
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
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30