报告材料主要是向上级汇报工作,其表达方式以叙述、说明为主,在语言运用上要突出陈述性,把事情交代清楚,充分显示内容的真实和材料的客观。报告书写有哪些要求呢？我们怎样才能写好一篇报告呢？下面是小编为大家整理的报告范文，仅供参考，大家一起来看看吧。
spss报告总结篇一
这次实习使用的是spss17.0版本的软件，通过这次实习，我了解到spss具有完整的数据输入、编辑、统计分析、图形制作等功能。平日课下进行统计调查技能培训的时候，分析数据所用的软件是excel。虽然使用excel可以对数据进行透视、分类、筛选以及计算相关系数等，但是这些操作都需要自己每一步每一步的进行手动操作，而使用spss软件在对数据进行整理时，只需对软件某选项内设置变量条件，系统便自动的进行整理。通过这次spss实习，我又入门了一项非常实用的软件，会为以后统计分析提供多一种的选择。下面我会从以下四方面分别阐述这次实习的收获与总结。
做问卷调查
根据指导老师的安排，我需要独自完成6份 《广东高校在校大学生消费使用数码产 品情况》的调查问卷。去广工、广财听宣讲会并且在那里做了两份问卷调查，剩下的4份是以电子版的形式做的问卷调查。在做问卷调查的过程中，为了保证问卷的有效性和准确性，我会认真审核每一份问卷是否填写完整以及前后是否合逻辑。在我的六份问卷调查中，比较容易出现问题的主要在每天使用数码产品的时间，也是在做问卷调查中叮嘱最多的。这都是值得的，因为保证问卷的客观和有效是后面做统计分析的基础。这次实训是全班合作完成问卷，如果是一个人完成30几份的问卷，那么真是一项不容小觑的任务。
spss入门操作
单样本t检验、独立样本t检验、配对样本t检验。独立样本与配对样本的区分很重要，这决定着我需要进行哪种检验以及得出什么样的结论。假设检验中通常都需要先进行方差齐性的f检验，f值小，相应的p值越大，就可以说方差齐性，再进行均值差异是否显著的t检验，t检验中，相应的p值小于显著性水平，就可以认为两个样本的均值存在显著差异。
问卷分析
这部分需要设置多个变量，输入至少30份数据，我选择跟舍友分工合作，我们的数据输入降低到20份左右，彼此共享一部分数据合起来达到30份以上的样本量。对于问卷的分析，主要从以下三方面进行: 大学生基本情况 运用描述性统计分析对大学生每月生活费支出做频率分析、计算均值及离散程度，发现大学生的月生活费支出主要集中在800—1200范围。
运用交叉表分析得出手机、电脑这两种数码产品样本中全部大学生都拥有，其他数码产品的拥有比率各有不同。在这学期当中更换意愿最强的数码产品是手机，并且主要是高年级的学生有更换的打算。
对大学生月生活费支出与月消费数码产品支出做相关与回归分析，发现这两个变量存在较为显著的相关性，一般情况下，大学生月生活费越高，每月在数码产品方面的消费相应也会越高。
数码产品的购买情况
对样本中大学生对数码产品的了解途径、购买方式、倾向性选择、感兴趣的促销手段、能否接受分期付款做频率分析，就目前来讲，大学生主要通过网络了解数码产品，倾向于大陆行货以及港澳台行货，对于打折促销比较感兴趣，大部分大学生还是会选择实体店购买较大宗数码产品，并且对分期付款方式较为能接受。
对所有在用数码产品购买支出、月生活费支出以及月消费数码产品支出做相关与回归分析，发现所有在用数码产品购买支出与月消费数码产品支出存在较强的正相关性，可以说，月消费数码产品支出越高，大学期间够买数码产品总支出越高的可能性就越大。
数码产品的使用情况
对样本中 使用数码产品对作息时间的影响、上课玩手机的频率、数码产品使用时间最长的用途 做描述统计频率分析，发现男生中有更大比例会因为使用数码产品而影响作息时间，数码产品使用时间最长的用途占比最大的是娱乐，基本上所有人都会在课堂上使用数码产品，经常使用的频率达到25.8%。
对使用数码产品对学习的影响利弊进行频率分析，并且对每天花在数码产品上的时间、学生绩点做相关回归分析，大部分学生认为数码产品对学习的影响利弊平衡或者利大于弊。相关性分析显示，大学生每天使用数码产品的时间与学生绩点相关性不强，两者之间没有必然的联系。
通过这次实习，对于spss软件有了一个基本的认识，会对样本进行一些简单的描述性统计分析、假设检验、相关与回归分析，能够将一些数据信息转换成可以直观理解并运用的实用信息，对于以后的学习和工作大有好处。数码产品带给我们极大的便利。基于调查问卷的分析，大学生每天都会花相当一部分时间使用电子产品。学习绩点与每天使用数码产品的时长没有必然联系，不过，的确有一部分同学承认因过度使用数码产品影响作息，同时也会在不同程度上受到他人使用数码产品的影响。大学生应该学会合理控制分配使用数码产品的时间，让自己最大程度地受益。
spss报告总结篇二
课程名称
数据分析
实验名称
均值比较与方差分析
系别 电子信息科学学院 专业班级 信息管理15级专升本
指导教师
学号
姓名
实验日期 2015年11月18日实验成绩
一、实验目的1． 掌握均值比较和方差分析的原理、过程和应用
二、实验环境
1． 硬件环境：微机
三、实验内容
1．中记录了男性或女性每周上网浏览网页的时间（e mean：能否用样本均值估计总体均值？两个变量均值接近的样本是否来自均值相同的总体？换句话说，两组样本某变量均值不同，其差异是否具有统计意义？能否说明总体差异？这是各种研究工作中经常提出的问题。这就要进行均值比较。
以下是进行均值比较及检验的过程：
单一样本的t检验：检验单个变量的均值是否与给定的常数之间存在差异。
独立样本的t检验：检验两组不相关的样本是否来自具有相同均值的总体（均值是否相同，如男女的平均收入是否相同，是否有显著性差异）
配对t检验：检验两组相关的样本是否来自具有相同均值的总体(前后比较，如训练效果，治疗效果)one-way anova：一元(单因素)方差分析，用于检验几个（三个或三个以上）独立的组，是否来自均值相同的总体。
1、线性相关分析：研究两个变量间线性关系的程度。用相关系数r来描述。
(5)、regreion(回归分析)：功能：寻求有关联（相关）的变量之间的关系在回归过程中包括：liner：线性回归;curve estimation：曲线估计;binary logistic：二分变量逻辑回归;multinomial logistic：多分变量逻辑回归;ordinal 序回归;probit：概率单位回归;nonlinear：非线性回归;weight estimation：加权估计;2-stage least squares：二段最小平方法;optimal scaling 最优编码回归;其中最常用的为前面三个。
(6)、nonparametric test：是指在总体不服从正态分布且分布情况不明时，用来检验数据资料是否来自同一个总体假设的一类检验方法。由于这些方法一般不涉及总体参数故得名。
以上就是数值统计分析analyze菜单下几项用于分析的数值统计分析方法的简介，在我们的变量定义以及数据录入完成后，我们就可以根据我们的需要在以上几种分析方法中选择若干种对我们的问卷数据进行统计分析，来得到我们想要的结果。
第四步：结果保存
我们的spss软件会把我们统计分析的多有结果保存在一个窗口中即结果输出窗口(output)，由于spss软件支持复制和粘贴功能，这样我们就可以把我们想要的结果复制﹑粘贴到我们的报告中，当然我们也可以在菜单中执行file-save来保存我们的结果，一般情况下，我们建议保存我们的数据，结果可不保存。因为只要有了数据，如果我们想要结果的，我们可以随时利用数据得到结果。
总结：
以上便是spss处理问卷的四个步骤，四个步骤结束后，我们需要spss软件做的工作基本上也就结束了，接下来的任务就是写我们的统计报告了。值得一提的是。spss是一款在社会统计学应用非常广泛的统计类软件，学好它将对我们以后的工作学习产生很大的意义和作用。
spss报告总结篇三
长春工业大学人文学院 1４090６班
成昊 3 实验报告 １
一、实验目得:掌握 sｐss 基本统计分析基本操作 ﻩ二、实验内容:１、根据上面得数据,制作茎叶图,并计算出均值与标准差,验证数据就是否服从正态分布。
2、按规定:销售收入在 125 万元以上为先进企业,１1５～1２5 万元为良好企业,１０５~115 万元为一般企业,1０5 万元以下为落后企业,按先进企业、良好企业、一般企业、落后企业进行分组,编制百分比分布统计表。
上限 1２1。０1
5％ 修整得平均值 1１5。89
中位數 115。5０
變異數 2３8.122
標準偏差 15、４３1
最小值 87
最大值 150
範圍 ６３
內四分位距 21
偏斜度。23３。37４ 峰度—、316。73３ 常態檢定
kolｍoｇoｒov—smirnova
.9８3 40.800 *、這就是 true 顯著得下限。
ｆrｅquｅncy
stｅm &
ｌeａｆ2、008、78
3.00
9。
2579、00
１０.０334５578８
11.０011、7、００
1２、0003５６７
５.00
13.０56７8
2。０014、26
1。00
1５.0
ｓteｍ widtｈ:
each leaf:
1 casｅ(s)分组
四、实验结果分析: 1、均值为 116。08、标准差为１5。431,正态分布得检验 k－s 值为 0.1,siｇ。值为０。98３〉0、０5,因此数据服从正态分布。
2、对４0 个企业分组后先进企业占总体比重 27、５%良好企业占总体比重２7.5％一般企业占总体比重 22.5％落后企业占总体比重 22。5％先进企业与良好企业占总体比重较大,一般企业与落后企业占总体比重较小。
实验报告 2 2
交叉列表 計數
總計 50 30 80 卡方測試
持續更正ｂ
4、３２０ １。０38
概似比 5.41２ 1.0２0
有效觀察值個數 8０
a、0 資料格(0.0％)預期計數小於 5、預期得計數下限為 15.00。
b。
只針對 ２x2 表格進行計算
數值 漸近標準錯誤a
大約 tb
对厂长得满意度 相依項、067、055、022d
a、未使用虛無假設。
b、正在使用具有虛無假設得漸近標準誤。
c、無法計算,因為漸近標準誤等於零。
d、基於卡方近似值
程對差異數 t df 顯著性(雙尾)平均數 標準偏差 標準錯誤平均值 95% 差異數得信賴區間 下限 上限 對組 １ 方案 a—方案ｂ—５、000 １1、3３3 3。584-13、107 3、107-1、３９5 9、1９6 四实验结果分析:通过上表可以瞧出 t=-1、395,sｉg.=0、1960、05,所以,不能拒绝原假设,方案 a 与方案 b 对平均测试得成绩不存在差异。
实验报告 ４
一、实验目得:掌握方差分析方法得操作 二、实验内容:利用多因素方差分析方法,分析不同地区与不同日期对该商品 得销售量就是否产生了显著影响？地区与日期就是否对该商品得销售产生了交互影响。
三、实验步骤:运用 分析一般线性模型＞单变量 进行分析。首先进行总体方差就是否相等得方差齐性检验。
le ｖe e ｎｅ ’ ｓ
錯誤共變異等式檢定a a
因變數:
销售量
f ｄｆ1 dｆ2 顯著性、508 8 1８.83５ 檢定因變數得錯誤共變異在群組內相等得空假設。
常態檢定
kolmogorov-smirnova
shapiro-wilk 統計資料 df 顯著性 統計資料 df 顯著性 方案 a、142 10、200*、941 10、561 方案 b、261 10、051、882 10、137 *、這就是 true 顯著得下限。
a、lilliefors 顯著更正
a。
销售量
總計 90８00０00０。000 27
校正後總數 967４07４0。74１ 26
a。
r平方 =。82８(調整得 r平方 =.７51)四、结果分析:通过上表可以瞧出,地区对应得 f=2。08,siｇ、=0、154＞０、05,日期对应得 f=3.０4,sｉg。＝0。0７３0.0５,可见,地区与日期单独对销售量都没有显著影响,地区＊时间对应得 f＝19。０６,ｓig.=0.０00〈０.０５,所以,地区与日期得交互作用对销售量有影响。
实验报告 5 5
sig、(双侧)。
。000
ｎ 500 ５０0 子辈文化程度 相关系数、594＊＊
1、０00 sｉg。(双侧)、０0０。
n ５00 ５00 ＊＊、在置信度(双测)为 0.01 时,相关性就是显著得、四实验结果分析:通过上表可以瞧出,ｋendａlｌ’s taｕ_b＝0、594,对应得 sig。＝0。0000.05,拒绝原假设,可以认为子辈文化与父辈文化之间存在着等级相关。
实验报告 ６
组 2 女 12.30
总数
40 １。0０
ａ.基于 z近似值。
四实验结果分析:通过上表可知,40 名婴儿中男婴 28 名,占 7０％,女婴１2 名,占30％。spｓs 自动计算精确概率 sｉg、值为 0。0１7,小于 0、０5,拒绝原假设,可以认为这个地方出生婴儿得性别比例与通常得男女性别比例不同,男婴要多于女婴。
实验报告 7 7
一、实验目得:掌握非参数检验方法得操作 二、实验内容:用非参数检验得方法检验工厂规模与信息传递就是否有关。
a。
没有对结进行修正、b。
分组变量: 厂规模 四实验结果分析:由上表可知,u=５,因为就是小样本,瞧精确概率值 sig。为 0.28６,大于 0.05,不应该拒绝原假设,可以得出工厂规模与信息传递无关。
实验报告 ８
检验统计量b b
成绩 ｎ 45 中值 75.00 卡方 9、474a
ｄf 2 渐近显著性、０09 a。
0 个单元(.0％)具有小于 5 得期望频率。单元最小期望频率为 6、３。
。62１ 卡方 2７、9６7
ｄf 9 渐近显著性.001 a。
kendalｌ 协同系数 四实验结果分析:通过上表可知,ｋenｄalｌ’ｓw＝0。621,sig、值为０.001,小于0、05,拒绝原假设,可以认为各个考官得评分具有一致性。
实 验 报 告
课程名称
数据分析
实验名称
均值比较与方差分析
系别 电子信息科学学院 专业班级 信息管理15级专升本
指导教师
学号
姓名
实验日期 2015年11月18日实验成绩
一、实验目的1． 掌握均值比较和方差分析的原理、过程和应用
二、实验环境
1． 硬件环境：微机
2． 软件环境：
windows，spss statistics 22
三、实验内容
1．中记录了男性或女性每周上网浏览网页的时间（变量wwwhr，单位小时）。用两独立样本t检验方法分析男性和女性在上网时间上是否不同。
（1）原假设
男性和女性的上网时间没有显著差异。
（2）参数设置
如图1-1
图1-1
② 选择检验变量“www hours per week”到【检验变量（t）】框中。
③ 选择总体标识变量“gender”到【分组变量（g）】框中。
个不同总体的标记值。
图1-2
计算结果：
（4）结果及其解释
结果：男性和女性的上网时间存在显著差异。
解释：从独立样本鉴定的表中可以看出f检验值为15.182，对应的概率p值为0.00＜0.05，所以拒绝原假设。由于两总体方差有显著差异所以要看到“不采用相等变异数”这一列，其中t统计量的值为4.866，对应的概率p值为0.00。如果显著性水平α为0.05，由于概率p值小于0.05，所以认为量总体的均值有显著差异。并且95%置信区间不夸零，也说明了有显著差异。
2．中记录了受访者父亲和母亲的受教育情况。试用两配对样本t检验方法比较父亲的受教育情况（变量paeduc）和母亲的受教育情况（变量maeduc）是否不同。
（1）原假设
父亲的受教育情况和母亲的受教育情况没有显著差异。
（2）参数设置
图2-1 ②选择paduc和maduc到【成对变量（v）】框中。
结果：
图2-2
图2-3
图2-4（4）结果及其解释
结果：父亲的受教育情况和母亲的受教育与情况没有显著差异。
95%置信区间的上下限一正一负，则表示两者接近无显著差异；
最后相对应的概率p值0.494，如果显著性水平α为0.05，则接受原假设，所以父亲的受教育情况和母亲的受教育与情况无显著差异。
3．一家关于mba报考、学习、就业指导的网站希望了解国内mba毕业生的起薪是否与各自所学的专业相关。为此，他们在已经从国内商学院毕业并且获得学位的mba学生中按照各专业分别随机抽取了10人，调查了这些学生的起薪情况，。根据这些调查他们能否得出专业对mba起薪有影响的结论。
（1）原假设
国内mba毕业生各自所学专业与起薪情况没有显著关系。
（2）参数设置 观测变量：起薪 控制变量：专业
（3）操作步骤及计算结果 操作步骤：
①选择菜单：
【分析（a）】→【比较均值（m）】→【单因素anova】；
②选择观测变量“起薪”到【因变量列表（e）】框中，如图3-1；
④ 选择控制变量“专业”到【因子（f）】框中，如图3-2；
图3-1 计算结果：
图3-2（4）结果及其解释
结果：国内mba毕业生各自所学专业与起薪情况没有显著关系；
解释：从图3-2可以看出，f统计量的观测值为2.459，对应的概率p值为0.079。如果显著性水平α为0.05，由于概率p值大于显著性水平α，所以接受原假设，认为国内mba毕业生各自所学专业与起薪情况没有显著关系。
4．一家连锁零售店试图对顾客的购买习惯进行调查。记录了顾客性别、购物方式、消费额等信息。使用多因素方差分析方法分析顾客性别和购物方式对消费额有何影响。
（1）原假设
不同顾客性别没有对消费额产生显著差异；
不同购物方式对消费额没有显著差异；
顾客性别和购物方式对消费额没有产生显著的交互影响。
（2）参数设置 观测变量：消费额
控制变量：顾客性别，购物方式（3）操作步骤及计算结果 操作步骤：
①选择菜单：
【分析（a）】→【一般线性模型】→【单变量（u）】；
②指定观测变量“消费额”到【因变量（d）】框中；
③指定固定效应的控制变量“顾客性别”和“购物方式”到【固定因子(f)】框中，如图4-1。
计算结果：
图4-2
图4-2
（4）结果及其解释
结果：不同顾客性别对消费额有显著差异；
不同购物方式对消费额没有显著差异；
顾客性别和购物方式对消费额有显著的交互影响。
解释：从图中可以看出fgender，fstyle，fgender*style的概率p值分别为0.000，0.140和0.017.如果显著性水平α为0.05，由于fgender，fgender*style概率p值小于显著性水平α，所以应该拒绝原假设，可以认为不同顾客性别对消费额有显著差异，顾客性别和购物方式对消费额有显著的交互影响，而fstyle概率p值小于显著性水平α，则接收原假设认为不同购物方式对消费额没有显著差异。
四、实验小结（心得体会、遇到问题及其解决方法）
spss实验报告
spss实习报告
完整实验报告
实验报告模版
实验报告(范文)
spss报告总结篇四
实验 内容：
1 1 统计数据的收集与预处理 1 1.1 数据文件的编辑 1 1.1.1 数据文件的合并 数据文件的合并是把外部数据与当前数据合并成一个新的数据文件，spss提供两种形式的合并：一是横向合并，指从外部数据文件中增加变量到当前数据文件中；二是纵向合并，指从外部数据文件增加观测数据到当前文件中。横向合并即增加变量，而增加变量有两种方式：一是从外部数据文件中获取变量数据，加入当前数据文件中；二是按关键变量合并，要求两个数据文件有一个共同的关键变量，而且两个数据文件的关键变量中还有一定数量相同值的观测值。
表 表 1 1 描述统计量 产品 n 极小值 极大值 和 均值 标准差 彩电 数量 4 12 50 144 36.00 16.573 金额 4 38400 160000 460800 115200.00 53033.826 有效的 n（列表状态）4 空调 数量 1 3 3 3 3.00.金额 1 9600 9600 9600 9600.00.有效的 n（列表状态）1 热水器 数量 2 11 24 35 17.50 9.192 金额 2 25300 55200 80500 40250.00 21142.493 有效的 n（列表状态）2 微波炉 数量 2 1 24 25 12.50 16.263 金额 2 2100 50400 52500 26250.00 34153.258 有效的 n（列表状态）2 洗衣机 数量 2 5 48 53 26.50 30.406 金额 2 11000 105600 116600 58300.00 66892.302 有效的 n（列表状态）2 从表 1 可以得出彩电、空调、热水器、微波炉、洗衣机的数量、金额的极大值、极小值、和、均值标准差这四个描述性统计量是多少。
3 1.1.3 数据的加权 spss 的观察量加权功能是在数据文件中选择一个变量，这个变量力的值是相应的观测量出现的次数，这个变量叫做权变量，经过加权的数据文件叫做加权文件。例 2-3 实验步骤：打开 →选择数据，加权个案→选择“加权个案”，激活“频率变量”矩形框，把“工人数”变量移入框中。选择“分析”，描述统计→描述，进行产品数量总和的统计，统计结果如表 2 所示：可以看出产品数量的极大值、极小值、和、均值、标准差这四个描述性统计量。
表 表 2 2 描述统计量 n 极小值 极大值 和 均值 标准差 产品数量 118 20 30 2854 24.19 3.883 有效的 n（列表状态）118 1.2s spss 数据加工 1.21.1 变量的计算 例 2-4 实验步骤：打开 data2-4sav→选择“转换”，计算变量，弹出“计算变量”窗口→在“目标变量”框中输入目标变量名“总分”→从左边的变量列表窗口中选择用于计算的变量并加入“数学表达式”框中，并乘以相应的系数即可。
图 图 1 1 变量计算后的结果 图 1 是变量计算后的结果：根据计算公式：总分=实验准备*0.15+讲解示范*0.15+实验指导*0.2+教学方法*0.15+语言文字*0.05+教学手段*0.1+课堂管理*0.2.，可以得出教师的综合评价分。
轴；把指标拖入“x 轴上的分群：设置颜色”虚线框中，作为复合分类变量→选择标题/脚注，点击标题 1，设置标题“第一、二、三产业各年产值比较图”→点击确定按钮。得到如图 2：可以从图中得到信息：自 1978 年以来，这三种产业的产值都在增加；每年第二产业的产值都是最高，第三产业次之，第一产业的产值最少。
图 图 4 4 结果图形 从图 4 可以得到如下信息：从 1990 年开始，特快专递、移动电话业务呈逐年上升的趋势，特别是特快专递到 2006-2007 年期间，业务增长迅猛。固定电话业务在 1990-2006 期间呈上升趋势，但 2006-2007 年期间有下降趋势。
3 3 描述性统计分析 描述集中趋势的统计量有均值、中位数、众数、总和、百分位数；描述离散程度的统计量有样本方差、样本标准差、均值标准误差、极差；描述总体分布形态的统计量有偏度、峰度。
8 27 3.2 3.2 94.1 9 9 1.1 1.1 95.2 10 8 1.0 1.0 96.2 11 32 3.8 3.8 100.0 合计 836 100.0 100.0 表5 5 变量“ 教育 ”频率分布表 频率 百分比 有效百分比 累积百分比 有效 1 8 1.0 1.0 1.0 2 39 4.7 4.7 5.6 3 114 13.6 13.7 19.3 4 165 19.7 19.8 39.0 5 456 54.5 54.6 93.7 6 53 6.3 6.3 100.0 合计 835 99.9 100.0 缺失 系统 1.1 合计 836 100.0 图5 5 变量“收入”的直方图 图 图 6 6 变量“教育”的直方图 表 4 变量“收入”的频率分布标表可以看出受访者家庭收入在“2000-2999”的人最多。从图 5 和图 6，受访者教育程度同正态分布相比左偏，受访者家庭收入的分布右偏，都不是明显的正态分布。
比，没有图形功能，也不能生成频率表，但它可以将原始数据标准化，以便后续分析时应用。例 4-2 实验步骤：打开 →依次点击分析、描述统计、描述，打开“描述性”主对话框→把身高作为变量移入候选变量框中，在“选项”子对话框中选择均值、标准差、最大值、最小值、峰度、偏度这几个描述性性统计量→确定得到表 6 表6 6 描述统计量 n 极小值 极大值 均值 标准差 偏度 峰度 统计量 统计量 统计量 统计量 统计量 统计量 标准误 统计量 标准误 体重 96 13 30 18.23 3.007 1.163.246 1.849.488 有效的 n（列表状态）96 表 6 包括了身高的个数、极值、均值、标准差、偏度和峰度信息，输出的统计量中，方差和标准差越小越好，说明该组数据趋于稳定。
表7 7 单个样本统计量 statistic bootstrapa 偏差 标准 误差 95% 置信区间 下限 上限 weight n 10 均值 500.8000-.0810 1.6784 497.4533 504.1467 标准差 5.39135-.38267.97486 2.99815 6.95100 均值的标准误 1.70489 表8 8 单个样本检验 检验值 = 500 t df sig.(双侧)均值差值 差分的 95% 置信区间 下限 上限 weight.469 9.650.80000-3.0567 4.6567 表 7 给出了单样本 t 检验的描述性统计量，包括样本数（n）、均值、标准差、均值的标准误。表 8：当置信水平为 95%，显著性水平为 0.05，从上表中可以看出，双尾检测概率 p 值为 0.650，大于 0.05，故原假设成立，也就是说，抽样袋装食盐的质量与 500 克无显著性差异，有理由相信生产线工作状态正常。
表9 9 组统计量 玉米品种 n 均值 标准差 均值的标准误 单位面积产量 品种a 8 81.2500 11.80496 4.17368 品种b 8 75.7500 10.02497 3.54436 表 10 独立样本检验 方差方程的 levene 检验 均值方程的 t 检验 f sig.t df sig.(双侧)均值差值 标准误差值 差分的 95% 置信区间 下限 上限 单位面积产量 假设方差相等.104.752 1.004 14.332 5.50000 5.47560-6.24398 17.24398 假设方差不相等 1.004 13.642.333 5.50000 5.47560-6.27297 17.27297 根据表 10“方差方程的 levene 检验”中的 sig.为 0.752，远大于设定的显著性水平0.05，故本例两组数据方差相等。在方差相等的情况下，独立样本 t检验的结果应该看上表中的“假设方差相等”一行，第 5 列为相应的双尾检测概率（sig.（双侧））为 0.332，在显著性水平为 0.05 的情况下，t 统计量的概率p 值大于 0.05，故不应拒绝零假设,，即认为两样本的均值是相等的，在本例中，不能认为两种玉米品种的产量有显著性差异。
5 5 方差分析 5 51.1 单因素方差分析
单因素方差分析检验由单一因素影响的一个（或几个相互独立的）因变量，由因素各水平分组的均值之间的差异，是否具有统计意义，或者说它们是否来源来同一总体。例 6-1 实验步骤：①、方差相等的齐性检验：选择菜单“分析→均值比较→单因素 anova”，打开“单因素方差分析”对话框→把猪重作为因变量，饲料品种作为控制变量→点击选项，弹出选项对话框，选择“方差同质性检验”→确定得到表和表。②多重比较分析、：单击“两两比较（h）按钮，弹出两两比较对话框，选择 lsd 最小显著性差异→确定得到表 表 表 1 11 方差齐性检验猪重 levene 统计量 df1 df2 显著性.024 3 15.995 方差齐性检验的 h 0 假设是：方差相等。从表 11 可看出相伴根据 sig.=0.995ａ（0.05）说明应该接受 h 0 假设（即方差相等）。故下面就用方差相等的检验方法。
表 12 anova 猪重 平方和 df 均方 f 显著性 组间 20538.698 3 6846.233 157.467.000 组内 652.159 15 43.477 总数 21190.858 18 表 12 是几种饲料方差分析的结果，组间平方和为 20538.698，自由度（df）为 3，均方为 6846.233；组内平方和为 652.159，自由度为 15，均方为 43.477；f 统计量为 157.467。由于组间比较的相伴概率 sig.（p 值）=0.0000.05，故应拒绝 h 0 假设（四种饲料喂猪效果无显著差异），说明四种饲料对养猪的效果有显著性差异。
3 31.05500* 4.42321.000 21.6272 40.4828 *.均值差的显著性水平为 0.05。
表13反映出来四种饲料相互之间均存在显著性差异，从效果来看是第4种最好，其次是第3种，第1种最差。
表 14 误差方差等同 性的 levene 检验a a 因变量:数学成绩 f df1 df2 sig.2.337 2 15.131 检验零假设，即在所有组中因变量的误差方差均相等。
a.设计 : 截距 + group + entrance + group * entrance 表 15 主体间效应的检验 因变量:数学成绩 源 iii 型平方和 df 均方 f sig.校正模型 3757.122a 5 751.424 6.040.005 截距 862.817 1 862.817 6.935.022 group 104.163 2 52.082.419.667 entrance.467 1.467.004.952 group * entrance 61.932 2 30.966.249.784 误差 1492.878 12 124.406 总计 112898.000 18 校正的总计 5250.000 17 表 表 16 tests of between-subjects effectsdependent variable: 数学3695.190 a 3 1231.730 11.091.0011387.824 1 1387.824 12.496.0038.857 1 8.857.080.7823364.083 2 1682.041 15.146.0001554.810 14 111.058112898.000 185250.000 17sourcecorrected modelintercept入学成绩组别errortotalcorrected totaltype iii sumof squares df mean square f sig.r squared =.704(adjusted r squared =.640)a.表 14 是方差的齐性检验结果，由于其相伴概率值 sig.=0.1310.05，因此认为各组的方差具有齐性。表 15 是检验控制变量与协变量是否具有交互作用，从其中可看出 group 与 entrance 的交互作用项 sig.=0.7840.05，因此认为它们之间没有交互作用。
可以看出入学成绩的影响是不显著的，而教学方法的影响是显著的。
表 17 相关性 父亲身高 儿子身高 父亲身高 pearson 相关性 1.703* 显著性（双侧）.011平方与叉积的和 84.667 40.333 协方差 7.697 3.667 n 12 12 儿子身高 pearson 相关性.703* 1 显著性（双侧）.011 平方与叉积的和 40.333 38.917 协方差 3.667 3.538 n 12 12 *.在 0.05 水平（双侧）上显著相关。
从表17中可看出，相关系数为0.7030，说明呈正相关，而相伴概率值sig.=0.0050.05，因此应拒绝零假设（h0 :两变量之间不具相关性），即说明儿子身高是受父亲身高显著性正影响的。
月平均气温 相关性.977 1.000 显著性（双侧）. 7 0 从表 18 可以看出，月降雨量、月平均日照时数和月平均湿度为控制变量，生长量与月平均气温关系密切，偏相关系数为 0.977，双尾检测的相伴概率为0.000（表示趋近于 0 的正数），明显小于显著性水平0.05。故应拒绝原假设，说明中山柏的生长量与气温间存在显著的相关性。
7 7 回归分析 7 71.1 一元 线性回归分析 线性回归假设因变量与自变量之间为线性关系，用一定的线性回归模型来拟合因变量和自变量的数据，并通过确定模型参数来得到回归方程。根据自变量的多少，线性回归可有不同的划分。当自变量只有一个时，称为一元线性回归，当自变量有多个时，称为多元线性回归。
例 8-1 实验步骤：①作散点图，观察两个变量的相关性：依次选择菜单“图形→旧对话框→散点/点状→简单分布”，并将“国内生产总值”作为 x 轴，“财政收入”作为 y 轴，得到图。②选择菜单“分析→回归→线性”，打开“线性回归”对话框，将变量“财政收入”作为因变量，“国内生产总值”作为自变量。③打开“统计量”对话框，选上“估计”和“模型拟合度”。④单击“绘制（t）„”按钮，打开“线性回归：图”对话框，选用 dependent 作为 y 轴，*zpred 为 x轴作图。并且选择“直方图”和“正态概率图” ⑤作相应的保存选项设置，如预测值、残差和距离等。
模型 非标准化系数 标准系数 t sig.b 标准 误差 试用版 1(常量)-4993.281 919.356-5.431.000 国内生产总值.197.008.989 24.336.000 从表 19 中可以看出，f 统计量的观测值为 592.25，显著性概率为 0.000，即检验假设“h0：回归系数 b = 0”成立的概率为 0.000，从而应拒绝原假设，说明因变量和自变量的线性关系是非常显著的，可建立线性模型。
从表 20 中可看出，回归模型的常数项为-4993.281，自变量“国内生产总值”的回归系数为 0.197。因此，可以得出回归方程：财政收入=-4993.281 + 0.197 *国内生产总值。回归系数的显著性水平为 0.000，明显小于 0.05，故应拒绝 t检验的原假设，这也说明了回归系数的显著性，说明建立线性模型是恰当的。
实验体会：
这几周对 spss 统计软件的学习，使我更好的掌握了统计学的知识。spss 统计软件为统计数据处理，图表的创建与编辑、描述性统计分析、参数估计与假设检验、方差分析、相关分析和回归分析等带来了极大的方便，相对与 excel 对数据的处理功能。操作上更加简便，也通俗易懂。
这段时间的学习，让我对于学习态度有很大的改变。当遇到繁琐的问题，老师总是不厌烦给我们重新讲统计学的知识，在 excel 为我们演示计算的每个步骤。我们缺少的就是这种耐心和严谨的治学态度，这点值得我们去学习。还有遇到不懂的问题，主动去书本上寻找知识，做到查漏补缺。
spss实验报告,
spss实习报告
完整实验报告
实验报告模版
实验报告(范文)
