【正文】 該用Repeated Measure菜單項，進行重復測量方差分析，條件滿足時，還可以進行趨勢分析。假設(shè)某汽車經(jīng)銷商為了研究東部、西部和中部地區(qū)市場上汽車的銷量是否存在顯著差異，在每個地區(qū)隨機抽取幾個城市進行調(diào)查統(tǒng)計，調(diào)查數(shù)據(jù)放置于數(shù)據(jù)文件“”中。在SPSS中試驗該檢驗的步驟如下：168。 步驟1：選擇菜單Analyze→Compare means→OneWay ANOVA，打開OneWay ANOVA對話框。依次將觀測變量sales移入Dependent list列表框，將因素變量region移入Factor列表框。 OneWay ANOVA對話框168。 單擊post Hoc按鈕，彈出Post Hoc Multiple Comparisons對話框，如圖，該對話框用于進行多重比較檢驗，即各因素水平下觀測變量均值的兩兩比較。方差分析的原假設(shè)是各個因素水平下的觀測變量均值都相等，備擇假設(shè)是各均值不完全相等。假如一次方差分析的結(jié)果是拒絕原假設(shè)，我們只能判斷各觀測變量均值不完全相等，卻不能得出各均值完全不相等的結(jié)論。各因素水平下觀測變量均值的更為細致的比較就需要用多重比較檢驗。 Post Hoc Multiple Comparisons對話框Equal Variances Assumed選項欄中給出了在觀測變量滿足不同因素水平下的方差齊性條件下的多種檢驗方法。這里選擇最常用的LSD檢驗法；Equal Variances Not Assumed選項欄中給出了在觀測變量不滿足方差齊性條件下的多種檢驗方法。這里選擇Tamhane’s T2檢驗法；Significance level輸入框中用于輸入多重比較檢驗的顯示性水平，默認為5％。168。 單擊Options按鈕，彈出options子對話框，如圖所示。在對話框中選中Descriptive復選框，輸出不同因素水平下觀測變量的描述統(tǒng)計量；選擇Homogeneity of variance復選框，輸出方差齊性檢驗結(jié)果；選中Means plot復選框，輸出不同因素水平下觀測變量的均值直線圖。 Options子對話框168。 在主對話框中點擊ok按鈕，可以得到單因素分析的結(jié)果。試驗結(jié)果分析：%的置信區(qū)間。 各個地區(qū)汽車銷量描述統(tǒng)計量Descriptives銷量 NMeanStd. DeviationStd. Error95% Confidence Interval for MeanMinimumMaximum Lower BoundUpper Bound 西10120194中9135198東7145224Total26120224。從表中可以看到，,所以得到不同地區(qū)汽車銷量滿足方差齊性的結(jié)論。，所以得到不同地區(qū)汽車銷量滿足方差齊性的結(jié)論。 各地區(qū)汽車銷量方差齊性檢驗表Test of Homogeneity of Variances Levene Statisticdf1df2Sig.223.302，輸出的方差分析表解釋如下：總離差SST＝，組間平方和SSR＝，組內(nèi)平方和或殘差平方和SSE＝，相應的自由度分別為25，2，23；組間均方差MSR＝，F(xiàn)＝，由于p＝＝，F(xiàn)檢驗是顯著的。即認為各個地區(qū)的汽車銷量并不完全相同。 單因素方差分析結(jié)果ANOVA銷量 Sum of SquaresdfMean SquareFSig.Between Groups2.013Within Groups23 Total25 多重比較檢驗結(jié)果Multiple ComparisonsDependent Variable: 銷量 (I) 地區(qū)(J) 地區(qū)Mean Difference (IJ)Std. ErrorSig.95% Confidence IntervalLower BoundUpper BoundLSD西中.107東(*).004中西.107 東.118東西(*).004 中.118Tamhane西中.199 東.054.61中西.199 東.436東西.054 中.436* The mean difference is significant at the .05 level.如前所述，拒絕單因素方差分析原假設(shè)并不能得出各地區(qū)汽車銷量均值完全不等的結(jié)論。表中上半部分為LSD檢驗結(jié)果，下半部分為Tamhane檢驗結(jié)果。由于方差滿足齊性，所以這里應該看LSD檢驗結(jié)果。表中的Mean difference列給出了不同地區(qū)汽車銷量的平均值之差。其中后面帶“﹡”號的表示銷量有顯著差異，沒有帶“﹡”號的表示沒有顯著差異。可以看出，東部和西部汽車銷量存在顯著差異，而中部與東部、中部與西部汽車銷量并沒有什么顯著差異。這一結(jié)論也可以從表中Sig列給出的p值大小得到印證。四、備擇試驗1. 用SPSS進行單因素方差分析。某個年級有三個小班，他們進行了一次數(shù)據(jù)考試，現(xiàn)從各班隨機地抽取了一些學生，記錄其成績?nèi)绫?。原始?shù)據(jù)文件保存為“”。數(shù)學考試成績表ⅠⅡⅢ736688776841896078317959824548785668439391629153803651767179737785967115787974808775768756859789，一個學期后，學生獨立思考水平提高的成績?nèi)绫硭?。學生獨立思考水平提高的成績方式137424243414245464140方式249484848474546474849方式333333532313534323233問：該數(shù)據(jù)中的因變量是什么？因素又是什么？如何建立數(shù)據(jù)文件？對該數(shù)據(jù)進行方差分析，檢驗3種方式的影響是否存在顯著差異？試驗5：相關(guān)分析與回歸分析 一、試驗目標與要求本試驗項目的目的是學習并使用SPSS軟件進行相關(guān)分析和回歸分析，具體包括：(1) 皮爾遜pearson簡單相關(guān)系數(shù)的計算與分析(2) 學會在SPSS上實現(xiàn)一元及多元回歸模型的計算與檢驗。(3) 學會回歸模型的散點圖與樣本方程圖形。(4) 學會對所計算結(jié)果進行統(tǒng)計分析說明。(5) 要求試驗前，了解回歸分析的如下內(nèi)容。168。 參數(shù)α、β的估計168。 回歸模型的檢驗方法：回歸系數(shù)β的顯著性檢驗（t－檢驗）；回歸方程顯著性檢驗（F－檢驗）。二、試驗原理1．相關(guān)分析的統(tǒng)計學原理相關(guān)分析使用某個指標來表明現(xiàn)象之間相互依存關(guān)系的密切程度。用來測度簡單線性相關(guān)關(guān)系的系數(shù)是Pearson簡單相關(guān)系數(shù)。2．回歸分析的統(tǒng)計學原理相關(guān)關(guān)系不等于因果關(guān)系，要明確因果關(guān)系必須借助于回歸分析?；貧w分析是研究兩個變量或多個變量之間因果關(guān)系的統(tǒng)計方法。其基本思想是，在相關(guān)分析的基礎(chǔ)上，對具有相關(guān)關(guān)系的兩個或多個變量之間數(shù)量變化的一般關(guān)系進行測定，確立一個合適的數(shù)據(jù)模型，以便從一個已知量推斷另一個未知量?；貧w分析的主要任務就是根據(jù)樣本數(shù)據(jù)估計參數(shù)，建立回歸模型，對參數(shù)和模型進行檢驗和判斷，并進行預測等。線性回歸數(shù)學模型如下：在模型中，回歸系數(shù)是未知的，可以在已有樣本的基礎(chǔ)上，使用最小二乘法對回歸系數(shù)進行估計，得到如下的樣本回歸函數(shù)：回歸模型中的參數(shù)估計出來之后，還必須對其進行檢驗。如果通過檢驗發(fā)現(xiàn)模型有缺陷，則必須回到模型的設(shè)定階段或參數(shù)估計階段，重新選擇被解釋變量和解釋變量及其函數(shù)形式，或者對數(shù)據(jù)進行加工整理之后再次估計參數(shù)?；貧w模型的檢驗包括一級檢驗和二級檢驗。一級檢驗又叫統(tǒng)計學檢驗，它是利用統(tǒng)計學的抽樣理論來檢驗樣本回歸方程的可靠性，具體又可以分為擬和優(yōu)度評價和顯著性檢驗；二級檢驗又稱為經(jīng)濟計量學檢驗，它是對線性回歸模型的假定條件能否得到滿足進行檢驗，具體包括序列相關(guān)檢驗、異方差檢驗等。三、試驗演示內(nèi)容與步驟1．連續(xù)變量簡單相關(guān)系數(shù)的計算與分析在上市公司財務分析中，常常利用資產(chǎn)收益率、凈資產(chǎn)收益率、每股凈收益和托賓Q值4個指標來衡量公司經(jīng)營績效。本試驗利用SPSS對這4個指標的相關(guān)性進行檢驗。操作步驟與過程：168。 打開數(shù)據(jù)文件“上市公司財務數(shù)據(jù)(連續(xù)變量相關(guān)分析).sav”,依次選擇“Analyze→Correlate→Bivariate”打開對話框如圖，將待分析的4個指標移入右邊的Variables列表框內(nèi)。其他均可選擇默認項，單擊ok提交系統(tǒng)運行。 Bivariate Correlations對話框結(jié)果分析：表給出了Pearson簡單相關(guān)系數(shù)，相關(guān)檢驗t統(tǒng)計量對應的p值。從表中可以看出，每股收益、對應的p值都接近0，表示3個指標具有較強的正相關(guān)關(guān)系，而托賓Q值與其他3個變量之間的相關(guān)性較弱。 Pearson簡單相關(guān)分析Correlations 每股收益率凈資產(chǎn)收益率資產(chǎn)收益率托賓Q值每股收益率Pearson Correlation1.877(**).824(**)Sig. (2tailed)..000.000.199N315315315315凈資產(chǎn)收益率Pearson Correlation.877(**)1.808(**)Sig. (2tailed).000..000.983N315315315315資產(chǎn)收益率Pearson Correlation.824(**).808(**)1.011Sig. (2tailed).000.000..849N315315315315托賓Q值Pearson Correlation.0111Sig. (2tailed).199.983.849.N315315315315** Correlation is significant at the level (2tailed).2．一元線性回歸分析實例分析：家庭住房支出與年收入的回歸模型在這個例子里，考慮家庭年收入對住房支出的影響，建立的模型如下：其中，yi是住房支出，xi是年收入線性回歸分析的基本步驟及結(jié)果分析：（1）繪制散點圖 打開數(shù)據(jù)文件，選擇Graphs Scatter Simple…。 散點圖對話框單擊Define，打開Simple Scatterplot子對話框，分別將“住房支持”進入y欄，將“年收入”進入x欄。單擊ok提交系統(tǒng)運行。 Simple Scatterplot 子對話框 散點圖從圖上可直觀地看出住房支出與年收入之間存在線性相關(guān)關(guān)系。（2）簡單相關(guān)分析選擇Analyze—Correlate—bivariat…,打開對話框，將變量“住房支出”與“年收入”移入variables列表框，點擊ok運行。 住房支出與年收入相關(guān)系數(shù)表Correlations 住房支出（千美元）年收入（千美元）住房支出（千美元）Pearson Correlation1.966(**) Sig. (2tailed)..000 N2020年收入（千美元）Pearson Correlation.966(**)1 Sig. (2tailed).000. N2020** Correlation is significant at the level (2tailed).，故變量之間顯著相關(guān)。根據(jù)住房支出與年收入之間的散點圖與相關(guān)分析顯示，住房支出與年收入之間存在顯著的正相關(guān)關(guān)系。在此前提下進一步進行回歸分析，建立一元線性回歸方程。 (3) 線性回歸分析步驟1：選擇菜單“Analyze—Regression—Linear”，打開Linear Regression 對話框。將變量住房支出y移入Dependent列表框中，將年收入x移入Independents列表框中。在Method 框中選擇Enter 選項，表示所選自變量全部進入回歸模型。 Linear Regresssion對話框步驟2：單擊Statistics按鈕，如圖在Statistics子對話框。該對話框中設(shè)置要輸出的統(tǒng)計量。這里選中Estimates、Model fit復選框。 Statistics子對話框168。 Estimates：輸出有關(guān)回歸系數(shù)的統(tǒng)計量，包括回歸系數(shù)、回歸系數(shù)的標準差、標準化的回歸系數(shù)、t統(tǒng)計量及其對應的p值等。168。 Confidence intervals：輸出每個回歸系數(shù)的95％的置信度估計區(qū)間。168。 Covariance matrix：輸出解釋變量的相關(guān)系數(shù)矩陣和協(xié)差陣。168。 Model fit：輸出可決系數(shù)、調(diào)整的可決系數(shù)、回歸方程的標準誤差、回歸方程F檢驗的方差分析。168。 R squared c