第一篇：SPSS实验分析报告四
SPSS实验分析报告四
一、地区*日期*销售量
（一）、提出假设
原假设H0=“不同地区对销售量的平均值没有产生显著影响。” H2=“不同日期对销售量的平均值没有产生显著影响。” H3=“不同的地区和日期对销售量没有产生了显著的交互作用。”
（二）、两独立样本t检验结果及分析
表
（一）主旨間係數
地区 2 3 日期 2 3
數值標籤
地区一 地区二 地区三 周一至周三 周四至周五
周末
N 9 9 9 9 9 9
表
（一）表示各个控制变量的分组情况，包括三个不同的地区以及三个不同日期的数据。
表
（二）销售额多因素方差分析结果
主体间效应的检验
因變數: 销售量
來源 第 III 類平方和 修正的模型 61851851.852
a
df 8
平均值平方 7731481.481
F 8.350
顯著性.000 截距 地区 日期 地区 * 日期 錯誤 總計 844481481.481 2296296.296 2740740.741 56814814.8***.667 923000000.000 2 2 4 18 27 26
844481481.481 1148148.148 1370370.370 14203703.704 925925.926
912.040 1.240 1.480 15.340
.000.313.254.000
校正後總數 78518518.519 a.R平方 =.788（調整的 R平方 =.693）
由表
（二）可知，第一列是对观测变量总变差分解的说明；第二列是对观测变量总变差分解的结果；第三列是自由度；第四列是方差；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：观测变量的总变差SST为78518518.519，它被分解为四个部分，分别是：由 地区（x2）不同引起的变差（2296296.296），由日期（x3）不同引起的变差(2740740.741)，由地区和日期交互作用（x2*x3）引起的变差（5.681E7），由随机因素引起的变差（Error 1.667E7）。FX1、FX2、FX1*X2的概率P值分别为0.313、0.254、0.000。如果显著性水平α为0.05，由于FX1、FX2的概率P值大于显著性水平α，因此不应该拒绝原假设，可以认为不同的地区、日期下的销售量总体均值不存在显著差异，对销售量的效应同时为0，各自不同水平没有给销售量带来显著影响。同时，由于FX1*X2的概率P值小于显著性水平α，所以应该拒绝原假设，可以认为不同的地区和日期对销售量产生了显著的交互作用，在不同的地区，不同的日期会对销售额产生显著影响。
表
（三）自訂假設檢定索引 對照係數（L' 矩陣）轉換係數（M 矩陣）對照結果（K 矩陣）對照係數（L' 矩陣）轉換係數（M 矩陣）
地区 的偏差對照（省略種類 = 3）
恆等式矩陣 零矩陣
日期 的偏差對照（省略種類 = 3）
恆等式矩陣 對照結果（K 矩陣）零矩陣
表
（四）不同地区下销售量的均值对比检验结果（K 矩陣）
地区 偏差對照
層次 1 對平均值
對比估計 假設值
差異（評估值假設值）
標準錯誤 顯著性
95% 差異的信賴區間
a.省略的種類 = 3
下限 上限 下限 上限
a因變數 销售量-259.259
0-259.259 261.891.335-809.473 290.954 407.407 0 407.407 261.891.137-142.806 957.621
表
（四）分别显示了三个不同地区销售量总体的均值检验结果，省略了地区三的检验结果，检验值是各水平下的总体均值。可以看出：地区一的销售量均值与检验值的差为259.259，标准误差为261.891，T检验统计量的概率P值为0.335，差值的95%置信区间的下限和上限分别为-809.473，290.954。分析结论为：地区一销售量的均值与检验值之间不存在显著差异。同理，地区二销售量的均值与检验值之间不存在显著差异。三个地区产生的影响没有显著差异。
表
（五）地区对销售量影响的单因素方差分析结果
因變數: 销售量
來源 比對平方和 2296296.296
df 2 18
平均值平方 1148148.148 925925.926
F 1.240
顯著性.313 錯誤 16666666.667
表
（五）是地区对销售量影响的单因素方差分析结果。可以看到：不同地区可解释的变差为2296296.296，不可解释的变差为16666666.667，它们的方差分别为1148148.148、925925.926，F统计量的观测值为1.240，对应的概率P值为0.313。如果显著性水平α为0.05，由于概率P值大于显著性水平α，所以原假设成立，认为不同地区对销售量的平均值没有产生显著影响。
表
（六）不同日期下销售量的均值对比检验结果（K 矩陣）
日期 偏差對照
層次 1 對平均值
對比估計 假設值
差異（評估值假設值）
標準錯誤 顯著性
95% 差異的信賴區間
下限
a
因變數 销售量-370.370
0-370.370 261.891.174-920.584 179.843 407.407 0 407.407 261.891.137-142.806
上限
a.省略的種類 = 3
957.621
表
（六）分别显示了三个不同日期下销售量总体的均值检验结果，省略了日期三的检验结果，检验值是各水平下的总体均值。可以看出：日期一的销售量均值与检验值的差为370.370，标准误差为370.370，T检验统计量的概率P值为0.174，差值的95%置信区间的下限和上限分别为-920.584、179.843。分析结论为：日期一销售量的均值与检验值之间不存在显著差异。同理，日期二销售量的均值与检验值之间不存在显著差异。三个不同日期产生的影响没有显著差异。
表
（七）日期对销售量影响的单因素方差分析结果
因變數: 销售量
來源 比對 錯誤
平方和 2740740.741 16666666.667
df 2 18
平均值平方 1370370.370 925925.926
F 1.480
顯著性.254
表
（七）是日期对销售量影响的单因素方差分析结果。可以看到：不同日期可解释的变差为2740740.741，不可解释的变差为16666666.667，它们的方差分别为1370370.370、925925.926，F统计量的观测值为1.480，对应的概率P值为0.254。如果显著性水平α为0.05，由于概率P值大于显著性水平α，所以原假设成立，认为不同日期对销售量的平均值没有产生显著影响。
图
（一）地区与销售量的交互作用图
图
（一）中，从地区一至地区三，不同的日期销售额的变化波动很大且规律不一，直接结论是：不同的日期和地区间存在明显的交互作用。
图
（二）日期与销售量的交互作用图
图
（二）中，在不同的日期，不同地区的销售额的变化规律都不一样，直接结论是：不同的地区和日期间存在明显的交互作用。
二、香烟消耗量*肺癌死亡率
（一）、提出假设
原假设H0=“香烟消耗量对肺癌死亡率没有产生显著影响。”
（二）、两独立样本t检验结果及分析
图
（三）香烟消耗量与肺癌死亡率的简单散点图
由图
（三）可知，香烟消耗量与肺癌死亡率存在一定的正相关关系。
表
（八）香烟消耗量*肺癌死亡率相关关系分析
1930年人均香每百万男子中死
1930年人均香烟消耗量 皮爾森(Pearson)相關
烟消耗量
于肺癌的人数
.737
**
顯著性（雙尾）
N 每百万男子中死于肺癌的皮爾森(Pearson)相關
人数
顯著性（雙尾）
N **.相關性在 0.01 層上顯著（雙尾）。
11.737.010 11
**
.010 11 1 11 由表
（八）可知，香烟消耗量和肺癌死亡率的简单相关系数为0.737，说明两者之间存在正的强相关性，其相关系数检验的概率P值为0.010。因此，当显著性水平α为0.01时，P值小于显著性水平应拒绝相关系数检验的原假设。中相关系数上角的两个星号（**）表示显著性水平α位0.01时拒绝原假设。
三、销售额*销售价格*家庭收入
（一）、提出假设
原假设H0=“销售额对销售价格没有产生显著影响。” H2=“家庭收入对销售价格没有产生显著影响。”
（二）、两独立样本t检验结果及分析
图
（四）销售额与销售价格的简单散点图
由图
（四）可知，销售额与销售价格之间存在负相关关系。
图
（五）销售额与家庭收入的简单散点图
由图
（五）可知，销售额与家庭收入之间存在较强的正相关关系。
图
（六）销售价格和家庭收入的简单散点图
由图
（六）可知，销售价格与家庭收入之间存在弱的负相关关系。
表
（九）销售额*销售价格相关系数计算结果
销售额 皮爾森(Pearson)相關 顯著性（雙尾）
N 销售价格 皮爾森(Pearson)相關 顯著性（雙尾）
N
销售额 1 10-.933**.000 10
销售价格-.933**.000 10 1 10 **.相關性在 0.01 層上顯著（雙尾）。
由表
（九）可知，销售额和销售价格的简单相关系数为-0.933，说明两者之间存在负的强相关性，其相关系数检验的概率P值为0。因此，当显著性水平α为0.01时，应拒绝相关系数检验的原假设，认为两总体不是零相关。
另外，表
（九）中相关系数上角的两个星号（**）表示显著性水平α为0.01时拒绝原假设。
表
（十）销售价格和销售额的偏相关分析结果
控制變數
家庭收入 销售价格
相關 顯著性（雙尾）
df
销售额
相關 顯著性（雙尾）
df
销售价格 1.000.0-.728.026 7
销售额-.728.026 7 1.000.0
由表
（十）可知，在家庭收入作为控制变量的条件下，销售价格和销售额的偏相关系数为-0.728，呈较强的负相关，高于简单相关系数。
第二篇：spss数据分析报告
关于某班级2012考试成绩、获奖情况统计分析
报告
一、数据介绍：
本次分析的数据为某班级学号排列最前的15个人在2012学习、获奖统计表，其中共包含七个变量，分别是：专业、学号、姓名、性别、第一学期的成绩、第二学期的成绩、考级考证数量，通过运用spss统计软件，对变量进行频数分析、描述分析、探索分析、交叉列联表分析，以了解该班级部分同学的综合状况，并分析各变量的分布特点及相互间的关系。
二、原始数据：
三、数据分析
1、频数分析
（1）第一学期考试成绩的频数分析
进行频数分析后将输出两个主要的表格，分别为样本的基本统计量与频数分析的结果
1）样本的基本统计量，如图1所示。样本中共有样本数15个，第一学期的考试成绩平均分为627.00，中位数为628.00，众数为630，标准差为32.859，最小值为568，最大值为675。“第一学期的考试成绩”的第一四分位数是602，第二四分位数为628，第三四分位数为657。
2）“第一学期考试成绩”频数统计表如图2所示。
3)“第一学期考试成绩”Histogram图统计如图3所示。
（2）、第二个学期考试成绩的频数分析
1）样本的基本统计量，如图4所示。第二学期的考试成绩平均分为463.47，中位数为452.00，众数为419，标准差为33.588，最小值为419，最大值为522。“第二学期的考试成绩”的第一四分位数是435，第二四分位数为452，第三四分位数为496。
3）“第二学期考试成绩”频数统计表如图5所示。3)“第二学期考试成绩”饼图统计如图6所
2、描述分析
描述分析与频数分析在相当一部分中是相重的，这里采用描述分析对15位同学的考级考证情况进行分析。
输出的统计结果如图7所示。从图中我们可以看到样本数15，最小值1，最大值4，标准差0.941等统计信息。
3.探索分析。
探索分析能够对变量进行更为深入、详尽的描述性统计分析。下面就利用探索式分析对不同性别的同学获奖情况进行探索分析。
1）在结果输出窗口中将看到如下统计数据。如图8所示，给出了输出的观察量。
2）图9所示给出了根据性别分组的各组描述统计量。根据表中的数据，2012，女生比男生获奖的次数多。
3）图10以茎叶图的形式也直观的呈现了女生获奖数量远远比男生多的现象。，4）图为稳健估计量表，给出了4种不同权重下因变量均值的稳健估计。
5）图11中给出了分组后的百分位数，分别输出男生和女生获奖数量的5%、10%、25%、75%、90%、及95%的百分位数。
4、交叉列联表分析
分析多个变量在不同取值情况下的数据分布情况，从而进一步的分析变量关系。下面就利用交叉列联表分析不同性别学生对目前所学专业的态度。在结果输出窗口中将显示如下统计数据。1）观察量处理摘要表，如图12所示，2）“性别”和“所学专业兴趣”的交叉列联表如图13所示，从图中我们可以看出，男生中对所学专业感兴趣的只有2个，（占22.2%），一般感兴趣的有4人，（占44.4%），不感兴趣的有3人，（占33.3%），理论值为3.6人感兴趣，3.0人一般感兴趣，2.4人不感兴趣，残差分别为-1.6，1.0，0.6。女生中对专业感兴趣的有4人，（占66.7%），一般感兴趣的有1人，（占16.7%），不感兴趣的也有1人，（占16.7%），理论值为2.44人感兴趣，2.0人一般感兴趣，1.6人不感兴趣，残差分别为1.6，-1.0，-0.6.可见，男生对目前所学专业的兴趣与女生有很大差别。
3）图14是交叉分组下的频数分布图，从该图中我们可以很直观的看到数据分布情况。
第三篇：spss数据分析报告怎么写
spss数据分析报告怎么写
今天乔布简历小编就和大家一起来看看spss数据分析报告怎么写。
关键词：spss数据分析报告怎么写
我们用一个例子来分析spss数据分析报告的写法——以某公司474名职工的综合状况为例进行分析。
一、数据介绍
本次分析的数据是某公司474名职工的状况统计表，其中有11个变量，分别是：职工编号、性别、出生日期、受教育水平程度、职务等级、起始工资、现工资、本单位工作经历、以前工作经历、民族类型、年龄。我们通过使用spss统计软件，对变量分别进行频数分析、描述性统计、方差分析，还有相关分析，来了解该公司职工上述方面的综合状况，并分析个别变量的分布特点和相互之间的关系。
二、数据分析
1、频数分析。我们通过频数分析可以了解变量的取值情况，对把握数据的分布特征非常重要。此次分析利用了某公司474名职工基本状况的统计数据表，在性别、受教育水平程度不同的状况下的频数分析，从而了解该公司职工的男女职工数量、受教育状况的基本分布。
首先，对该公司的男女性别分布进行频数分析，其次对原有数据中的受教育程度进行频数分析，并分别以表格的形式呈现出来。
2、描述统计分析。再通过简单的频数统计分析了解了职工在性别和受教育水平上的总体分布状况后，我们还需要对数据中的其他变量特征有更为精确的认识，这就需要通过计算基本描述统计的方法来实现。下面就对各个变量进行描述统计分析，得到它们的均值、标准差、片度峰度等数据，以进一步把我数据的集中趋势和离散趋势。
3、Exploratory data analysis。
（1）交叉分析。
在实际分析中，除了了解单个变量的分布特征，还要分析多个变量不同取值下的分布，掌握多个变量的联合分布特征，进而分析变量之间的相互影响和关系。就本数据而言，需要了解现工资与性别、年龄、受教育水平、起始工资、本单位工作经历、以前工作经历、职务等级的交叉分析。
（2）单因素方差分析。
我们把受教育水平和起始工资作为控制变量，现工资为观测变量，通过单因素方差分析方法研究受教育水平和起始工资对现工资的影响进行分析。
4、相关分析。事物之间的函数关系比较容易分析和测度，而事物之间的统计关系却不像函数关系那样直接，但确实普遍存在，并且有的关系强有的关系弱，程度各有差异。如何测度事物之间的统计关系的强弱是人们关注的问题。相关分析正是一种简单易行的测度事物之间统计关系的有效工具。
5、参数检验。对现工资的分布做正态性检验。
6、非参数检验。对本数据中的年龄做正态分布检验。
spss数据分析报告怎么写
http://cv.qiaobutang.com/knowledge/articles/56a9d1cb0cf2b3a2599171a1
第四篇：实验四报告
南京信息工程大学实验（实习）报告
实验（实习）名称子查询实验（实习）日期得分指导教师方忠进
系 计算机专业网络工程年级三班次2姓名李海磊学号 20112346047
一．实验目的1．掌握子查询的表示。
2．进一步掌握 SQL Server 查询分析器的使用方法，加深对 SQL语言的嵌套查询语句的理解
二．实验内容
1．在数据库 EDUC 中实现一下查询：
1）求选修了高等数学的学生学号和姓名；
2）求 C1 课程的成绩高于张三的学生学号和成绩；3）求其他系中比计算机系某一学生年龄小的学生信息（即求其它系中年龄小于计算机系年龄最大者的学生）；
4）求其他系中比计算机系学生年龄都小的学生信息；
5）求选修了 C2 课程的学生姓名；
6）求没有选修 C2 课程的学生姓名；
7）查询选修了全部课程的学生的姓名
8）求至少选修了学号为“S2”的学生所选修的全部课程的学生学号和姓名。
2．提高操作实验
建立“工程-零件”数据库及如下 4 个表，并输入实验数据，用 SQL 语句实现如下三个查询：1)求供应项目 j4 红色零件的供应商号及名称
2)求没有上海供应商生成的零件的项目号
3)至少使用了供应商 S5 所供应全部零件的项目号。
表结构如下：
供应商（S）：
三．实验步骤（详细）
第五篇：实验四频域分析
实验四连续信号与系统的频域分析
一、实验目的：
1、绘制非周期信号的频谱。
2、绘制系统的幅频及相频响应曲线。
二、实验内容
1、非周期信号的频谱
调出下列程序，并观察信号的频谱。
例：求单边指数信号f(t)e2tu(t)的傅里叶变换，并画出f(t)及其幅度谱和相位谱图。syms t w phase im re;%定义符号变量
f=exp(-2*t)*sym('heaviside(t)');
F=fourier(f);
subplot(311)
ezplot(f);
axis([-1 2.5 0 1.1]);
subplot(312)
ezplot(abs(F));%绘制幅度谱
im=imag(F);%计算F(jw)虚部
re=real(F);%计算F(jw)实部
phase=atan(im/re)%计算相位谱
subplot(313)
ezplot(phase);
1作业1：试画出矩形信号g(t)0t12的幅度频谱，观察其频率特性。1t22、MATLAB提供了函数freqs来实现连续系统频率响应H(j)的分析。该函数可以求出系统频率响应的数值解，并可绘出系统的幅频及相频响应曲线。调用格式如下：
（1）H=freqs(B,A,W);B为系统频率响应分子多项式系数，或者微分方程的右端系数，A为系统频率响应分母多项式系数，或微分方程左端系数。W为形如W1：P：W2的频率范围，P为频率采样间隔。输出参量H为返回在W所定义的频率点上，系统频率响应的样值。
abs(H)：求H的幅度响应；angle(H)：求H的相位响应。
作业2：某连续时间系统的频率响应为H(j)j3，求系统频率响应的样值，并绘出幅度2j3j2
响应曲线和相位响应曲线。
（2）freqs（B,A）；该调用格式并不返回系统频率响应的样值，而是以伯特图的方式绘出系统的幅度响应和相位响应曲线。
j222500作业3：已知某系统的频率响应H(j)，用以上命令绘制幅度响应和相位响应j2200j20000
曲线，并分析该系统的频率特性。
点击咨询 