《SPSS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①m+s:>=155cm 时, m= 40.838kg; s= 5.117;<155cm 时, m= 34.133kg；s= 3.816；②方差齐性检验结果：P=0.198>0.05,说明方差齐性。

③t=4.056; p=0.001< 0.01,说明身高大于等于155cm 的与身高小于155cm的两组男生的体重有极显著性差异。

二、肺活量①m+s: >=155cm 时,m=2.404; s=0.402;<155cm 时, m=2.016；s=0.423；②方差齐性检验结果：P=0.961>0.05,说明方差齐性。

③t=2.512; p=0.018 < 0.05,说明说明身高大于等于155cm的与身高小于155cm的两组男生的体重有显著性差异。

2、以data06-04为例，判断体育疗法对降低血压是否有效。

分析：比较前后2种情况有无显著差异，用配对样本t检验，(analyze->compare means-> paired-samples T test).报告：①m+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;②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。

③t=5.639;p=0.001<0.05,说明体育疗法对降低血压有效。

3、以data07-01为例，比较四种饲料对猪体重增加的作用有无不同。

分析：一个因素多个水平用单因素方差分析。

（analyze->compare 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：①m+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；②方差齐性检验结果：F=0.024;P=0.995>0.05,说明方差齐性。

③F=157.467; p=0.001 < 0.05,说明A B C D四种饲料对猪体重增加的作用有显著性差异。

④POST-HOC 检验表明：A B C D四种饲料对猪体重增加的作用效果从高到低依次为：D>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。

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①m+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=8.000.②F=24.759, p=0.001<0.01,说明差异显著，四种药物对某生化指标有显著性作用。

且其中药物4所起的作用最大，药物3所起的作用最大小(据平均值可看出来)。

5、以data08-01为例，分析国民收入与城乡居民储蓄存款余额之间的关系。

分析：变量间不准确不稳定的变化关系称之为相关关系。

相关分析种类很多，spss中有二列相关（Bivariate）、偏相关（partial）、距离分析(distances)3类。

其中的二列相关分析（Bivariate）有3种：⑴Pearson皮尔逊相关系数，即积差相关：就是2个变量标准分数乘积的算术平均数，它用于两个变量都是连续型变量时；⑵Kendall’s tau-b:即肯德尔和谐系数，用于2（/3个以上）变量都是离散型变量时，可检验多个被试是否具有一致性。

它分单维和双维。

⑶Speaman斯皮尔曼等级相关：用于两变量中有1个是离散型变量时。

操作：Analyze—>Correlate—>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：①m+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。

②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：①5个变量的平均数和标准差：m+s（见截图）②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。

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REGRESSION——linear 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：①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...教育年数的平均值是...，标准差是...Descriptive StatisticsDescriptive Statistics②.解释力度为0.80，解释力度很大.Model SummaryCoefficients(a)a Dependent Variable: Current Salary③回归方程：Y^=—19986.5+1.689*begining salary+966.107*educational level+155.701*months since Hire8、掷一颗六面题300次，见data10-01a，问这颗六面体是否均匀？分析：X2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：Analyse—Nonparametric Tests—Chi—square（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Data——weight case——num选择descriptive statistics——crosstabsROW——gender , COLUMN——attidtudeSTATISTICS中选择chi_square CELL DISPLAY 中增加选项COUNTS:EXPECTED报告：①.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。