
SPSS均值检验(Compare Means)平均数比较
Means过程用于统计分组变量的的基本统计量。这些基本统计量包括:均值(Mean)、标准差(Standard Deviation)、观察量数目(Number of Cases)、方差(Variance)。Means过程还可以列出方差表和线性检验结果。
[例子]
调查了棉铃虫百株卵量在暴雨前后的数量变化,统计暴雨前和暴雨后的统计量,其数据如下:
暴雨前 110 115 133 133 128 108 110 110 140 104 160 120 120
暴雨后 90 116 101 131 110 88 92 104 126 86 114 88 112
该数据保存在“DATA4-1.SAV”文件中。
1)准备分析数据
在数据编辑窗口输入分析的数据,如图4-2所示。或者打开需要分析的数据文件“DATA4-1.SAV”。
图4-2 数据窗口
2)启动分析过程
在SPSS主菜单中依次选择“Analyze→Compare Means→Means”。出现对话框如图4-3。
图4-3 Means设置窗口
3)设置分析变量
从左边的变量列表中选中“百株卵量”变量后,点击变量选择右拉按钮,该变量就进入到因子变量列表“Dependent List:”框里,用户可以从左边变量列表里选择一个或多个变量进行统计。
从左边的变量列表中选中“调查时候”变量,点击“Independent List”框左边的右拉按钮,该变量就进入分组变量“Independent List”框里,用户可以从左边变量列表里选择一个或多个分组变量。
多个分组变量既可放在一层,又可放在不同层。利用图中的“Previous”和“Next”按钮可以在不同层之间切换。
4)选择输出统计量
单击“Options”按钮,将打开如下图所示的对话框。在“Options”对话框中,“Statistics”框中列出了SPSS可求的统计量。其中各项的意义分别为:
Mean 均值。 Number of Cases 观测量数目 Standard Deviation 标准差 Median 中位数。 Grouped Median 分组的中位数 Std. Error of Mean 均值的标准误 Sum 观测值之和 Minimum 最小值 Maximum 最大值 |
Range 极差 First 第一个观测值 Last 最后一个观测值 Variance 方差 Kurtosis 峰度 Std. Error of Kurtosis 峰度的标准误 Skewness 偏度 Std. Error of Skewness 偏度的标准误 |
其中,“Mean”、“Number of Cases”和“Standard Deviation”项为系统的默认选项。
在“Cell”框中列出了已选中的统计量。从“Statistics”框中选择要生成的统计量。
“Statistics for First Layer”框中列出了第一层分组的另外两个统计量。
“Anova table and eta”选中将给出方差分析表和eta统计量。方差分析表的前提条件是按照分组变量分组后各组
的均值都相等。eta统计量为分组变量与生成统计量的变量关系紧密程度的度量。
“Test for Iinearity”选中给出分析变量和分组变量的线性关系参数,其前提条件为:分组变量和分析变量线性相关。
本例子选定统计量为“Mean”、“Number of Cases”、“Standard Deviation”3个统计变量。选中复选项“Anova table and eta”。
5)提交执行
提交各选项,在本例中我们不做其他选择,保持缺省值。在图4-3中点击“OK”按钮,SPSS输出结果将显示在输出浏览器中。
6) 结果与分析
表4-1 结果报告(Report)
表4-2 方差分析表 ANOVA Table
结果分析:
表4-1结果报告,分别给出暴雨前和暴雨后卵量的统计量:暴雨前有13个样本,平均数122.38,标准差15.95,方差254.42; 暴雨后有13个样本,平均数104.46,标准差15.11,方差228.269;总体26个样本,平均数113.42,标准差17.75,方差315.214。
表4-2方差分析表,共有六列,第一列说明方差的来源,Between Groups是组间的,Within Groups 组内的,Total 总的。第二列为平方和,其大小说明了各方差来源作用的大小。第三列为自由度。第四列为均方,即平方和除以自由度。第五列F值是F统计量的值,其计算公式为模型均方除以误差均方,用来检验模型的显著性。第六列是F统计量的显著值,由于这里的显著值0.007小于0.05,所以模型是显著的,降雨对卵量有显著影响。
推荐学习书籍
《CDA一级教材》适合CDA一级考生备考,也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校,累计已有10万+在读~
免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10