SPSS统计基础入门摘要.ppt

多因素方差分析－案例4-3 数据准备： GMAT成绩.sav分析-一般线性模型-单变量分数－因变量； 学校、课程－固定因子 输出结果 4.3 非参数检验-卡方检验 SPSS 4.3 非参数检验-卡方检验 在实践中，常碰到一些样本的总体分布不明确，或者总体参数的假设条件不成立，或不服从正态分布时，采用非参数检验 非参数检验：不假定总体分布情况下，来实现对总体参数的推断 包括：卡方、二项式分布、游程、单样本K-S检验，以及两个独立样本、多个独立样本、两个相关样本、多个相关样本非参数检验 与参数检验相比，优势如下： 稳健性。总体分布的约束条件大大放宽，对个别偏离较大的数据不至于太敏感。 对数据的测量尺度无约束，对数据的要求也不严格，什么数据都可以做。 适用于小样本、无分布样本、数据污染样本、混杂样本等。 但是，如果参数检验模型的所有假设在数据中都能满足，且达到所要求的水平，那么用非参数检验可能导致低效率，最终浪费数据。 4.3 非参数检验-卡方检验 1.使用目的 卡方检验（Chi-Squar Test）也称为卡方拟合优度检验，是K.Pearson给出的一种最常用的非参数检验方法。它用于检验观测数据是否与某种概率分布的理论数值相符合，进而推断观测数据是否是来自于该分布的样本的问题。 如：根据投掷骰子实验中出现的点数检验骰子是否均匀，即各点出现的概率是否均为1/6。 2.基本原理 进行卡方检验时，首先提出零假设 ：样本X来自的总体分布服从期望分布或某一理论分布。接着，利用实际观测值的频数与理论的期望频数之间的差异来构造检验统计量，它描述了观察值和理论值之间的偏离程度。 3.软件使用方法 【分析】 →【非参数检验】→【旧对话框】→【卡方】 案例4-4 某公司经营多年，形成了一套成熟的企业文化和管理体系，例如根据多年的运营经验，经理层、监察员、办事员三种职务类别人员比例大约在15：5：80为宜，这样运行效率最高。目前公司进行人事调整，公司人员结构发生变动，有员工担心是否人事调整已经导致职务类型比例的失调。 三种职务的期望构成比为15％、5％和80％。而目前样本中观察到的三种职务的人数比为84：27：363，构成比分别是17.7％、5.7％和76.6％，和理论值有差异。那么这种差异是由随机误差造成的，还是真的构成比和以前有所变化？该问题就可以用χ2检验来实现。相应的假设检验如下。 H0：目前三个职业的总体构成比仍然是15％、5％和80％。 H1：目前三个职业的总体构成比不再是15％、5％和80％ 。 4.3 非参数检验-卡方检验 Step1：打开数据（4-4.sav）－【分析】－【非参数检验】－【旧对话框】－【卡方】 职务类别：“1”表示办事员，“2”表示监察员，“3”表示经理。 Step2：选择检验变量 在左侧的候选变量列表框中选择“Employment Category（职务）”变量作为检验变量，将其添加至【检验变量列表】列表框中。 Step3：选择期望值 在【期望值】选项组中点选【值】单选钮，以指定期望概率值。接着在【值】的文本框中分别输入0.8、0.05和0.15这三个数值，并且单击【添加】按钮加以确定。 Step4：完成操作 4.3 非参数检验-卡方检验 结果输出： P值0.174大于显著性水平0.05。 因此接受零假设，认为目前三个职业的总体构成比仍然是15％、5％和80％，人数的调动只是随机误差造成的，公司人员结构没有显著性改变。 5. 相关分析 相关分析：研究变量相互关系的密切程度和变化趋势，并用适当的统计指标描述。 最常见的是两两相关分析，例如:鱼的体长与体重、作物的产量与施肥量等问题 统计关系常见类型： 线性相关：两变量呈线性共同增大； 呈线性一增一减 非线性相关：曲线相关； 两变量存在相关趋势 不相关 常用方法： l 散点图 l 计算相关系数：区间是[-1,1]， 是两个变量之间的线性关联的一个度量 相关分析－案例 某科技人员饲养了35尾团头鲂，共重7.2kg，在水温29℃的条件下，测量摄食量与耗氧率之间的关系，请对摄食量与耗氧率作相关行分析。 摄食量 20 30 40 50 60 70 耗氧率 536.3 573.5 595.9 628.9 669.6 725.7 SPSS操作步骤：数据准备－【分析】－【相关】－【双变量】 结果输出： P=0.000＜0.01，差异极显著，表明摄食量和耗氧量之间存在极显著的正相关关系，耗氧量随着摄食量的增加而增加 Pearson 简单相关系数：适用于双变量正态分布资料（一般用字母r表示） S