spss统计分析三大检验回归诊断因子分析.ppt

T检验;1.1 比较均值、ANOVA;点击分析(A),再点击比较均值(M),选择均值(M).如下图所示;选择需要分析的对象,这里我们把身高作为因变量,性别作为自变量.如下图所示.;在步骤3中,我们可以根据自己的需要,选择要得到的相关数值,点击选项,把统计量中自己需要的统计量点击到单元格统计量中,也可以在第一层的统计量中选择Anova表和eta(A)和线性相关检验,我们这里只选择前者.如图所示.;根据男性和女性两种性别观察其身高均值情况单因素方差分析，原假设H0:总体中男性和女性在身高无显著差异，即所有总体的均值都相等。由于sig=0.110大于0.05，就接受H0，认为两组身高无显著差异。;1.2单样本T检验;点击分析(A),选择比较均值(M),点击单样本T检验(S),如图所示;将耐电压值放到检验变量(T)中,我们在这里将检验值设为500,如图所示;点击选项(O),我们会发现置信区间百分比(C)的默认值为0.95,我们这里选择默认值;通过结果我们可以看出:单个样本统计量包括检验的总体均值(304.68),标准差(224.18)以及t统计量(-3.896)等.本例的双侧Sig值为0.0000.05,因此认为在0.05的显著性水平下,拒绝虚无假设，接受对立假设，即耐电压值与500存在显著性差异。;1.3独立样本t检验;1)利用F检验判断两总体的方差是否相等；利用t检验判断两总体均值是否存在显著差异。;1.4配对样本T检验;找到分析-比较均值-配对样本T检验，将其单击打开。;需要从原变量中选择成对变量进行配对。如下图所示，根据成对的变量自定义进行选择配对。;单击选项，打开的是置信区间百分比，默认的是95%，缺失值的处理方法用第一种;第一个表格是数据的基本描述。第二个是数据前后变化的相关系数，那个概率P值是相关系数的概率值，概率大于显著性水平0.05，则说明数据变化前后没有显著的线性变化，线性相关程度较弱。第三个表格是数据相减后与0的比较，通过概率值为0，小于显著性水平0.05，则拒绝原假设，相减的差值与0有较大差别，则表明数据变化前后有显著的变化。;卡方检验（非参数检验）;1.1变量独立性（两种特征是否在总体分布独立）;变量独立性检验： 原假设H0：婚姻状况与住房满意度相互独立（总体中婚姻状况与住房满意度无显著影响）由于SIG值均大于0.05，故接受原假设，即在0.05显著水平上，婚姻状况与住房满意度无显著影响影响关系。;1.2总体同质性检验;F检验;F检验在方差分析中的应用方差分析：通过分析单个或多个因素是否在不同水平样本下的均值存在显著性差异。单因素方差分析：用来研究一个因素的不同水平是否对观测变量产生了显著影响，即检验由单一因素影响的一个（或几个相互独立的）因变量在因素各水平分组的均值之间的差异是否均有统计意义。;不同的地区可能是导致广告销售额不同。本例中，地区是因素，其中有18个不同水平，广告销售额是因变量（观测变量）;实例结果及分析;F检验在回归模型显著性中的应用实例分析：人均可支配收入和人均消费性支出;模型汇总即对方程拟合情况的描述，R方就是自变量所能解释的方差在总方差中所占的百分比，值越大说明模型的效果越好。案例计算的回归模型中R方等于0.994，模型拟合效果较好。;回归系数表列出来本案例进行的医院回归模型常数项、回归系数的估计值和检验的结果。可见b0=158.512,b1=0.756,故回归方程如下：年人均消费性支出=158.512+0.756*年人均可支配收入，即人均可支配收入每增加一个单位，年人均消费性支出增加0.756个单位。;因子分析：主成分分析的内在原理和过程;因子分析的计算过程;实例分析：全国各地区不同所有制单位平均收入排名;;实例操作略，直接看实例结果及分析;因子分析共同度显示了所有变量的共同度数据。第二列是初始解，对原有七个变量如采用主成分分析法提取所有特征根，那么原有变量的所有方差都可被解释，变量的共同度均为1，原有变量标准化后的方差为1。。;;;该表显示了旋转钱的因子载荷矩阵，是因子分析的核心内容。通过过载荷系数大小可以分析不同公共因子所反映的主要指标的区别。少部分指标解释能力较差，采用因子旋转方法使得因子载荷系数向0和1两极分化，是大的载荷更大，小的更小。;;;;回归分析：五条假设，系数解读;回归分析的步骤;线性趋势：自变量与因变量之间呈线性关系，可以以年人均可支配收入作为Y轴，人均使用面积和教育支出作为X轴，通过绘制散点图来加以判断是不是满足此要求。;1.是否存在异方差 先看pp图再看ks检验;H0:模型的误差项分布与标准正态分布无显著差异，由下表可知，由于sig分别为0.829和0.969均大于显著性水平0.05，故说明模型的误差项与标准正态分布无显著差