【正文】 ，與經(jīng)濟發(fā)展程度、居民收入以及道路建設(shè)等有著密切的聯(lián)系。 Step03：回歸分析 在第二步因子分析中得到了不同年份的因子得分，這些因子得分充分反映了不同年份的綜合經(jīng)濟發(fā)展值。在表 133中，第一個因子的特征根值為 0，解釋了原有 6個變量總方差的 ％。 3 預(yù)測私車保有量 （ 1）預(yù)測綜合經(jīng)濟發(fā)展值 繪制綜合經(jīng)濟發(fā)展變量 “ FAC11”的時間序列圖 136看到，該變量的增長基本呈線性趨勢，于是可以采用線性回歸來估計該變量在2020年的取值。它表明，對原有六個變量如果采用主成分分析法提取所有六個特征根，那么原有變量的所有方差都可被解釋，變量的共同度均為 1。單擊 【 Extraction】 按鈕，勾選 【 Scree plot】 復(fù)選框，其他選項保持系統(tǒng)默認，單擊 【 Continue(繼續(xù) )】 按鈕返回主對話框。在 2020年，我國汽車銷量為 710多萬輛，私人購買比例超過 77%，中國已經(jīng)成為僅次于美國的全球第二大新車市場。由于概率 P值 ，故認為不同性別下的購買顧慮值的方差是相同的，滿足方差分析的前提條件。在 【 Minimum(最小值 )】 文本框中輸入 1，在 【 Maximum(最大值 )】 文本框中輸入 5。由于我們要綜合考慮消費顧慮，于是將每個被調(diào)查者從第 9問到第 20問的得分相加，就可以得到綜合顧慮值；然后通過單因素方差分析來分析性別、教育程度等因素對消費顧慮有無顯著性影響。同時單擊數(shù)據(jù)瀏覽窗口的 【 Variable View】 按鈕，檢查各個變量的數(shù)據(jù)結(jié)構(gòu)定義是否合理，是否需要修改調(diào)整。請利用這些資料分析以下問題： 問題一：請你將被調(diào)查者的基本信息作簡要統(tǒng)計說明。勾選 【 Display clustered bar charts(顯示復(fù)式條形圖 )】 復(fù)選框，顯示列聯(lián)表柱狀圖。 Step03：收入對購買顧慮的差異性研究 同樣，也首先考慮利用單因素方差分析來研究收入程度對消費者購買顧慮有無顯著性差異。行變量是 “ 年齡 ” 變量，列變量是 “ 性別 ” 變量。 （ 2）秩統(tǒng)計表 表 129是多獨立樣本非參數(shù)檢驗的秩統(tǒng)計表。 請根據(jù)附表中的相關(guān)數(shù)據(jù)分析影響該地區(qū)私人汽車保有量的因素，并預(yù)測到 2020年該地區(qū)私人汽車保有量有多少？ 實例的 SPSS軟件操作詳解 本實例要求分析人均國內(nèi)生產(chǎn)總值、全社會消費品零售總額等因素對私人汽車保有量的影響情況，并做相應(yīng)的預(yù)測分析。同時，選擇 “ FAC11”變量設(shè)定為自變量，將其添加至 【 Variable(變量 )】列表框中。從結(jié)果看，第一主因子在這六個指標(biāo)上的載荷值都很大，說明它綜合反映了該地區(qū)綜合經(jīng)濟發(fā)展值，故可以作為綜合經(jīng)濟發(fā)展值看待。同時在原數(shù)據(jù)瀏覽窗口中新增了變量 “ FAC1_ 1”，它表示不同年份的綜合經(jīng)濟發(fā)展值。注意，這里的上限值可以調(diào)整完善。但是要全部考慮這些指標(biāo)是非常困難的，這是因為指標(biāo)數(shù)量眾多，難以全部考慮。比較平均秩大小看到，這五種收入水平的購買顧慮值差異較大。對比行分比、列百分比和合計百分比看到，男性中約一半的調(diào)查者年齡都介于 2130歲之間，而對于女性調(diào)查者來說， “ 20歲以下 ” 和 “ 2130歲 ” 所占比例最高，達到了 %和 %。于是可以考慮采用非參數(shù)檢驗中的多獨立樣本均值檢驗方法。在 【 Counts(計數(shù) )】 選項組中勾選 【 Observed(觀察值 )】 復(fù)選框；在 【 Percentages(百分比 )】 選項組中勾選【 Row(列