SPSS数据处理中常用方法.ppt

Pearson 积差相关，计算连续变量或是等间距测量的变量间的相关性分析 Kendall 等级相关，计算分类变量间的秩相关 Spearman 等级相关，计算斯皮尔曼相关 Two-tailed双尾检验选项 One-tailed单尾检验选项 相关性分析结果 从表中可知，Topt与Aopt间不存在显著的相关性 三、回归分析 回归分析的概念 寻求相关变量之间的关系 主要内容： 从一组样本数据出发，确定这些变量间的定量关系式 对这些关系式的可信度进行各种统计检验 从影响某一变量的诸多变量中，判断哪些变量的影响显著，哪些不显著 利用求得的关系式进行预测和控制 回归分析的模型 按是否线性分：线性回归模型和非线性回归模型 按自变量个数分：简单的一元回归，多元回归 利用SPSS得到模型关系式，是否是我们所要的，要看回归方程的显著性检验（F检验）和回归系数b的显著性检验(T检验)，还要看拟合程度R2 (相关系数的平方,一元回归用R Square，多元回归用Adjusted R Square) 回归分析的过程 在回归过程中包括： Liner：线性回归 Curve Estimation：曲线估计 Binary Logistic： 二分变量逻辑回归 Multinomial Logistic：多分变量逻辑回归 Ordinal 序回归 Probit：概率单位回归 Nonlinear：非线性回归 Weight Estimation：加权估计 2-Stage Least squares：二段最小平方法 Optimal Scaling 最优编码回归 3.1线性回归(Linear) 一元线性回归方程: y=a+bx a称为截距 b为回归直线的斜率 用R2拟合系数判定一个线性回归直线的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例） 多元线性回归方程: y=b0+b1x1+b2x2+…+bnxn b0为常数项 b1、b2、…、bn称为y对应于x1、x2、…、xn的偏回归系数 用Adjusted R2调整拟合系数判定一个多元线性回归方程的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例） 3.3 Nonlinear 3.4 回归分析案例 3.4.1 线性回归 线性回归结果 3.4.3 Nonlinear Nonlinear结果 * LOGO LOGO SPSS中常用的数据分析方法 试验设计的基本原理 试验设计：用尽可能少的试验获取足够有效的资料，从中得出较为可靠结论，从这一要求出发考虑问题，安排试验 三个基本原则： （1）重复 估计试验误差和降低试验误差 （2）随机化 试验配置和处理顺序随机确定；无偏向的试验误差 （3）局部控制 分区域分时间地控制非试验因素，使试验处理的影响除试验因素不一致外，其余条件尽量一致，其作用也是为降低试验误差 试验设计三个基本原则和作用 重复 降低试验误差 无偏的试验误差设计 局部控制 随机 SPSS软件在生物统计学中的应用 SPSS（Statistice Package for Social Science）是由美国SPSS公司自20世纪80年代开发的大型统计学软件包 SPSS软件能覆盖统计分析的各个方面： 基础统计分析：描述性统计、各种简单的方差分析、回归分析、相关分析··· 专业统计分析：因子分析、聚类分析、距离分析··· 高级分析：多变量方差分析、重复测量方差分析、非线性回归分析、曲线估计··· 一、方差分析 方差分析的概念 在科学实验中常常要探讨不同实验条件或处理方法对实验结果的影响。 方差分析是检验多组样本均值间的差异是否具有统计意义的一种方法 方差分析基本原理 不同处理组的均值间差别基本来源有两个: （1）随机误差，如测量误差造成的差异或个体间的差异，称为组内差异，用变量在各组的均值与该组内变量值之偏差平方和的总和表示， 记作SSw，组内自由度dfw （2）实验条件，即不同的处理造成的差异，称为组间差异。用变量在各组的均值与总均值之偏差平方和表示，记作SSb，组间自由度dfb 方差分析基本原理（续） 组内SSw 、组间SSb除以各自的自由度(组内dfw =n-m，组间dfb=m-1，其中n为样本总数，m为组数)，得到其均方MSw和MSb，一种情况是处理没有作用，即各组样本均来自同一总体， MSb/MSw≈1。另一种情况是处理确实有作用，那么， MSbMSw (远远大于) MSb/MSw比值构成F分布，用F值与其临界值比较，推断各样本是否来自相同的总体 方差分析的假设检验 零假设H0：m组样本均值都相同，即μ1= μ2=....= μm 如果经过计算结果组间均方远远大于组内均方（ MSbMSw ），FF0.05(dfb