数据分析spss作业汇总.docx
数据分析方法及软件应用（作业）题目：4、8、13、16题指导教师:学院：交通运输学院姓名：学号:4、在某化工生产中为了提高收率，选了三种不同浓度，四种不同温度做试验。在同-浓度与温度组合下各做两次试魁，其收率数据如下面计算表所列。试在a=0.05显著性水平下分析(1)给出SPSS数据集的格式(列举前3个样本即可)；(2)分析浓度对收率有无显著影响；(3)分析浓度、温度以及它们间的交互作用对收率有无显著影响。解答：(1)分别定义分组变量浓度、温度、收率，在变量视图与数据视图中输入表格数据，具体如下图。I沽度温度收率1111321,110312124121151,31361397141081,4129219102171122101222913233142311名称旗小数标签值爆列浓度数值g0无无82涅度数值80无无8I收率数值80无无8(2)思路：本问是研究一个控制变量即浓度的不同水平是否对观测变量收率产生了显著影响，因而应用单因素方差分析。假设：浓度对收率无显著影响.步骤：【分析-比较均值-单因素】将收率选入到因变量列表中，将浓度选入到因子框中，确定。输出：夏题分析收率平方和df平均值平方F琪著性群a之39.083219.5425.074.016在群留且内80.875213.851十119.95823显著性水平为0.05,由于概率P值小于显著性水平。,则应拒绝原假设，认为浓度对收率有显著影响。(3)思路：本问首先是研究两个控制变量浓度及温度的不同水平对观测变量收率的独立影响，然后分析两个这控制变量的交互作用能否对收率产生显著影响，因而应该采用多因素方差分析。假设，Hoi:浓度对收率无显著影响；Hu2：温度对收率无显著影响；:浓度与温度的交互作用对收率无显著影响。步骤：【分析-般线性模型-单变量】，把收率制定到因变量中，把浓度与温度制定到固定因子框中，确定。输出；主旨NJ效果Wf定因夔数：收率来源第III平方和df平均值平方F著性修正的模型70.456116.4051.553.230裁距2667.04212667.042646.556.000浓度39.083219.5424.737.030SS13.79234：5971.114.382浓度*温度17.58362.931.710,648域49.500124.125嘀2787.00024校正接穗敦119J5823a.R平方=.587（三i整的R平方=.209）第一列是对观测变量总变差分解的说明；第二列是观测变量变差分解的结果；第三列是自由度；第四列是均方；第五列是F检验统计量的观测值；第六列是检验统计量的概率P值。可以看到观测变量收率的总变差为119.958,由浓度不同引起的变差是39.083,由温度不同引起的变差为13.792,由浓度和温度的交互作用引起的变差为17.583,由随机因素引起的变差为49.500。浓度，温度和浓度*温度的概率P值分别为0.030,0.382和0.648浓度：显著性0.05说明拒绝原假设（浓度对收率无显著影响），证明浓度对收率有显著影响；温度：显著性0.05说明不拒绝原假设（温度对收率无显著影响），证明温度对收率无显著影响；浓度与温度：显著性0.05说明不拒绝原假设（浓度与温度的交互作用对收率无显著影响），证明温浓度与温度的交互作用对收率无显著影响。8、以高校科研研究数据为例：以课题总数X5为被解释变量，解释变量为投入人年数X2、投入科研事业费X4、专著数X6、获奖数X8；建立多元线性回归模型，分析它们之间的关系。解释变量采用逐步筛选策略，并做多重共线性、方差齐性和残差的自相关性检验。解答:思路：根据要求采用逐步筛选的解释变量筛选策略，利用回归分析方法建立多元线性回归模型，分析它们之间的关系，并且要求做多重共线性、方差齐性和残差的自相关性检验。(1)步骤：【分析-回归-线性】，X5选入因变量，X2、X4、X6、X8选入自变量，方法选择【逐步】。【统计量】勾选【估计】、【模型拟合度】、【共线性诊断】与Durbin-Waston(U)I0【绘制(T)按钮】，将*ZRESID添加到Y(Y)框中,将*ZPRED添加到X2(X)框中，勾选【正态概率图】，【保存(三)按钮。在预测值与残差中勾选【标准化】选项。选择菜单【分析-相关一双变量】将标准化预测值和标准化残差选入【变量】框，在相关系数中选择SPearman,各项完成后点击【确定】。输出；Mfc已It人/B除模型夔数已翰人境敷已移除方法1投人人年数逐步CWJ：F-toenter的槌率<=.050F-to-remove的燧率x.100)a.嬉夔数：课题总数模型摘要"模型RR平方整筏R平方*票型偏斜度绪Durbin-Watson1.959a.91997241.95821.747a.JWffl值：(常数)，投人人年数b.愿燮数：课J®总数表中变量为投入人年数，参考调整的判定系数，由于调整的判定系数917)较接近于1,因此认为拟合优度较高，被解释变量可以被模型解释的部分较多，未能被解释的部分较少。方程DW检验值为L747,残差存在一定的正自相关。H画S分析*模型平方和df平均值平方FIa著性1SS?19379040.047119379040.047331.018.000"残差1697769.9532958543.79121076810.00030a.Sg夔敷：课题总数b.f潮值：(常敷)，投入人年数被解释变量的总离差平方和为21076810.00,回归平方和及均方分别为19379040.047和19379040.047,剩余平方和及均方分别为1697769.953和58543.791,尸检验统计量的观测值为331.018,对应的概率P值近似为0。依据该表可进行回归方程的显著性检验。如果显著性水平为0.05,由于概率P值小于显著性水平,应拒绝回归方程显著性检验的零假设，认为回归系数不为0,被解释变量与解释变量的线性关系是显著的，可建立线性模型。像败模型非襟津化保数棵津化保数T冢著性共性统瓷料BBeta允差VIF1（常教）投入人年数-94.524.49272.442.027.959-1.30518.194.202.0001.0001.000a.瘪燮数:课题总数依据该表可以进行回归系数显著性检验，写出回归方程和检测多重共线性。可以看到，如果显著性水平为0.05,投入人年数变量的回归系数显著性t检验的概率P值小于显著性水平,因此拒绝零假设，认为其偏回归系数与0有显著差异，与被解释变量与解释变量的线性关系是显著的，应保留在方程中。同时从容忍度和方差膨胀因子看，解释变量与投入人年数多重共线性很弱，可以建立模型。最终回归方程为，课题总数=-94.524+0.492投入人年数。排除的8Hr模型BetaAT翅著性偏相M!共性统言十瓷料允差VIF允差下限1投入科研事业费（百元）.152b1.528.138.278.2673.748267专著数.023'.182,857.034.1885.308.LSS获奖数.030b,411,684.077.5421.846.542a.JS燮敷：课题总数b.模型中的f三刑值：（常数），投入人年数该表展示回归方程的剔除变量，可以看到，如果显著性水平0为0.05,表中三个变量的回归系数显著性t检验的概率P值大于显著性水平Q,因此不拒绝零假设，认为其偏回归系数与0无显著差异，与被解释变量与解释变量的线性关系是不显著的，不应保留在方程中。同时从容忍度和方差膨胀因子看，解释变量与三个解释变量多重共线性严重，在建立模型的时候应当被剔除。共IS性粉断模型滩度特徵值修件指数夔巽数比例（常数）投入人年数111.8001.000,10.102.2003.00190.90a.瘪夔数：课83总数依据该表可进行多重共线性检测，从方差比例上看第二个变量可解释常量的90%,也可解释投入人年数的90%,一次认为这些变量存在多重共线性。条件指数都小于10,说明存在共线性较弱，低个变量特征值小于07,说明线性相关关系较弱。asmw最小值最大值平均数棵型偏差N-57,6423246.986960.000803.721331残差466.2850509.6787.0000237.891431模举TR：则值1.2662.45.0001.00031裸津残差-1.9272JO6.000.98331a.ffi三:课题总数eM集化*R的常IkP#M数据点围绕基准线还存在一定的规律性，但标准化残差的非参数检验结果表明标准化残差与标准正态分布不存在显著差异，可以认为残差满足了线性模型的前提要求2IBflMH随着标准化预测值的变化，残差点在O线周围随机分布，但残差的等方差性并不完全满足，方差似乎有增大的趋势。但计算残差与预测值的SPearman等级相关系数为-0.176,且检验并不显著，因此认为异方差现象并不明显。相IWStandardizedPredictedValueStandardizedResidualSpearman的rhoStandardizedPredicted相Kflf系®iLOOO-J76Va1ue著性(箜尾)N31.34431StandardizedResidual相Elf系数-.1761.000著性(雯尾).344N3131依据该表可以对标准化残差和标准化预测值的SPearman等级进行分析，可以看到，计算残差与预测值的相关性弱，认为异方差现象不明显。13、利用1950年1990年的天津食品消费数据，分析这段时间内的人均生活费用年收入的变化情况。要求：数据进行对数变换后，运用HOIt线性趋势平滑模型分析。(1)输出均方根误差和参数估计结果；(2)输出ACF和PACF图形并对其特征进行分析，是否满足白噪声序列的条件；(3)给出1991-1992的预测值，并输出拟合图。解答：思路：根据题意，先不进行序列图和自相关、偏自相关的观察和检验阶段处理。直接利用指数平滑模型中的HOIt线性趋势模型对数据进行分析，同时输出均方根误差和参数估计误差，ACF和PACF图像判断是否满足白噪音序列的条件；最后然后对数据进行1991年、1992年做出预测，并用模型进行拟合。步骤：【分析-预测-创建模型】，将人均生活费年收入选入【因变量】中，将【方法】选为【指数平滑法】；点击【条件】，在【因变量转换】中选【自然对数】，在【模型类型】中【Holt线性趋势】，【继续L【统计量】，在【拟合度量】中选择【平稳的R方、均方根误差工在【个别模型的统计量】中选中【参数估计】，在【比较模型的统计量】中选中【拟合优度】，选中【显示预测值】，【确定】【图表】，在【单个模型图】中选择【序列、残差自相关函数、残差部分自相关函数工在【每张图显示的内容】中现则【观察值、预测值、拟合值L【选项】，在【预测阶段】选择第二个，在【日期】的【年】框中填入【1992】。输出：模型妇合度J&合度统瓷料平均敦SE最小值最大值百分位数5102550759095平稽R平.221*221*221.22】.221.221.221"221.221.221方R平方994.994.994.994.994.994994.994.994994RMSE28J7928.17928.17928/17928J7928.17928,17928.17928.17928.179MAPE3.5173.5173.5173.5173.5173.5173.5173.5173.5173-517MaxAPE12.49512.49512.49512.49512.49512.49512.49512.49512.49512.495MAE17,14617.14617.14617/14617.14617.14617.14617.14617.14617,146MaxAE82.9】.I82.91182.91182.91182.91182.91182.91182.91182.91182.911模举化BIC6.8586N6.8586.8586.8586.8586.8586.8586.8586.858模型傩黄料模型Jg测夔数数目模型通合度统言十瓷料Ljung-BoxQ(18)雕群值敷目平稽R平方RMSE统瓷料DF著性人均生活费年收入模型O.22128.17916.36016.428O均方根误差为28.179,误差较小。指敦平滑彳b¾t¾!>模型s+SETSS著性人均生活费年收入-模型自然¥4数AIPha（水津）1.000.1576.381.000Gamma(超#).400J7&2.244.031模型的两个参数分别为：1.0和0.4,则具体模型为任+m=1.0+0.4m,虽然残差自相关函数和偏自相关函数绝大多数处于置信区间内，但两函数都具有明显减少趋势，且具有一定的季节性，因此不属于白噪音序列。模型19911992人均生活费年收入-模型THiffl1708.821920.58UCL1887.022274.43LCL1543.631609.99金十封每一他模型，fa测是在所要求的估期圃内的前次非遣漏始，企在其所有TSiffl值的非JS漏值可用的前次期，或是在所要求的T0测期的结束日期皓束，取IK早的日寺。-«S-%浦come向*12000 OO-1S0O-L. V 祝W 1000 OO-199219901988 A9* Js19821980-1978-1976974-IS77-Ig70 196®1966 1©2 -1962 I9601950 A J? Jd52日期1991、1992年的预测值与1990年的观测值有较大的增长趋势。从整个数据来看,1950年至1980年这段时期较为平稳的增长，但是1980年之后迅速上升，最后预测值上升较为明显，这与实际趋势基本一致。且1991、1992年预测值分别为1708.82、1920.58o16、结合自己的研究方向、参与项目等，举出一个说明SPSS在交通运输中应用的例子。例子需包含问题说明、数据来源、统计方法、统计结果及其主要结论。解答；问题说明：利用1950年2013年美国么历年定期航班旅客周转量（单位："台亿客公里）历年数据数据，建立几种指数平滑模型，预测2016年美国定期航班旅客周转量“数据来源：从统计看民航（2014）中国民航出版社，2014年11月第一版。年份1950195119521953195419551956195719581959定期航班旅客周转量/亿客公里164.d211.8250.3292.1331.6391.8444.5503506.9585.3年价I960196119621963196419651966196719681969定期航班旅客周转St/亿客公里E25.4640.9704.2810.431.31105.21285.71605.8IH30.7Ztnr3年份197019711972m197419751976197719781979定期航班旅客周转量/亿客公里2131.32155.91453260626212620Al311036404080隼份1980198119821983198419851986198719881989定期航班旅客周轻量/亿客公里3930395041004460472052795800647087436948年份1990199119921993199419951996199719981999定期航疮旅客周整量/亿客公里731471837651.477598199.88491.692bL29655.7964710448.7年饰2000200120022003200420052006200720082009定期航班旅客周林氐亿客公里11109.510144.8ICZlfir410389.611643.712416.912753,813120.51279012570年份2010201120122013定期航班旅客周转fit/亿客公里I299H.713105.413247.513525.2解题思路：首先首先绘制和观察彩电出口量的序列图，通过图形观察和检验寻找规律，然后通过指数平滑模型一简单、HoIT线性趋势、BrOWn线性趋势三个模型进行分析预测，比较选择最佳模型预测2016年亿客公里数。统计结果:美国亿客公里时间序列图如下:1500000000-10000000 00-$000000 00-亿客公里-5D0-1O0QOQ-150QD0.-J? 1992 JsaJ 9-1966 H JswJso-197B 1976 1974Js-1970 18» HW斯:dfference(16)该序列图为平稳序列则可以直接进行建模分析（1）简单指数平滑模型型胱明模型想型模型ID亿客公里模型模型IiW黄料模型JH测缨数数目模型通合度统瓷料Ljung-BoxQ(18)蹄群值数目平程R平方RMSE统It瓷料DFSR著性亿客公里模型0-.417367.91812.51117.0460指敷平滑彳匕模型畲败模型估SET著性亿客公里一模型自然封数Alpha（水津）LOOO.1228.175.000亲公里.税亨一0ODoIo-oDOoo-ODOIOloooo22Z2311111111111IIF1.01.095 OQResidual期模型201420152016亿客公里-模型s三13638.2113752.1613867.06UCL17502.4819474.7921137.62LCL10451.729393.228654.28/t?t每一s模型，TfliM是在所要求的估卦期fSliS圃内的前次非遣漏始36在其所有测值的非遣漏值可用的前次期f-或是在所要求的ffl测期的皓束日期皓束，取较早的畤。（2）HoIT线性趋势指数平滑模型型胱睨明模型颊型模型ID亿客公里模型Holt模型Im瓷料模型JS测境敷数目模型通合度统言十瓷料Ljung-BoxQ(18)蹄群值数目平穗R平方RMSE统言十瓷料DF麓著性亿客公里-模型一O.610417.99015,33616.0500指数平滑4匕模型金败模型估卦SET著性亿客公里-模型自然封敷Alpha(水津).694J185.893,000Gamma(超岁J17.0621.895,063150.-日/日雪莘fBu 10O- 999g9999gJlJJll3SSS£S日期蜘3出史甘通8£图与Em3E16摸型201420152016亿客公里-模型SWUCL1.CL13940.7817038.1011286.0814300.6318400.8110926.8114680.0819860.9610585.12金十封每一®模型，JW潮是在所要求的估2十期SS囿内的前次非遣漏始加在其所有测值的非遣漏值可用的前次期或是在所要求的fH测期的结束日期S束，取IS早的畴PC。(3)BroWn线性趋势指数平滑模型型三明模型颊型模型ID亿客公里模型Brown模型8H料甦殖PACFDU DReiidual模型Tffl燮数数目模型通合度统瓷料Ljung-BoxQ(18)群值数目平程R平方RMSE统瓷料DF著性亿客公里模型0.548402.2321326517.0470指数平滑彳匕模型»模型估HSET版著性亿客公里模型J自然封数Alpha值（水津舆超磬）.540.05310.109.000期模型201420152016亿客公里-模型JflJffl13775.9314077.6714456.70UCL17291.5719575.7622517.84LCLI10825.41I9827.238779.99斜封每一H模型，fS测是在所要求的估期S圃内的前次非遣漏始，1£在其所有f三测值的非遣漏值可用的前次期，或是在所要求的f!Jffl期的皓束日期结束，取较早的畤。结果分析：在三个模型预测分析当中，简单指数模型均方根误差为367.918,HOIT线性趋势指数平滑模型均方根误差为417,990,BroWn线性趋势指数平滑模型均方根误差为402.232,其中简单指数模型均方根误差最小。三个模型残差自相关函数和偏自相关函数图中，简单指数模型均方根完全落在置信区间，HolT和BroWn线性趋势指数平滑模型大部分落在置信区间。综合上述分析，分别观察三个模型的简单指数模型你和效果图，可知简单指数模型你和效果最佳，2016年亿客公里预测值为13867.06。
