长间存在显著的相关关系，其相

关系数为0.823,属于强相关。

24、已知学生铁饼与标枪的数据，请计算其相关系数？(example.sav)

•提出假设：

H0:学生铁饼与标枪成绩之间不存在显著关系。

Hl:学生铁饼与标枪成绩之间存在显著关系。

•操作步骤：

1＞打开数据文件：file—open—data—example.sav2^相关性检验：

Correlation-Bivariate

3、选择Pearson(积距相关)；在option子框中选择means/Sd.

•统计表格及分析：

表12-1描述统计量表

表11-1为描述统计量表。表中列出的统计量包括变量的均值(Mean)、

标准离差(Std.Deviation)和数据个数(N)。

表12—2相关分析成果表

标枪(m)

铁饼(训练前)

PearsonCorrelation

Sig.(1-tailed)

N

PearsonCorrelation

Sig.(1-tailed)

N

标枪(m)

124.644(**).00024

铁饼(训练前)

.644(**).00024124

**Correlationissignificantatthe0.01level（1-tailed）.

表12—2为相关分析成果表，表中列出了2个变量之间的Pearson相

关系数、单侧显著性检验概率（Sig.（l-tailed））和数据组数（N）。脚注内

容显示相关分析结果在0.01的水平上显著。另外，从表中可以看出，显著

性概率趋近于0,故拒绝原假设，接受备择假设，即学生铁饼与标枪成绩

之间存在显著关系。

•结论：

学生的铁饼与标枪的数据有较强的相关性，其相关系数为0.644。

25、已调查97名儿童的生长发育数据，其中有左眼视力（x9）、右眼

视力（xlO）,并已建立数据文件child.sav。试问左眼视力（x9）与右眼视

力（X10）间有无相关关系？（显著性水平为5%）

•提出假设：

HO：U1-U2=0,即左眼视力与右眼视力间不存在显著的相关关系。

Hl:Ul—U2W0,即左眼视力与右眼视力间存在显著的相关关系。

•操作步骤：

1、打开数据文件：file—open—data—child.sav2^相关性检验：

Correlation-Bivariate

3、选择Pearson（积距相关）；在option子框中选择means/Sd.4、在

options中输入显著性水平5%

•统计表格及分析：

表13-1描述统计量表

Mean1.0391.033

Std.Deviation

,2946.2933

N9696

左眼视力(x9)右眼视力(xlO)

表13-1为描述统计量表。表中列出的统计量包括变量的均值(Mean)、

标准离差(Std.Deviation)和数据个数(N)。

表13—2相关分析成果表

PearsonCorrelationSig.(1-tailed)N

左眼视力(x9)

196

右眼视力(xlO)

.779(**).00096

左眼视力(x9)

右眼视力(xlO)

PearsonCorrelationSig.(1-tailed)N

.779(**).00096

196

**Correlationissignificantatthe0.01level(1-tailed).

表13—2为相关分析成果表，表中列出了2个变量之间的Pearson相

关系数、单侧显著性检验概率(Sig.(1-tailed))和数据组数(N)。脚注内

容显示相关分析结果在0.01的水平上显著。另外，从表中可以看出，显著

性概率趋近于0,远小于0.05,故拒绝原假设，接受备择假设；可以认为

儿童左眼视力与右眼视力有较强的相关性。

•结论：

儿童左眼视力与右眼视力有较强的相关性，其相关系数为0.779o

26＞某地29名13岁男童身高(xl,cm),体重(x2,kg)及肺活量

(y,L)的实测数据文件是：example5.savo试计算其简单相关系数，当体

重(x2)被控制(即固定)时，计算身高(xl)与肺活量(y)的偏相关系

数r31.2,并作假设检验

•提出假设：

H0:身高与肺活量的偏相关系数与零无显著差异。

H1:身高与肺活量的偏相关系数与零有显著差异。

•操作步骤：

1、打开数据文件：file—open—data—example5.sav2、偏相关计算：

Analyze-Correlate-Partial

3、把参与分析的变量“身高"、“肺活量”选择到Variables；将控制

变量"体重”选择到Controllingforo

在option中的statistics中选择Zero-orderCorrelations,表示输出零阶

偏相关系数。

•统计表格及分析：

表14-1偏相关因素的偏相关分析成果表

ControlVariables-none-(a)

CorrelationSignificance(2-tailed)df

身高(cm)

1.000.0

肺活量(L)

.588.00127

体重(kg)

.742.00027

身高(cm)

体重(kg)

肺活量(L)

体重(kg)

身高(cm)

肺活量(L)

CorrelationSignificance(2-tailed)df

CorrelationSignificance(2-tailed)df

CorrelationSignificance(2-tailed)df

CorrelationSignificance(2-tailed)df

.588.00127.742.000271.000.0.093.63926

1.000.0.736.00027.093.639261.000.0

.736.000271.000.0

aCellscontainzero-order(Pearson)correlations.

由上表可以知道一系列简单相关系数和当体重被控制时、身高与肺活

量的偏相关系数。检验统计量的概率P值为0.639,大于给定的显著性水

平0.05；故接受原假设，认为身高与肺活量的偏相关系数与零无显著差异。

,结论：

1、男童身高与体重的简单相关系数为0.742；肺活量与身高的简单相

关系数为0.588；体重与肺活量的简单相关系数为0.736o

2、身高与肺活量的偏相关系数为0.093,P=0.639。身高与肺活量的偏

相关系数与零无显著差异，即身高与肺活量无显著的的偏相关。

27、世界各国的统计数据表明：妇女生育率与人均国民生产总值之间

呈现出对数关系。请依据example6.sav中所提供的数据写出其回归方程与

多元相关系数，在显著水平为5%时显著吗？[Analyze]->[Regression]—

[Linear]

28、文件example7.sav中列出了我国分地区家庭年人均食品支出、人

均收入与粮食单价的数据。请建立人均食品支出与人均收入间的一元线性

回归方程，，同时建立人均食品支出与人均收入和粮食单价间的二元线性回

归方程。

•操作步骤：

1、打开数据文件：file—open—data—example7.sav2、线性回归：

Analyze-Regression-Linear

3、一元线性回归方程：在dependent中输入变量”人均食品支出”;

在independent中输入变量”人均收入二

<Analyze>-<Correlate>-<Bivariate

4、二元线性回归方程：在dependent中输入变量“人均食品支出”;

在independent中输入变量“人均收入”和“粮食单价二

•统计表格及分析:

表15-1相关系数矩阵

PearsonCorrelation

Sig.(1-tailed)N

人均食品支出

1.000.923..0003030

人均收入

.9231.000.000.3030

人均食品支出

人均收入人均食品支出人均收入

人均食品支出人均收入

•提出假设：

H0:人均食品支出和变量人均收入之间无显著关系。H1:

人均食品支出和变量人均收入之间有显著关系。

表15—1为相关系数矩阵。表中第二行为相关系数矩阵；第三行为不

相关的显著性水平。变量人均食品支出和变量人均收入的相关系数为0.923,

说明两者关系紧密。单尾显著性检验的概率值趋近于0,所以拒绝两变量

没有相关性的假设，接受备择假设，即人均食品支出和人均收入之间有显

著关系。

表15—2数据方差分析表Sumof

Model1

RegressionResidualTotal

Squares878382.334152621.1321031003.467

df12829

MeanSquare878382.3345450.755

F161.149

Sig..000(a)

表15—2为方差分析表。利用该表作回归系数的显著性检验。表中列

出了回归项(Regression)、残差项(Residual)的平方和(SumofSquares)、

自由度(df)、均方(MeanSquare)F值和显著性概率(Sig.)。由于表中的

显著性概率趋近于0,小于0.05；所以拒绝原假设，即认为回归系数不为

零，回归方程是有意义的。

表15-3一元线性回归方程系数表

Std.

Model1(Constant)人均收入

B-53.086

.422

Error67.963.033

.923

-.78112.694

.441.000

LowerBound-192.303

.354

UpperBound86.131.490

Zero-orderPartial

.923

.923

Part

.923

Tolerance

1.000

VIF

1.000

表15-3中列出了变量人均收入和常数项的非标准化系数

(UnstandardizedCoefficients),标准化系数(StandardizedCoefficients)、t

值、显著性水平(Sig.)和自变量待定系数取值与常数项的95%置信区间。

自变量还列出了各种相关性指标和线性统计量。

表中变量人均收入的显著性水平概率(sig.)趋近于0,所以变量的待

定系数取值(B)是可靠的。所以人均食品支出与人均收入间的一元线性

回归方程：Y=-53.086+0.422X

•同上方法，可进行二元线性回归方程计算。

表15-4二元线性回归方程系数表

Unstandardized

Model1

(Constant)

Coefficients

Std.

B-85.196

,360187.621

Error63.90

3.04076.27

5

Beta

-1.333.787.213

9.0842.460

.194.000.021

StandardizedCoefficients

t

Sig.

95%ConfidenceIntervalforBLowerBound-216.314

.279

UpperBound45.922.442

Zero-orderPartial

.923.714

.868.428

Part

.608.165

Correlations

CollinearityStatisticsTolerance

.596.596

VIF

1.6781.678

人均收入粮食价格

31.117344.124

表中变量“人均收入”和“粮食价格”的显著性水平概率(sig.)都小

于0.05,故认为其待定系数取值是可靠的。所以，人均食品支出与人均收

入和粮食单价间的二元线性回归方程二元方程：

Y=-85.196+0.36X1+187.621X2

•结论：

1、人均食品支出与人均收入间的一元线性回归方程:Y=-53.086+0.422X

2、人均食品支出与人均收入和粮食单价间的二元线性回归方程二元

方程：

Y=-85.196+0.36X1+187.621X2

29、钩虫病复查阳性率y和治疗次数X有如下关系：

表5：阳性率(y)和治疗次数(x)

请用曲线估计法作多种曲线拟合，并请指出那种拟合效果最好？为什

么？(curvel.sav)[Analyze]->[Regression]->[CurveEstimation]

30、已知数据文件：hemoglo.savo试分别建立Ca、Mg、Fe、Mn与

Cu对hemogl的直线回归方程，并列出直线回归方程及其P值。注意方程

如何写？

・操作步骤:

1、打开数据文件：file—open-data—hemoglo.sav

2、线性回归分析：Analyze—Regression—Linear

3、在independent中依次输入变量ca、Mg、Fe、Mn与Cu；在dependent

中输入变量hemoglo

•统计表格及分析：

表16-1线性回归方程系数表1

Unstandardized

Model1

(Constant)钙(Ca)

Coefficients

Std.

B

Error

Beta

StandardizedCoefficients

t

Sig.

9.211.0222.643.044

.0973.486.508.002.616

表16—2线性回归方程系数表2Unstandardized

Model1

(Constant)镁(Mg)

Coefficients

Std.

B

Error

Beta

StandardizedCoefficients

t

Sig.

3.579.203

1.963.057

.569

1.8233.598

.079,001

表16—3线性回归方程系数表3Unstandardized

Model1

(Constant)铁(Fe)

Coefficients

Std.

B

Error

Beta

StandardizedCoefficients

t

Sig.

-.657.029

1.276.003

.863

-.5158.894

.611.000

表16—4线性回归方程系数表4

Unstandardized

Model1

(Constant)?孟(Mn)

Coefficients

Std.

B

Error

StandardizedCoefficients

Beta

t

Sig.

11.158-50.364.52528.441

-.32321.257-1.771.000.088

表16—5线性回归方程系数表5Unstandardized

Model1

(Constant)铜(Cu)

Coefficients

Std.

B

Error

Beta

StandardizedCoefficients

t

Sig.

8.2502.073

1.7641.558

.248

4.6761.331

.000,194

以上分别为Ca、Mg、Fe、Mn与Cu对hemogl的直线回归方程系数

表。列出了变量人均收入和常数项的非标准化系数(Unstandardized

Coefficients),标准化系数(StandardizedCoefficients)>t值、显著性水平

(Sig.)和自变量待定系数取值与常数项的95%置信区间。自变量还列出了

各种相关性指标和线性统计量。

根据以上数据可以求出Ca、Mg、Fe、Mn与Cu对hemogl的直线回

归方程。

,结论：

31、对数据文件：hemoglo.savo进一步调用逐步回归法(Stepwise)、

强迫剔除法(Remove)、向后逐步回归法(Backward)与向前逐步回归法

(Forward)建立Ca、Mg、Fe、Mn与Cu对hemogl的多元线性回归方程。

•题目分析：

题目中要求用不同的回归方法，建立不同变量之间的多元线性回归方

程，显然需要进行回归分析。特别要注意不同的回归发法的各自的剔除变

量的要求。

•操作步骤：

1、打开数据文件：file—open—data—hemoglo.sav

2、线性回归分析：Analyze—Regression—Linear

用enter强行进入做事前分析。

表17—1系数表

UnstandardizedCoefficients

Model1

(Constant)钙(Ca)镁(Mg)铁(Fe)

锦(Mn)铜(Cu)

B1.380-.069.028.028-16.5771.715

Std.Error

1.549.028.053.00416.4141.143

StandardizedCoefficients

Beta

-.304.079.821-,106.205

t.890-2.500.5346.730-1.0101.501

Sig.

.382.020.599.000.323.147

由表17—1可知，除了Ca和Fe外的变量的回归系数显著性t检验的

概率P值都大于显著性水平0.05。因此接受原假设，即这些变量与血红蛋

白无显著的线性关系，不应引入方程，可剔除这些变量，仅保留Ca和Fe

变量。

3、逐步回归法(Stepwise)：逐步回归法是对向前逐步回归法的改进，

它既有引入变量，

也有剔除变量。

•统计表格及分析：

表17—2变量输入输出表由17—117—2。

表17—3系数分析表(逐步回归法)

UnstandardizedCoefficients

Model1

(Constant)铁(Fe)

StandardizedCoefficients

Beta

.863

t-,5158.894

Sig..611.000

B-.657.029

Std.Error1.276.003

由上表可得出Fe对hemogl的线性方程为Y=-0.657+0.029X4、强迫

剔除法(Remove)：剔除所有变量。5、向后逐步回归法(Backward)：

•统计表格及分析：

表”-4变量输入输出表

Model1

VariablesEntered铁(Fe),铜(Cu),镐(Mn),钙(Ca),镁(Mg)

2