【2017年整理】SPSS题目及答案汇总版
1SPSS 原理与运用练习题数据对应关系：06-均值检验； 07-方差分析； 08-相关分析；09-回归分析； 10-非参数检验； 17-作图1、以 data06-03 为例，分析身高大于等于 155cm 的与身高小于155cm 的两组男生的体重和肺活量均值是否有显著性。分析：一个因素有 2 个水平用独立样本 t 检验，此题即身高因素有155 以上和以下 2 个水平，因此用独立样本 t 检验（analyze->compare means->independent-samples T test）。报告：一、体重 m+s:>=155cm 时, m= 40.838kg; s= 5.117;0.05,说明方差齐性。t=4.056; p=0.001 =155cm 时,m=2.404; s=0.402;0.05,说明方差齐性。t=2.512; p=0.018 compare means-> paired-samples T test).2报告： m+s 治疗前舒展压：m=119.50; s=10.069;治疗后舒展压：m=102.50; s=11.118;相关系数 correlation=0.599; p=0.067>0.05,说明体育疗法与降低血压相关。t=5.639;p=0.001compare means->One-way ANOVA）。操作中，contrast 不用改;post-hoc 中需勾 Bonferroni 和 S-N-K; Options 中需勾第 1 个 descriptive 和第 3 个 Homegeneity of variance test.报告： m+s: A:m=133.36; s=6.808; B: m=152.04；s=6.957；C:m=189.72; s=6.350; D: m=220.78；s=6.106； 方差 齐性检验结果：F=0.024;P=0.995>0.05,说明方差齐性。F=157.467; p=0.001 C>B>A.(如何看图及如何排序，方法：如表格中显示 D-A=87.415; D-B=68.735; D-C=31.055, 假设 D=100,则易可计算出 A B C 的假 设值，再根据假设值对 ABCD 进行排序即可)4、以 data07-10 为例，分析四种药物对某生化指 标有无显著性作用。3分析：对一个样本重复测量时，作重复测量方差分析。 （analyze->general linear model->repeated measure ）操作：一、定义:factor name 中填 med; number of levels 中填 4; ->add->define：将四个指标一起添加到第一个框中去options 中 3 个必要操作：1 将 med 选到右边框中去，2 勾选下边的 compare main effect,在 confident interval adjustment 复选框中选 Bonferroni；3 desplay 框中选第 1 个 Des和第 2 个 Esti.。->OK报告：看结果时看第一个表 descriptve statics 和第 5 个表 test of within-subject seffects 表中的 greenhouse-geisser 结果 F 和 Sig(即稍后要报告的 p)即可m+s：服药 1 后生化指标：m=26.40 ；s=8.764; 服药 2 后生化指标：m=15.60；s=6.542;服药 3 后生化指标：m=15.60；s=3.847;服药 4 后生化指标：m=32.00；s=8.000.F=24.759, p=0.001Correlate>Bivariate（此题符合 Pearson 相关）1）Variables：选入这两个变量2）Options：勾选 Means and standard deviations 即可。报告： m+s 国民收入 m=128.5452，其 S=106.18753；城乡居民储蓄存款 m=14.1216，s=23.79747。相关系数 r=0.976*，相关极显著，且成正相关。6、以 data08-03 为例，判断树木的月生长量与月平均气温、月降雨量、月平均日照时数、月平均湿度这 4 个气候因素的关系。分析：此题用偏相关 partial，偏相关用于分析事物间是否存在潜在的关系。但作偏相关都首先需作一般相关。操作：第一步：二列相关Analyze>Correlate>Bivariate（Pearson 相关）1）variables：选入所有 变量2）option：Means and standard deviations 前打 钩。报告： 5 个变量的平均数和标准差：m+s （见截图）树木的月生长量与四个因子相关系数分别为：（看有无*，看*有多少）相关系数 r=0.983*，相关极显著，成正相关。相关系数 r=0.709*，相关极显著，成正相关。相关系数 r=0.704*，相关显著，成正相关。5相关系数 r=0.374，无 显 著相关。第二步：偏相关Analyze>Correlate>Paritable（Pearson 相关）1）Variables：树木的月生长量与月平均气温；2）Controlling for：月降雨量、月平均日照时数、月平均湿度做其它两者之间的关系，操作类似，只是有点麻烦。报告：r=0.977，其他因素对树木的月生长量与月平均气温之 间的关系有影响； r=-0.491，有影响；r=0.632， 有影响。 （因为树木的月生长量与月平均湿度之间无显著相关，就没必要再做偏相关）7、以 data02-01 为例，建立一个以初始工资、工作经验、受教育年数为自变量，当前工资为因变量的回归方程。分析：回归表示一个变量随另一个变量作不同程度变化的单向关系。根据自变量的多少克可分为一元回归分析与多元回归分析。过程：先做散点图，判断是用线性回归还是曲线回归（一般用线性回归）操作：一、打开 data，选择 REGRESSIONlinear regression，选择因变量、自变量。二、在 method 中选择 stepwise三、在 statistics 中增加选项 R squared change , descriptive报告： 目前工资的平均值是.，标准差是.初始工资的平均值是.，标准差是.工作经验的平均值是.，标准差是.6教育年数的平均值是.，标准差是.Descriptive StatisticsDescriptive StatisticsMean Std. Deviation NCurrent Salary 34419.57 17075.661 474Beginning Salary 17016.09 7870.638 474Educational Level (years) 13.49 2.885 474Months since Hire 81.11 10.061 474.解释力度为 0.80，解释力度很大.Model SummaryCoefficients(a)(Constant) 1928.206 888.680 2.170 .0311Beginning Salary 1.909 .047 .880 40.276 .0002 (Constant) -7808.714 1753.860 -4.452 .000Beginning Salary 1.673 .059 .771 28.423 .000 Educational Level (years) 1020.390 160.550 .172 6.356 .0003 (Constant) -19986.502 3236.616 -6.175 .000Beginning Salary 1.689 .058 .779 29.209 .000Educational Level (years) 966.107 157.924 .163 6.118 .000Months since Hire 155.701 35.055 .092 4.442 .000a Dependent Variable: Current Salary回归方程：Y=19986.5+1.689*begining salary+966.107*educational level+155.701*months since HireChange StatisticsModel R R SquareAdjusted R SquareStd. Error of the EstimateR Square Change F Change df1 df2 Sig. F Change1 .880(a) .775 .774 8115.356 .775 1622.118 1 472 .0002 .890(b) .792 .792 7796.524 .018 40.393 1 471 .0003 .895(c) .801 .800 7645.998 .008 19.728 1 470 .00078、掷一颗六面题 300 次，见 data10-01a，问这颗六面体是否均匀？分析：X 2 卡方是检验实际频数与理论频数之间差异的统计量。 6 面体如果均匀的话，6 个面出现的频数应该是无显著差异。操作：AnalyseNonparametric TestsChisquare（卡方检验）将 Imt 加入到 Test Variable List 里Options勾选 Descriptive报告：由结果可知 X2=8.960 P=0.111>0.05 ，说明无显著性差异,所以，这颗六面体均匀。9、某研究者就目前就业情况作调查，在 68 名男性大学生中，39 人认为“很好”，29 人认为“不好”，在 57 名女性大学生中，42 人认为“不好”，15 人认为“很好”， 试问大学生的态度是否与其性别有关？分析：原理同上题，理论值和实测值如果有显著性差异，则与其有关，若无显著性差异，则无关。操作：创建表：定义变量 gender,attitude,num，输入数据Dataweight casenum选择 descriptive statisticscrosstabsROWgender , COLUMNattidtude STATISTICS 中 选择 chi_square CELL DISPLAY 中增加选项 COUNTS:EXPECTED8报告： .男性认为很好的实测值有 39 人，期望值为 29.4 人；男性认为不好的实测值有 29 人，期望值是 38.6 人；女性认为很好的实测值有 15 人，期望值为 24.6 人；女性认为不好的实测值有 42 人，期望值是 32.6 人。卡方 检验结果：x 2=12.173，P=0.0010.05 表明差异不显著 ； P2=0.686 >0.05，表明差异不显著。 3)Two-Sample Kolmogorov-Smirnov Test 检验：P=0.164>0.05，表明差异不显著。4)Wald-Wolfowitz Test 检验:P(min)=0.0190.05 表明差异不显著。综合以上各种检验的 P 值来看，这两种药物之间的疗效差异不显著。11、以 data17-01 数据文件生成 1985-1994 年某个城市 12 个月份平均气温的简单条形图。第 11 题：以 data17-01 数据文件生成 1985-1994年某个城市 12 个月份平均气温的简单条形图。10操作：1.题目分析：因为只有一个城市，所以用简单的画图2. Graphs-bar（选第一个 sample）3.圆坨坨选最后一个
