spss案例数据分析.doc

Spss期末作业 关于我国城镇居民消费结构及趋势的数据分析 本次分析采用的数据来源于《中国统计年鉴—2011》，我选用的是其中的第十篇章—人民生活下的城镇居民家庭基本情况的相关数据，用以研究城镇居民消费结构及其趋势。 （附数据部分截图） （A）下面是我对该数据做的相关分析。 表一给出的是基本的描述性统计图，表中显示各个变量的全部观测量的均值、标准差和观测值总数N，表2给出的是相关系数矩阵表，其中显示4个变量两两之间的pearson相关系数，以及关于相关关系等于零的假设的单侧显著性检验概率。 描述性统计量 均值 标准差 N 食品 2744.0660 1802.80584 5 衣着 775.8200 555.67616 5 居住 694.1920 565.48222 5 家庭设备用品及服务 488.2500 343.94006 5 表1 描述性统计表 相关性 食品 衣着 居住 家庭设备用品及服务 食品 Pearson 相关性 1 .998** .991** .995** 显著性（单侧） .000 .001 .000 平方与叉积的和 1.300E7 4000739.197 4039135.855 2468266.142 协方差 3250108.892 1000184.799 1009783.964 617066.535 N 5 5 5 5 衣着 Pearson 相关性 .998** 1 .985** .994** 显著性（单侧） .000 .001 .000 平方与叉积的和 4000739.197 1235103.975 1238672.922 760246.419 协方差 1000184.799 308775.994 309668.230 190061.605 N 5 5 5 5 居住 Pearson 相关性 .991** .985** 1 .996** 显著性（单侧） .001 .001 .000 平方与叉积的和 4039135.855 1238672.922 1279080.565 775005.410 协方差 1009783.964 309668.230 319770.141 193751.352 N 5 5 5 5 家庭设备用品及服务 Pearson 相关性 .995** .994** .996** 1 显著性（单侧） .000 .000 .000 平方与叉积的和 2468266.142 760246.419 775005.410 473179.063 协方差 617066.535 190061.605 193751.352 118294.766 N 5 5 5 5 **. 在 .01 水平（单侧）上显著相关。 表2 相关系数矩阵 从表2中可以看出家庭设备用品及服务与食品、衣着之间相关系数分别为0.995、0.994，反映家庭设备用品及服务与食品、衣着之间存在显著的相关关系。说明食品与衣着对家庭设备用品及服务条件的好转有显著的作用，此外食品与衣着之间，食品与居住之间，居住与衣着之间的相关系数分别为0.998、0.991、0.985，这说明他们之间也存在着显著的相关关系。在这里还要提一下相关系数旁边的两个星号的意思，它表示显著性水平α为0.01时仍拒绝原假设，一个星号则表示显著性水平α为0.05时可拒绝原假设。因此，两个星号比一个星号拒绝原假设犯错误的可能性更小。 （B）下面是做的回归分析 表3给出了进入模型和被剔除的变量的信息。从表中我们可以看出所有3个自变量都进入模型，说明我们的解释变量都是显著并且是有解释力的。 表4给出了模型整体拟合效果的概述，模型的拟合优度系数为1.000，反映了因变量于自变量之间具有高度显著的线性关系。表里还显示了R平方以及经调整的R值估计标准误差 表5给出了方差分析表我们可以看到模型的设定检验F统计量的值为411.727，显著性水平的P值为0.036。 表6给出了回归系数表和变量显著性检验的T值。我们发现变量“食品”的T值太小，没有达到显著性水平，因此我们要将这个变量剔除。从这里我们也可以看出模型虽然通过了设定检验，但很有可能不能通过变量的显著性检验。 输入／移去的变量 模型 输入的变量 移去的变量 方法 1 居住, 衣着, 食品a . 输入 a. 已输入所有请求的变量。 表3 变量进入/剔除信息表 模型汇总 模型 R R 方 调整 R 方 标准 估计的误差 1 1.000 .999 .997 19.56464 a. 预测变量: (常量), 居住, 衣着, 食品。 表4 模型概述表 Anovab 模型 平方和 df 均方 F Sig. 1 回归 472796