spass相关分析实验报告_动视

spass相关分析实验报告

2025-09-23 22:19:40 责编:小OO

实验主题	专业统计软件应用
实验题目	相关分析
实训时间	2011 学年 2 学期 15 周（2011年 5月30日—31日）
学生姓名	官其虎	学号		2009211467		班级		0360901
实训地点	信息管理实验室		设备号		B25		指导教师		刘进

一实验目的

衡量事物之间，或称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，这个过程就是相关分析。相关系数是衡量变量之间相关程度的一个指标，总体的相关系数用ρ表示，样本的相关系数用r表示。

理解和学会使用相关分析方法解决问题。

二实验内容

第一题：K.K.Smith在烟草杂交繁殖的花上收集到如表8.16所示的数据，要求对以上3组数据两两之间进行相关分析，以0.05的显著性水平检验相关系数的显著性。（数据来源：《统计软件SPSS系列应用实践篇》苏金明，电子工业出版社；数据文件：data8-5.sav）

表8.16 K.K.Smith所调查的长度资料

花瓣长	49	44	32	42	32	53	36	39	37	45	41	48	45	39	40	34	37	35
花枝长	27	24	12	22	13	29	14	20	1	21	22	25	23	18	20	15	20	13
花萼长	1	16	12	17	10	19	15	14	15	21	14	22	22	15	14	15	15	16

1、实验原理：二元变量相关分析

是分析两个变量变量之间的相关关系，称为单相关，三个或以上变量之间的相关关系称为相关，这种相关涉及一个因变量与两个以上的自变量，在实际工作中，如果存在多个自变量与一个因变量的关系，则应抓住其中最主要的因素，研究其相关关系。调用Bivariate过程时允许同时输入两个变量或两个以上变量，但系统输出的是变量间两两相关的相关系数。检测的零假设是两个变量的相关系数为0。

2、实验步骤：

第1步分析：分析三组数据的两两之间的相关性，而且给出的是具体的数值，这是一个二元相关性问题;

第2步数据组织：将三个变量分别定义为花瓣、花枝和花萼;

第3步按Analyze|Correlate|Bivariate顺序打开二元变量的分析主对话框Bivariate Correlations;运行即可(你再单击Options按钮，打开Bivaiate Correlations:Option对话框，选择Statistics方框内的两个复选框，看效果又如何。)

3、实验结果：

	Descriptive Statistics
			Mean	Std. Deviation		N
	花瓣长		40.44	5.973		18
	花枝长		19.67	5.029		18
	花萼长		16.17	3.294		18
Correlations
					花瓣长		花枝长	花萼长
花瓣长		Pearson Correlation			1		.955**	.797**
		Sig. (2-tailed)					.000	.000
		Sum of Squares and Cross-poducts			606.444		487.667	266.667
		Cvariance			35.673		28.686	15.686
		N			18		18	18
花枝长		Pearson Correlation			.955**		1	.678**
		Sig. (2-tailed)			.000			.002
		Sum of Squares and Cross-products			487.667		430.000	191.000
		Covariance			28.686		25.294	11.235
		N			18		18	18
花萼长		Pearson Correlation			.797**		.678**	1
		Sig. (2-tailed)			.000		.002
		Sum of Squares and Cross-products			266.667		191.000	184.500
		Covariance			15.686		11.235	10.853
		N			18		18	18
**. Correlation is significant at the 0.01 level (2-tailed).

分析：表中给出了3个变量两两之间的Pearson相关系数（Pearson Correlation）、双侧显著情况检验概率（Sig.(2-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，花瓣长和花枝长的数据具有很强的相关性。而双侧检验的显著性概率均小于0.05，因此否定零假设（零假设是变量之间不具有相关性），认为相关系数不为零，变量之间具有相关性。

第二题：试确定1962-1988年安徽省国民收入与城乡居民储蓄存款余额两个变量间的线性相关性，数据如表8.17所示。（数据来源：《数据统计与管理》 1990年第5期，中国商场统计研究会主办；数据文件：data8-6.sav）

表8.17 1962-1988年安徽省国民收入数据表

年份	1962	1963	19	1965	1966	1967	1968	1969	1970	1971	1972	1973	1974	1975
国民收入(亿元)	34.61	35.67	39.52	47.32	54.14	50.86	49.69	51.61	65.06	72.57	77.72	83.57	82	87.44
存款余额(亿元)	0.59	0.1	0.85	1	1.22	1.14	1.32	1.28	1.35	.6	1.87	4.2	2.55	2.61
年份	1976	1977	1978	1979	1980	1981	1982	1983	1984	1985	1986	1987	1988
国民收入(亿元)	95.63	97.23	103.81	116.29	127.87	150.29	161.47	180.2	221.17	271.81	310.53	357.86	444.78
存款余额(亿元)	2.74	3.13	3.91	5.75	8.76	12.19	16.36	20.95	28.32	38.43	55.43	74.2	.83

1、实验原理：二元变量线性相关性

2、实验步骤：

第1步分析：分析三组数据的两两之间的相关性，而且给出的是具体的数值，这是一个二元相关性问题;

第2步数据组织：将2个变量分别定义为国民收入与城乡居民储蓄存款余额；

3、实验结果：

	Descriptive Statistics
			Mean	Std. Deviation
	国民收入		128.5452	106.18753		27
	存款余额		14.1219	23.79693		27
Correlations
					国民收入		存款余额
国民收入		Pearson Correlation			1		.976**
		Sig. (2-tailed)					.000
		Sum of Squares and Cross-products			293170.567		137.265
		Covariance			11275.791		2466.818
		N			27		27
存款余额		Pearson Crrelation			.976**		1
		Sig. (2-tailed)			.000
		Sum of Squares and Cross-products			137.265		14723.639
		Covariance			2466.818		566.294
		N			27		27
**. Correlation is significant at the 0.01 level (2-tailed).

分析：从表中可看出相关系数(Pearson Correlation)为0.976>0，说明呈正相关，而伴随概率sig为0.000<0.05，因此应拒绝零假设(两变量之间不具有相关性)，即说明国民收入与城乡居民储蓄存款余额显著性正影响的。

第三题：某高校抽样得到10名短跑运动员，测出100米的名次和跳高的名次如表8.18，问这两个名次是否在0.05的显著性水平下具有相关性。（数据来源：《应用统计学：数据统计方法、数据获取与SPSS应用》马庆国，科学出版社；数据文件：data8-7.sav）

表8.18 10名运动员的100米及跳高名次

百米名次	1	2	3	4	5	6	7	8	9	10
跳高名次	4	3	1	5	2	7	10	8	9	6

1、实验原理：二元变量相关分析

2、实验步骤：

第1步分析：分析三组数据的两两之间的相关性，而且给出的是具体的数值，这是一个二元相关性问题;

第2步数据组织：将2个变量分别定义为百米名次和跳高名次

3、实验结果：

	Descriptive Statistics
			Mean	Std. Deviation		N
	百米名次		5.50	3.028		10
	跳高名次		5.50	3.028		10
Correlations
					百米名次		跳高名次
百米名次		Pearson Correlation			1		.697*
		Sig. (2-tailed)					.025
		Sum of Squares and Cross-products			82.500		57.500
		Covariance			9.167		6.3
		N			10		10
跳高名次		Pearson Correlation			.697*		1
		Sig. (2-tailed)			.025
		Sum of Squares and Cross-products			57.500		82.500
		Covariance			6.3		9.167
		N			10		10
*. Correlation is significant at the 0.05 level (2-tailed).

分析：从表中可看出相关系数(Pearson Correlation)为0.697>0，说明呈正相关，而伴随概率sig为0.000<0.05，因此应拒绝零假设(两变量之间不具有相关性)，即说明百米名次与跳高名次显著性正影响的。

第四题：某公司太阳镜销售情况如表8.19所示，请分析销售量与平均价格、广告费用和日照时间之间的关系，并说明此题用偏相关分析是否有实际意义（显著性水平为0.05）。（数据来源：《SPSS for Windows统计分析（第3版）》卢纹岱，电子工业出版社；数据文件：data8-8.sav）

表8.19 某公司销售太阳镜的数据

月份	1	2	3	4	5	6	7	8	9	10	11	12
销量	75	90	148	183	242	263	278	318	256	200	140	80
价格	6.8	6.5	6	3.5	3	2.9	2.6	2.1	3.1	3.6	4.2	4.2
广告费用	2	5	6	7	22	25	28	30	22	18	10	2
日照时间	2.4	4	4.2	6.8	8	8.4	10.4	11.5	9.6	6.1	3.4	2

1、实验原理：偏相关分析

2、实验步骤：

第1步分析：这4个因素彼此均有影响，分析时应对生长量与4个因素分别求偏相关，在求销售量与一个因素的相关时控制其他因素的影响，然后比较相关系数，按4个因素对销售量的

影响的大小排序。

第2步定义变量：销售量与平均价格、广告费用和日照时间；

第3步按Analyze|Correlate|Partial顺序启动偏相关分析的主对话框，指定分析变量和控制变量，第一次分析变量为销售量与平均价格，其余为控制变量。在主对话框中使用系统默认的双尾检验，显示实际的显著性概率;在Option对话框中选择要求输出各变量的均值和标准差，显示Pearson相关系数矩阵，对缺失值的正理使用系统默认值。

3、实验结果：

	Correlations
	Control Variables						销量		价格
	广告费用 & 日照时间		销量		Correlation		1.000		-.699
					Significance (2-tailed)		.		.024
					df		0		8
			价格		Correlation		-.699		1.000
					Significance (2-tailed)		.024		.
					df		8		0
Correlations
Control Variables						销量		广告费用
日照时间 & 价格		销量		Correlation		1.000		.666
				Significance (2-tailed)		.		.036
				df		0		8
		广告费用		Correlation		.666		1.000
				Significance (2-tailed)		.036		.
				df		8		0
Correlations
Control Variables						销量		日照时间
价格 & 广告费用		销量		Correlation		1.000		.866
				Significance (2-tailed)		.		.001
				df		0		8
		日照时间		Correlation		.866		1.000
				Significance (2-tailed)		.001		.
				df		8		0

分析：销量和价格的偏相关分析结果表可得出销量和价格无相关显著性；

销量和广告费用的偏相关分析表可得销量和广告费用无相关显著性；销量和日照时间的偏相关分析表可得销量和日照时间有相关显著性。

第五题：某动物产下3个幼仔，现分别对3个幼仔的长、体重、四肢总长、头重进行测量，试就这几个测量数据而言，用距离分析法分析3个幼仔的相似性，数据如表8.20所示。（数据文件为：data8-9.sav）

表8.20 三个幼仔的数据指标

序号	长	体重	四肢总长	头重
1	50	215	100	11
2	51	220	110	12
3	52	220	112	12

1、实验原理：距离分析

2、实验步骤：

第1步分析：这是一个求个案间的相关性（相似性）问题。

第2步按Analyze|Correlate|Distances打开Distance对话框，并选Between Cases(个案之间)和Similarities(相似性)，其它不作任何设置，运行。

3、实验结果：

	Case Processing Summary
	Cases
	Valid				Missing			Total
	N		Percent		N		Percent	N	Percent
	3		100.0%		0		.0%	3	100.0%
Proximity Matrix
		Euclidean Distance
		1		2		3
1		.000		11.269		13.191
2		11.269		.000		2.236
3		13.191		2.236		.000
This is a dissimilarity matrix

分析：第二个和第三个极相似。

实训的心得与体会

人们在实践中发现，变量之间关系分为两种类型：函数关系和相关关系。函数关系是变量间的一咱确定性关系。但是，在实际问题中，变量间的关系往往并不是那么简单，也就是说，变量之间有着密切关系，但又不能由一个（或几个）变量的值确定另一个变量的值，这种变量之间的关系是不确定性关系，称为相关关系。其特点是：一个变量的取值不能由另一个变量唯一确定，即当自变量x取某个值时，因变量y的值可能会有多个。这种关系不确定的变量显然不能用函数形式予以描述，但也不是杂乱无章、无规律可循的。因此在本章利用spss软件学习了相关分析后，事物之间的相互关系及相似性，就可以很好的通过定量的计算出来而来。

通过本次实验用spass统计分析软件来进相关分析后，感觉统计学中的很多问题不再像以前那么陌生了，同时也感觉统计学不再是想象中那么困难，之前学习统计学最怕的就是对数据进行求解与分析，现在使用这款软件后，让我从之前对统计学的陌生转变为熟悉，从此，在解决统计方面的问题又多了一项解决的工具：spss。下载本文

显示全文

全部频道