SPSS實驗報告

1、第六章 方差分析一 實驗目的1 理解方差分析的概念、原理及作用;2 掌握用 SPSS 進行單因素、雙因素及協(xié)方差分析的方法;3 結合參考資料了解方差分析的其它方法及作用。二 方差分析的原理方差分析的基本原理是認為不同處理組的均值間的差別基本來源有兩個：（1）隨機誤差，如測量誤差造成的差異或個體間的差異，稱為組內(nèi)差異，用變量在各組的均值與該組內(nèi)變量值之偏差平方和的總和表示，記作w SS ，組內(nèi)自由度w df ;（2）實驗條件，即不同的處理造成的差異，稱為組間差異。用變量在各組的均值 與總均值之偏差的總平方和表示，記作b SS ，組間自由度b df 。三 實驗過程1. 某農(nóng)場為了比較4種不同品種的

2、小麥產(chǎn)量的差異，選擇土壤條件基本相同的土地，分成16塊，將每一個品種在4塊試驗田上試種，測得小表畝產(chǎn)量（kg）的數(shù)據(jù)如表6.17所示（數(shù)據(jù)文件為data6-4.sav），試問不同品種的小麥的平均產(chǎn)量在顯著性水平0.05和0.01下有無顯著性差異。（數(shù)據(jù)來源：SPSS實用統(tǒng)計分析 郝黎仁，中國水利水電出版社）表6.17 小麥產(chǎn)量的實測數(shù)據(jù)品種A1A2A3A4產(chǎn)量277.5244.2249.2273276.4249.5244.2240.9271236.8252.8257.4272.4239251.4266.5實驗步驟：第1步 分析：由于有一個因素（小麥），而且是4種飼料。故不能用獨立樣本T 檢驗（

3、僅適用兩組數(shù)據(jù)），這里可用單因素方差分析；第2步 數(shù)據(jù)的組織：分成兩列，一列是試驗田的產(chǎn)量（output），另一列是小麥品種（breed）（A、B、C、D）；第3步 方差相等的齊性檢驗：由于方差分析的前提是各個水平下(這里是不同品種的小麥產(chǎn)量)的總體服從方差相等的正態(tài)分布。其中正態(tài)分布的要求并不是很嚴格，但對于方差相等的要求是比較嚴格的。因此必須對方差相等的前提進行檢驗。從SPSS的數(shù)據(jù)管理窗口中選擇analyzecompare meansOne-Way ANOVA，將小麥產(chǎn)量（output）選入dependent list框中，將品種（breed）選入factor框中，點開Options，選

4、中Homogeneity of variance test（方差齊性檢驗），點開post hoc multiple comparisons，將significance level的值在兩次實驗時分別設置為0.01和0.05。如下圖所示：實驗結果及分析：在0.05的顯著性水平下不同小麥的等齊性檢驗：方差齊性檢驗的H0假設是方差相等，從上表可看出Sig.=0.046>0.05，說明應該接受H0假設。幾種小麥的方差檢驗結果（如下）：組間平方和為2263.482，自由度（df）為3，均方為754.494；組內(nèi)平方和為744.715，自由度為12，均方為62.060,；F統(tǒng)計量為12.518。由于

5、組間比較的相伴概率Sig(P值)=0.001<0.05，故應拒絕H0假設（四種小麥的產(chǎn)量無顯著性差異），說明四種小麥的產(chǎn)量有顯著性差異。在0.01的顯著水平下：在等齊性檢驗中Sig.=0.46>0.01,所以接受H0假設（四種小麥產(chǎn)量無顯著性差異），組間比較的相伴概率Sig(P值)=0.001<0.01, 故應拒絕H0假設（四種小麥的產(chǎn)量無顯著性差異），說明四種小麥的產(chǎn)量有顯著性差異。因此，在顯著性水平0.05和0.01下，四種不同小麥的產(chǎn)量有顯著性差異2. 某公司希望檢測四種類型的輪胎A，B，C，D的壽命（由行駛的里程數(shù)決定），見表6.18（單位：千英里）（數(shù)據(jù)文件為dat

6、a6-5.sav），其中每種輪胎應用在隨機選擇的6輛汽車上。在顯著性水平0.05下判斷不同類型輪胎的壽命間是否存在顯著性差異？（數(shù)據(jù)來源：統(tǒng)計學（第三版），M.R.斯皮格爾，科學出版社）表6.18 四種輪胎的壽命數(shù)據(jù)A333836403135B324042383034C313735333430D293432303331實驗步驟：第1 步 分析：由于有一個因素（輪胎），而且是4種飼料。故不能用獨立樣本T 檢驗（僅適用兩組數(shù)據(jù)），這里可用單因素方差分析；第2 步 數(shù)據(jù)的組織：分成兩列，一列是輪胎（tyre），另一列是里程（mileage）；第3步：方差相等的齊性檢驗：由于方差分析的前提是各個水平下

7、(這里是不同類型輪胎的壽命)的總體服從方差相等的正態(tài)分布。其中正態(tài)分布的要求并不是很嚴格，但對于方差相等的要求是比較嚴格的。因此必須對方差相等的前提進行檢驗。從SPSS的數(shù)據(jù)管理窗口中選擇analyzecompare meansOne-Way ANOVA，將輪胎（tyre）選入dependent list框中，將里程（mileage）選入factor框中，點開Options，選中Homogeneity of variance test（方差齊性檢驗），點開post hoc multiple comparisons，將significance level的值設置為0.05。實驗結果及分析：從上面

8、兩個表可以看出：方差齊性檢驗的H0假設是方差相等，從上表可看出Sig.=0.50>0.05，說明應該接受H0假設。組間平方和為77.500，自由度（df）為3，均方為25.833；組內(nèi)平方和為216.333，自由度為20，均方為10.817；2.388。由于組間比較的相伴概率Sig(P值)=0.99>0.05，故應接受H0假設（四種輪胎的壽命無顯著性差異），說明四種輪胎的壽命無顯著性差異。如果想進一步了解空間是哪種和其他組有顯著性的均值差別（即哪種輪胎更好），就需要在多個樣本均值間進行兩兩比較。單擊 Post Hoc 按鈕，打開擊 Post Hoc 按鈕，打開One-Way ANO

9、VA:Post Hoc MultipleComparisions 對話框，如圖所示。在其中可以選擇一種或幾種比較分析的方法。輸出結果為：從上面分析我們可以看出，B型輪胎相比于A、C、D、要好，D型輪胎的壽命最短。3. 某超市將同一種商品做3種不同的包裝（A）并擺放在3個不同的貨架區(qū)（B）進行銷售試驗，隨機抽取3天的銷售量作為樣本，具體資料見表6.20。要求檢驗：在顯著性水平0.05下商品包裝、擺放位置及其搭配對銷售情況是否有顯著性影響。（數(shù)據(jù)來源：應用統(tǒng)計學 耿修林，科學出版社；數(shù)據(jù)文件：data6-7.sav）表6.20 銷售樣本資料B1B2B3A15,6,46,8,74,3,5A27,8,

10、85,5,63,6,4A33,2,46,6,58,9,6實驗步驟：第1 步 分析：需要研究不同教學方法和不同性別對數(shù)學成績的影響。這是一個多因素(雙因素)方差分析問題。第2 步 按Analyze|General Linear Model|Univariate 的步驟打開Univariate 對話框。并將“銷量”變量移入Dependent Variable 框中，將“包裝”和“擺放位置”移入Fixed Factor(s)中，如圖：第3 步 單擊Options，由于方差分析的前提上方差相等，故應進行方差齊性檢驗，選中“Homogeneity tests”；第4 步。打開Univariate:Pos

11、t Hoc Multiple Comparisons for Observed Means對話框，在其中選出需要進行比較分析的對話框，這里選“組別”，再選擇一種方差相等時的檢驗模型和不相等時的檢驗模型；第5 步 選擇建立多因素方差分析的模型種類。打開Model 對話框，本例用默認的Full factorial模型。這種模型將觀察變量總的變異平方和分解為多個控制變量對觀察變量的獨立部分、多個控制變量交互作用部分以及隨機變量影響部分。第6 步 以圖形方式展示交互效果。如果各因素間無交互效果，則各個水平對應的圖形應近于平行，否則相交。點開Plots,選擇兩個變量之交互作用，如圖：第7 步 對控制變量

12、各個水平上的觀察變量的差異進行對比檢驗。選擇Contrasts 對話框，對兩種因素均進行對比分析，方法用Simple 方法，并以最后一個水平的觀察變量均值為標準。（選擇Contrasts 方式后需單擊Change 進行確認）第8 步 運行結果及分析。實驗結果及分析：分組描述：方差齊性檢驗結果：是對銷量進行方差齊性檢驗的結果，可以看出方差無顯著差異，應用前面的LSD 方法的結果 如下：多因素方差分析及交互檢驗：該表是進行多因素方差分析的主要部分，由于指定建立飽和模型，因此總的離差平方和分為3個部分：多個控制變量對觀察量的獨立作用、交互作用及隨機變量的影響。關于多個控制變量的獨立作用部分。不同包裝

13、貢獻離差平方和為0.963，均方0.481 不同擺放位置貢獻離差平方和為3.185，均方為1.593，這說明擺放位置比包裝影響大。從相伴概率來看，都小于0.05，說明兩者均有影響。關于多個控制變量的交互作用部分，這里組別與性別的交互作用的離差平方和為61.259，均方為15.315，F(xiàn) 值與相伴概率為14.259 和0.000。表明它們的交互作用對觀察結果造成了顯著影響。Error 部分是隨機變量影響部分。上圖是包裝變量的均值比較結果，可以看第1，2 組與第3 組比較的均值差異均顯著。下圖是擺放位置變量的均值比較結果，可以看第1，2 組與第3 組比較的均值差異均顯著。4. 研究楊樹一年生長量與

14、施用氮肥和鉀肥的關系。為了研究這種關系，一共進行了18個樣地的栽培實驗，測定楊樹苗的一年生長量、初始高度、全部實驗條件（包括氮肥量和鉀肥量）及實驗結果（楊樹苗的生長量）數(shù)據(jù)如表6.21，請在顯著水平0.05下檢驗氮肥量、鉀肥量及樹苗初始高度中哪些對楊樹的生長有顯著性影響。（數(shù)據(jù)來源：生物數(shù)學模型的統(tǒng)計學基礎李勇，科學出版社；數(shù)據(jù)文件：data6-8.sav）表6.21 楊樹栽培試驗數(shù)據(jù)序號氮肥量鉀肥量樹苗初高生長量序號氮肥量鉀肥量樹苗初高生長量1少04.51.8510多06.52.152少06211多061.993少041.612多06.52.064少12.56.5213多12.541.935

15、少12.572.0414多12.562.16少12.551.9115多12.55.52.157少2572.416多2554.28少2554.2517多2562.39少2552.118多255.54.25實驗步驟：第1 步 分析：入學成績肯定會對最后成績有所影響，這里著重分析不同教學方法的影響，就應該將生長量的影響去除。就應該用到協(xié)方差分析。第2 步 按以下步驟analyze|general linear model|univariate，將樹苗初高為協(xié)變量，并按以下設置：第3 步 其它設置與多因素方差分析大同小異。實驗結果及分析：可以看出氮肥量和初始高度的影響是不顯著的，而鉀肥量的影響是顯著的

16、。第八章 相關分析一 實驗目的1 理解相關分析的概念、原理及在統(tǒng)計中的作用;2 掌握用 SPSS 進行兩個變量間的相關分析;3 掌握用 SPSS 進行偏相關分析;4 掌握用 SPSS 進行距離分析。二 相關分析的基本概念及原理1、基本概念人們在實踐中發(fā)現(xiàn)，變量之間關系分為兩種類型：函數(shù)關系和相關關系。函數(shù)關系是變量間的一咱確定性關系。但是，在實際問題中，變量間的關系往往并不是那么簡單，也就是說，變量之間有著密切關系，但又不能由一個（或幾個）變量的值確定另一個變量的值，這種變量之間的關系是不確定性關系，稱為相關關系。其特點是：一個變量的取值不能由另一個變量唯一確定，即當自變量x取某個值時，因變量

17、y的值可能會有多個。這種關系不確定的變量顯然不能用函數(shù)形式予以描述，但也不是雜亂無章、無規(guī)律可循的。2 基本數(shù)學原理為了準確度量兩個變量之間關系的密切程度，用相關系數(shù)來度量。對兩個變量之間線性相關程度的度量稱為簡單相關系數(shù)。若相關系數(shù)是根據(jù)總體全部數(shù)據(jù)計算的，稱為總體相關系數(shù)，記為 ;若根據(jù)樣本數(shù)據(jù)計算的，稱為樣本相關系數(shù)，記為r 。r>0，正相關，表明自變量和因變量呈相同方向變化;r<0,負相關;r的絕對值愈接近1，表示x,y愈接近線性相關。當|r|=1時，y的取值完全依賴于x，兩者為函數(shù)關系，是完全的線性關系;r的絕對值愈接近0，表示x,y愈沒有線性相關關系。當 r=0,表示兩

18、個變量之間不存在線性相關系。當0<r<1，表示x,y有相關關系，但是非線性關系。|r|>=0.8,視為高度相關;0.5<=|r|<0.8，視為中度相關;|r|<0.3視為不相關。 偏相關系數(shù)的檢驗：在利用本研究總體的特性時，由于抽樣誤差的存在，樣本中控制了其他變量的影響，兩個變量間偏相關系數(shù)不為0，不能說明總體中這兩個變量間的偏相關系數(shù)不是0，因此必須進行檢驗。檢驗的零假設：總體中兩個變量間的偏相關系數(shù)為0。三 實驗過程3 K.K.Smith在煙草雜交繁殖的花上收集到如表8.16所示的數(shù)據(jù)，要求對以上3組數(shù)據(jù)兩兩之間進行相關分析，以0.05的顯著性水平檢驗相

19、關系數(shù)的顯著性。（數(shù)據(jù)來源：統(tǒng)計軟件SPSS系列應用實踐篇 蘇金明 ，電子工業(yè)出版社；數(shù)據(jù)文件：data8-5.sav）表8.16 K.K.Smith所調(diào)查的長度資料花瓣長494432423253363937454148453940343735花枝長272412221329142016212225231820152013花萼長191612171019151415211422221514151516實驗步驟：第1步 分析：分析三組數(shù)據(jù)的兩兩之間的相關性，而且給出的是具體的數(shù)值，這是一個二元相關性問題；第2步 數(shù)據(jù)組織：將三個變量分別定義為花瓣、花枝和花萼；第3步 按Analyze|Correla

20、te|Bivariate順序打開二元變量的分析主對話框Bivariate Correlations并作如下圖所作的設置：實驗結果及分析：運行結果中給出了3個變量兩兩之間的Pearson相關系數(shù)（Pearson Correlation）、雙側顯著情況 檢驗概率（Sig.(2-tailed)）和數(shù)據(jù)組數(shù)（N）。腳注內(nèi)容顯示相關分析結果在0.01的水平上顯著。另外，從表中可以看出，花瓣長和花枝長的數(shù)據(jù)具有很強的相關性。而雙側檢驗的顯著性概率均小于0.05，因此否定零假設（零假設是變量之間不具有相關性），認為相關系數(shù)不為零，變量之間具有相關性。4. 試確定1962-1988年安徽省國民收入與城鄉(xiāng)居民儲

21、蓄存款余額兩個變量間的線性相關性，數(shù)據(jù)如表8.17所示。（數(shù)據(jù)來源：數(shù)據(jù)統(tǒng)計與管理 1990年第5期，中國商場統(tǒng)計研究會主辦；數(shù)據(jù)文件：data8-6.sav）表8.17 1962-1988年安徽省國民收入數(shù)據(jù)表年份19621963196419651966196719681969197019711972197319741975國民收入(億元)34.6135.6739.5247.3254.1450.8649.6951.6165.0672.5777.7283.578287.44存款余額(億元)0.590.710.8511.221.141.321.281.351.61.874.22.552.61年份

22、1976197719781979198019811982198319841985198619871988國民收入(億元)95.6397.23103.81116.29127.87150.29161.47180.2221.17271.81310.53357.86444.78存款余額(億元)2.743.133.915.758.7612.1916.3620.9528.3238.4355.4374.289.83實驗步驟：第1步 分析：由于對不同年份的國民收入和存款余額均是定序數(shù)據(jù)，故考慮二元定序變量的相關性進行分析；第2步 數(shù)據(jù)組織：將三個變量分別定義為年份、國民收入、存款余額;第3步 按Analyze

23、|Correlate|Bivariate順序打開二元變量的分析主對話框Bivariate Correlations并作如下圖所作的設置；運行即可。實驗結果及分析：從實驗結果的上半部分可以看出兩個變量的Kendall相關系數(shù)為0.972>0，雙尾檢驗的相伴概率為0.000<0.05，應拒絕兩變量不相關的原假設，說明兩變量具有顯著的正相關性；從下半部分可以看出，兩變量的Spearman相關系數(shù)為0.995>0，同時雙尾檢測的相伴概率值Sig.=0.000<0.05，也說明了兩變量呈顯著的正相關。從表的腳注也可以看出雙尾檢測下兩變量在0.01水平上具有顯著的正相關性。5. 某

24、高校抽樣得到10名短跑運動員，測出100米的名次和跳高的名次如表8.18，問這兩個名次是否在0.05的顯著性水平下具有相關性。（數(shù)據(jù)來源：應用統(tǒng)計學：數(shù)據(jù)統(tǒng)計方法、數(shù)據(jù)獲取與SPSS應用 馬慶國，科學出版社；數(shù)據(jù)文件：data8-7.sav）表8.18 10名運動員的100米及跳高名次百米名次12345678910跳高名次43152710896實驗步驟：第1步 分析：考慮是百米名次和跳高名次的相關性問題，應用二元變量的相關性進行分析；第2步 數(shù)據(jù)組織：將兩個變量分成兩列，分別定義為百米名次、跳高名次；第3步 按Analyze|Correlate|Bivariate順序打開二元變量的分析主對話B

25、ivariateCorrelations，將“百米名次”和 “跳高名次”兩變量移入variables框中，選擇person相關系數(shù)；在test of significance中選擇單尾檢驗；單擊再單擊Options按鈕，打開Bivaiate Correlations:Option對話框，選擇Statistics方框內(nèi)的兩個復選框，如下圖：實驗結果及分析：描述性統(tǒng)計表：上表是對兩種名次的描述性結果，百米名次的均值為5.50，標準差為3.028；跳高名次的均值為5.50，標準差為3.028,；記錄數(shù)共10條。相關分析結果表：從表中可以看出，相關系數(shù)為0.697>0，說明呈正相關，而相伴概率值

26、Sig.=0.13>0.05，因此應接受零假設（H0：兩個變量之間不具相關性），即說明百米名次不受跳高名稱的顯著性影響。6. 某公司太陽鏡銷售情況如表8.19所示，請分析銷售量與平均價格、廣告費用和日照時間之間的關系，并說明此題用偏相關分析是否有實際意義（顯著性水平為0.05）。（數(shù)據(jù)來源：SPSS for Windows統(tǒng)計分析（第3版） 盧紋岱，電子工業(yè)出版社；數(shù)據(jù)文件：data8-8.sav）表8.19 某公司銷售太陽鏡的數(shù)據(jù)月份123456789101112銷量759014818324226327831825620014080價格6.86.563.532.92.62.13.13.

27、64.24.2廣告費用2567222528302218102日照時間2.444.26.888.410.411.59.66.13.42實驗步驟：第1步 分析：這3個因素彼此均有影響，分析時應對銷售量與另外三個因素分別求偏相關，在銷售量與一個因素的相關時控制其他因素的影響，然后比較相關系數(shù)，按3個因素對太陽鏡銷售量的影響的大小排序。第2步 定義變量：月份、銷量、價格、廣告費用、日照時間。第3步 按Analyze|Correlate|Partial順序啟動偏相關分析的主對話框，指定分析變量和控制變量，第一次分析變量為銷量與價格的偏相關系數(shù)，其余為控制變量。在主對話框中使用系統(tǒng)默認的雙尾檢驗，顯示實際

28、的顯著性概率。實驗結果及分析： 從上圖可以看出，廣告費用和價格為控制變量，日照時間和銷量關系密切，相關系數(shù)為0.886，雙尾檢測的相伴概率為0.001，明顯小于顯著水平0.05.故應該拒絕零假設，說明太陽鏡的銷量與日照時間存在顯著的相關性。同理可知，銷量與廣告費用關系密切，與價格不存在顯著的相關性。如下圖：7. 某動物產(chǎn)下3個幼仔，現(xiàn)分別對3個幼仔的長、體重、四肢總長、頭重進行測量，試就這幾個測量數(shù)據(jù)而言，用距離分析法分析3個幼仔的相似性，數(shù)據(jù)如表8.20所示。（數(shù)據(jù)文件為：data8-9.sav）表8.20 三個幼仔的數(shù)據(jù)指標序號長體重四肢總長頭重1502151001125122011012

29、35222011212實驗步驟：第1步 分析：這是一個求個案間的相關性（相似性）問題。第2步 按Analyze|Correlate|Distances打開Distance對話框，并選Between Cases(個案之間)和Similarities(相似性)，如圖7-2所示，其它不作任何設置，運行。實驗結果及分析：從Pearson相關系數(shù)可看出，3個幼仔極相似，特別是第2個和第3個。第九章 回歸分析一 實驗目的1 理解回歸分析的概念、原理及在統(tǒng)計中的作用;2 掌握用 SPSS 進行線性回歸、曲線回歸的方法;3 根據(jù)線性回歸、曲線回歸等方法探索其它回歸方法。二 回歸分析的原理自變量與因變量之間呈線

30、性關系時，我們可以構造線性回歸方程。根據(jù)參與線性回歸的自變量個數(shù)的多少，可將線性回歸分為一元線性回歸和多元線性回歸。1 一元線性回歸（1） 基本數(shù)學原理1) 回歸模型與參數(shù)的確定一元線性回歸研究因變量與一個自變量之間的關系。其回歸模型為：y = a + bx ，式中，y 為因變量，x 為自變量，a,b 為待定參數(shù)（其中b 稱為回歸系數(shù)）。通常采用最小二乘法來確定上面兩個待定參數(shù)，即要求觀測值與利用上面回歸模型得到的擬合值的平方和最小。差值平方和達到最小時的模型參數(shù)便作為待定參數(shù)的最終取值，代入模型，便可以確定回歸方程。2)線性回歸下的統(tǒng)計檢驗通過樣本數(shù)據(jù)建立一個回歸方程后，不能立即就用于對某個

31、實際問題的預測。因為，應用最小二乘法求得的樣本回歸直線對總體回歸直線的近似，這種近似是否合理，必須對其作各種統(tǒng)計檢驗。2 多元線性回歸當因變量與兩個或兩個以上的因素有線性關系時，用多元線性回歸進行研究。多元線性回歸與一元線性回歸一樣，進行多元線性回歸還是需要進行回歸系數(shù)的檢驗，需要估計回歸系數(shù)的置信區(qū)間，需要進行 預測與假設檢驗等方面的討論。所不同的是，由于多元回歸涉及到多個自變量，進行回歸時就要考慮各個自變量之間的關系，如它們是否存在共線性的問題。另外，還有異常值和強影響點等問題。多元回歸的方法有：Remove（強迫剔除法）、Backward（后向水去法）、Forward（前向逐步法）。三

32、實驗過程3. 合金鋼的強度y與鋼材中碳的含量x有密切的關系，為了冶煉出符合要求強度的鋼，常常通過控制鋼水中的碳含量來達到目的，因此需要了解y與x之間的關系，數(shù)據(jù)如表9.27所示，現(xiàn)對x和y進行一元線性回歸分析。（數(shù)據(jù)文件為：data9-5.sav）表9.27 碳含量與鋼強度數(shù)據(jù)碳含量0.030.040.050.070.090.10.120.150.170.2鋼強度40.539.54141.543424547.55356實驗步驟：第1 步 按Analyze|Regression|Linear Regression 的順序打開Linear Regression 對話框，打開Statistics 對

33、話框，選擇Confidence interval 和Estimates 運行，如下圖：實驗結果及分析：引入或剔除變量表輸出的是被引入或從回歸方程中被剔除的變量，這里選用是的Enter 方法，表示全部進入。模型綜述表從這部分結果看出相關系數(shù)R=0.95,判定系數(shù)R2=0.903。說明樣本回歸方程的代表性強。方差分析表方差分析表是對回歸方程進行顯著性檢驗的情況。從結果看，相伴概率Sig.<0.05，說明自變量x 與因變量y 之間確有線性關系。回歸系數(shù)表從兩系數(shù)的相伴概率來看均<0.05，說明均具有顯著性意義，說明回歸系數(shù)是顯著的，則回歸方程為： y = 35.451+ 92.641x4

34、. 某公司太陽鏡銷售情況如表8.17，銷售量與平均價格、廣告費用和日照時間之間的關系作多元線性回歸分析。（數(shù)據(jù)文件：data8-8.sav）表8.19 某公司銷售太陽鏡的數(shù)據(jù)月份123456789101112銷量759014818324226327831825620014080價格6.86.563.532.92.62.13.13.64.24.2廣告費用2567222528302218102日照時間2.444.26.888.410.411.59.66.13.42實驗步驟：第1 步 分析：顯然是采用多重線性回歸分析方法；第2 步 建立數(shù)據(jù)文件，變量名為月份、銷量、價格、廣告費用、日照時間；第3 步

35、 按Analyze|Regression|linear的順序打開Linear Regression 主對話框， 并將銷量設為因變量，其余變量設為自變量。將“月份”變量設置為case label。如下圖：第4 步 單擊Statistics 按鈕，打開Linear Regression:Statistics 對話框，并選擇Estimates、model fit、descriptives和Durbin-Watson。如下：第5 步 打開Linear Regression:Plots 框，作如下設置：第6 步 打開Linear Regression:save 框，在save對話框里選擇保存未標準預測值、標準預測值、未標準預測值殘差、標準預測值殘差。第7 步 在options對話框里按默認設置。實驗結果及分析：相關系數(shù)矩陣表：從表中可以看出自變量的相關系數(shù)分別為-0.922、0.964、0.973