数据统计分析及方法SSS教程完整版PPT课件.ppt

从表可以看出，地区2与地区3之间的差异是非常显著的，它们均值差的检验的尾概率为0.005，明显小于显著性水平0.05。 四种颜色饮料销售量样本数据 超市 黄色 无色 粉色 绿色 1 2 3 4 5 27.9 25.1 28.5 24.2 26.5 26.5 28.7 25.1 29.1 27.2 31.2 28.3 30.8 27.9 29.6 30.8 29.6 32.4 31.7 32.8 [数据集12] =2 =3 =4 color =1 sale 定义 变量 单因素方差分析 调用此过程可完成单因素方差分析 单因素方差分析 单因素方差分析的基本过程可采纳系统的默认方式。 各种选项 多重比较 F统计量=10.544的P值 =0.000 ＜0.05。故拒绝原假设，接受备择假设，即不同颜色的饮料的销售量有显著差异。 单因素方差分析 对四种颜色下各总体的均值进行多重比较。 最小显著性差异法 由于方差分析的前提是各水平下的总体服从方差相等的正态分布，因此须对方差分析的前提进行检验。 输出不同水平下的描述性统计量 输出方差相等性的检验结果 输出各水平下均值的折线图。 计算中涉及的变量含有缺失值时暂时剔除观测 剔除所有含有缺失值的观测 检验统计量=0.255相伴P值=0.856 ＞ 0.05故可以认为4种水平下各总体的方差无显著差异，满足单因素方差分析中的方差相等性要求。 单因素方差分析 样本数据所显示的四种颜色饮料销售量的差异。 单因素方差分析 7.4 双因素方差（Univariate）分析过程 单因变量的双因素方差分析是对观察的现象（因变量）受两个因素或变量的影响进行分析，检验不同水平组合之间对因变量的影响是否显著。 双因素方差分析应用条件：因变量和协变量必须是数值型变量，且因变量来自或近似来自正态总体。因素变量是分类变量，变量可以是数值型或字符型的。各水平下的总体假设服从正态分布，而且假设各水平下的方差是相等的。 双因素方差分析过程可以分析出每一个因素的作用；各因素之间的交互作用；检验各总体间方差是否相等；还能够对因素的各水平间均值差异进行比较等。 例5：右表是某商品S在不同地区和不同时期的销售量表。已知数据服从正态分布，则要检验地区因素及时间因素对销售量的影响是否显著。 由于销售量受地区和时间两个因素的影响，这是一个双因素方差分析的问题。 1、单击Analyze ?General linear Model ?Univariate，打开Univariate主对话框。 2、选择要分析的变量”销售量”进入Dependent Variable 框中，选择因素变量”地区”和”时期”进入Fixed Factor框中。 3、单击Model按纽选择分析模型，得到Model对话框。如图所示：在Specify框中，指定模型类型。 Custom选项为自定义模型，本例选择此项并激活下面的各项操作。 先从左边框中选择因素变量进入Model框中，然后选择效应类型。一般不考虑交互作用时，选择主效应Main，考虑交互作用时，选择交互作用Interaction。可以通过单击Build Term下面的小菜单完成，本例中选择主效应。最后在Sum of Square 中选择分解平方和的方法后返回在主对话框。一般选取默认项TypeⅢ。单击OK就可以得到相应的双因素方差分析表 。 7.3.3 两个有联系总体间的均值比较（Paired-Sample T Test） Paired-Sample T Test是检验两个有联系正态总体的均值是否存在显著的差异。又称配对样本的 t 检验。 例3：某企业对生产线上的工人进行某种专业技术培训，要对培训效果进行检验，从参加培训的工人中抽取30人，将他们培训前后的数据每加工500个零件的不合格品数进行对比，得到数据表见表。试根据表中数据检验培训前后工人的平均操作技术水平是否有显著提高，也就是检验培训效果是否显著。 解：这显然是配对样本均值的假设检验的问题。所以要建立假设： H0：培训前后工人的技术水平没有显著差异； H1：培训前后工人的技术水平有显著差异； 根据中心极限定理，在大样本的情况下，样本均值近似地服从正态分布。所以可以利用正态参数的检验方法进行均值的检验。其检验过程的具体操作步骤为： 1、单击Analyze ?Compare Means ? Paired-Sample T Test，打开Paired-Sample T Test主对话框如图 2、选择要检验的两变量进入检验框中，注意，一定要选择两个变量进入检验框内，否则将无法得到检验结果。 3、由Option选择按纽确定置信度值95％和缺失值的处理方式。 4、点击OK得输出结果。 5、根据输出结果作出