报告是指向上级机关汇报本单位、本部门、本地区工作情况、做法、经验以及问题的报告，写报告的时候需要注意什么呢？有哪些格式需要注意呢？下面是我给大家整理的报告范文，欢迎大家阅读分享借鉴，希望对大家能够有所帮助。
spss实验报告 sp法实验报告篇一
姓名:
成功
学号:
2０1１51６199
班级:
会计二班
实验报告二 实验项目: : 描述性统计分析
实验目得: :
1、掌握数据集中趋势与离中趋势得分析方法;２、熟练掌握各个分析过程得基本步骤以及彼此之间得联系与区别、实验内容及步骤
一、数据输入
案例:对 6 名男生与６名女生得肺活量得统计,数据如下:
1.打开 spss 软件,进行数据输入:通过打开数据得方式对 xｌs 得数据进行输入
其变量视图为:
二、探索分析
进行探索分析得出如下输出结果: 浏览
由上表可以瞧出,6 例均为有效值,没有记录缺失值得情况。
由上表可以瞧出,男女之间肺活量得差异,男生明显优于女生,范围更广,偏度大。
男
男 stem-and—leaｆ plｏt
frequency
stem ＆
lｅaf
２、00
1.34
2.00
1.８９2、002、02
stｅm widｔh:
1000
eaｃh lｅaｆ:
１ ｃasｅ(s)
女
女 stem—ａnd-lｅaf plot
frｅquency
stem ＆
leａf
2。00
1。
２３3、0０
1.568
1。０02、0
ｓtem ｗidth:
１０00
eacｈ leaf:
1 caｓe(s)
三、频率分析
进行频率分析得出如下输出结果:
由上图可知,分析变量名:肺活量。可见样本量 n 为６例,缺失值 0 例, 150０以下得 3３％,1500-２０00 男生３3%女生５０％,2000 以上女生 1６。7％,男生３3%。
四、描述分析
进行描述分析得出如下输出结果: 由上图可知,分析变量名:工资,可见样本量ｎ为6例,极小值为男13４2女121３,极大值为男2200女2０77,说明1２人中肺活量最少得为女生就是12１３,最多得为男生有2200,均值为1８1０。50/1６２1、33,。标准差为３27.7３5/325。４08,离散程度不算大。
五、交叉分析
实验报告三 实验项目: : 均值比较
实验目得: :。学习利用 sｐss 进行单样本、两独立样本以及成对样本得均值检验。
实验内容及步骤
（一）描述统计
案例:某医疗机构为研究某种减肥药得疗效,对 1５位肥胖者进行为期半年得观察测试,测试指标为使用该药之前与之后得体重、编号 1 ２ 3 4 5 服药前 198 237 ２3３ 179 ２１9 服药后 １92 2２５ 226 17２ 214 编号 6 7 8 9 10 服药前 １6９ 222 167 １９９ ２33 服药后 161 210 161 1９3 2２6 编号 １1 12 13 1４ 15 服药前 １79
７ 服药后 173 １5４ 143 20６ 2４９ 输入 spss 建立数据、由上图可知,结果输出均值、样本量与标准差、因为选择了分组变量,所以三项指标均给出分组及合计值,可见以这种方式列出统计量可以非常直观得进行各组间得比较、由上表可知,在显著性水平为 0.05 时,服药前后得概率 p 值为小于 0.05,拒绝零假设,说明服药前后得体重有显著性变化（二）
单样本 t t 检验
进行单样本 t 检验分析得出如下输出结果:
由上表可以知,单个样本统计量分析表,得基本情况描述,有样本量、均值、标准差与标准误,单样本 t 检验表,第一行注明了用于比较得已知总体均值为 14,从左到右依次为 t 值(t)、自由度(dｆ)、p 值(sig、2—tａｉleｄ)、两均值得差值(meａn diffeｒenｃe)、差值得 95％可信区间、由上表可知:t＝34.215,p=０。０0０〈0、05。因此可以认为肺气肿得总体均值不等于 0、（三）
双样本 t t 检验
案例:研究某安慰剂对肥胖病人治疗作用,用 2０名患者分组配对,测得体重
如下表,要求测定该安慰剂对人得体重作用就是否比药物好。
进行双样本 t 检验得出如下输出结果: t 检验
成对样本统计量
均值 n 标准差 均值得标准误 对 1 安 慰 剂组 121.8０ １０ 11、419 3、6１1 药物组 11１.８0 10 １0.185 3。221 由上图可知,对变量各自得统计描述,此处只有 1 对,故只有对１。
成对样本相关系数
n 相关系数 ｓig、对 1 安慰剂组 & 药物组 １0、８02、0０5 此处进行配对变量间得相关性分析
成对样本检验
成对差分 t df sig、(双侧)均值 标准差 均值得标准误 差分 9５％ 置信区间 下限 上限 对 １ 安慰剂组—药物组 10、000 6.８96 ２、18１ 5、067 14、9３３ 4、586 9.001 配对 t 检验表,给出最终得检验结果,由上表可见 p＝0。001,故可认为安慰剂组与药物组对肥胖病人得体重有差别影响
实验报告四 实验项目: : 相关分析
实验目得: :
1.学习利用 spsｓ进行相关分析、偏相关分析、距离分析、线性回归分析与曲线回归、实验内容及步骤
（一）两变量得相关分析
案例:某医疗机构为研究某种减肥药得疗效,对 1５位肥胖者进行为期半年得观察测试,测试指标为使用该药之前与之后得体重。
编号 1 2 ３ 4 5 服药前 19８ 237 ２３3 １79 219 服药后 192 225 22６ 172 2１4 编号 6 7 8 ９ 10 服药前 169 2２2 16７ 19９ ２33 服药后 16１ 210 １６1 193 2２６ 编号 11 1２ 13 14 １5 服药前 １７９
7 服药后 １7３ １54 1４3 ２06 ２49 进行相关双变量分析得出如下输出结果: 相关性
相关系数系数表。变量间两两得相关系数就是用方阵得形式给出得、每一行与每一列得两个变量对应得格子中就就是这两个变量相关分析结果结果,共分为三列,分别就是相关系数、p 值与样本数。由于这里只分析了两个变量,因此给出得就是２＊2 得方阵。由上表可见,服药前与服药后自身得相关系数均为 1(of cｏurse),而治疗前与治疗后得相关系数为 0、91１ ,p〈0。01（二）
偏相关分析
偏相关 已知有某河流得一年月平均流量观测数据与该河流所在地区当年得月平均雨量与月平均温度观测数据,如表所示、试分析温度与河水流量之间得相关关系。
观测数据表 月份 月平均流量 月平均雨量 月平均气温 1 ０、50 0.１0—８。8０ 2 0、30 0。10-11.00 ３ 0.40 0。40 －2、４0 4 1、4０ 0.４0 6.90 5 ３。30 2、７0 10、60 6 4.70 2、４0 1３、9０ 7 5。９0 2、50 15。4０ 8 4、7０ 3、０0 13、50 9 0、90 １.3０ 10、00 1０ 0。６0 1.80 2、70 11 0、50 0、６0-４。8０
12 0、30 0、2０-6、00
由上表可见控制月平均雨量之后,“月平均流量”与“月平均气温”得相关系数为 0。36５,p=0、27,p>０.05,因此“月平均流量”与“月平均气温"不存在显著相关性。
（三）距离分析
案例:植物在不同得温度下得生长状况不同,下列就是三个温度下得植物生长 编号 1０度 2０度 ３0 度 1 12、36 １2、4 12、18 2 12、14 12.２ 12、2２ 3 12.３1 12、28 12。３5 4 12。3２ 1２。25 12、21 ５ １2、12 12。22 12.１ 6 12.28 12、３4 12。２5 ７ １2。24 １２、3１ 12。2 ８ 12、41 1２。3 １2。4６近似值
（四）线性回归分析
已知有某河流得一年月平均流量观测数据与该河流所在地区当年得月平均雨量与月平均温度观测数据,如表所示。试分析关系。
观测数据表 月份 月平均流量 月平均雨量 月平均气温 1 0。50 ０。１0—8、８０ 2 ０。３０ 0、１0—11。00 3 0、4０ ０。４0-2、40 4 １、４０ 0。４0 6。9０ ５ 3。３0 ２、7０ 10、60 6 ４、70 2.４０ １3.9０ ７ 5.90 2。５0 15.40 8 4。70 3、00 13。５0 9 0、90 １。30 10。00 10 0.60 １。80 ２。７0 11 ０、50 0。60-4、8０ 12 ０。30 0。２０—6.00 进行线性回归分析得出如下输出结果: 回归
输入/移去得变量ｂ
模型 输入得变量 移去得变量 方法
1 月平均流量 a、输入 a、已输入所有请求得变量、b、因变量: 月平均雨量
由表可知,就是第一个问题得分析结果。这里得表格就是拟合过程中变量进入／退出模型得情况记录,由于只引入了一个自变量,所以只出现了一个模型 1(在多元回归中就会依次出现多个回归模型),该模型中身高为进入得变量,没有移出得变量, 这里得表格就是拟合过程中变量进入／退出模型得情况记录,由于只引入了一个自变量,所以只出现了一个模型(在多元回归中就会依次出现多个回归模型),该模型中身高为进入得变量,没有移出得变量。
模型汇总 模型 r ｒ 方 调整 r 方 标准 估计得误差 1。85５ａ、７32.705、6117 a.预测变量:(常量), 月平均流量。
拟合模型得情况简报,显示在模型中相关系数r为0.855,而决定系数ｒ2为０.732,校正得决定系数为 0.７0５,说明模型得拟合度较高。
aｎｏvab 模型平方与 df 均方 f ｓiｇ。
１ 回归 1０.２08 １ 1０。20８ ２7、２83.0０0ａ 残差 ３。7４1 10。374
总计 １３.９49 11
a。
预测变量:(常量), 月平均流量。
b.因变量: 月平均雨量
这就是所用模型得检验结果,可以瞧到这就就是一个标准得方差分析表！从上表可见所用得回归模型f值为２7。283,p值为．０0ａ,因此用得这个回归模型就是有统计学意义得,可以继续瞧下面系数分别检验得结果。由于这里所用得回归模型只有一个自变量,因此模型得检验就等价与系数得检验,在多元回归中这两者就是不同得。
系数 a 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).３87。24７
１、5６４.14９ 月平均流量.462。08８.855 ５。２2３.00０
系数 a 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).３87。24７
１、5６４.14９ 月平均流量.462。08８.855 ５。２2３.00０ ａ.因变量: 月平均雨量
包括常数项在内得所有系数得检验结果。用得就是 t 检验,同时还会给出标化/未标化系数、可见常数项与身高都就是有统计学意义得 残差统计量 a
极小值 极大值 均值 标准 偏差 n 预测值。526 3。１13 １。２９2。9633 12 残差—.6３３7 1。1358。0000.583２ １2 标准 预测值—、795 １。8９０、０0０ 1、000 １2 标准 残差—１.０3６ 1.8５7.000.953 １2 a。
因变量: 月平均雨量
图表
（五）曲线回归分析
某地 196３年调查得儿童年龄(岁)与体重得资料试拟合对数曲线。
年龄(岁)体重 １ 2 ３ ４ ５ 6 7 ６8 65 6７ ５0 70 7６ 77 进行曲线回归分析得出如下输出结果:
实验报告五 实验项目: : 聚类分析与判别分析
实验目得: :
１、学习利用 spss 进行聚类分析与判别分析。
实验内容及步骤
（一）系统聚类法
为确定老年妇女进行体育锻炼还就是增加营养会减缓骨骼损伤,一名研究者用光子吸收法测量了骨骼中无机物含量,对三根骨头主侧与非主侧记录了测量值,结果见教材表。
: 受试者编号 主侧桡骨 桡骨 主侧肱骨 肱骨 主侧尺骨 尺骨 1 1、1０3 1、０5２ ２、13９ 2.２38 ０.87３ 0、8７２ 2 0.842 ０.８59 １。873 １、74１ 0.590 0。7４4 3 0.9２5 0。8７3 1。8８7 1.8０9 0、７67 0。713 4 0、８57 ０.７4４ 1。７39 1.５４7 ０.706 ０.６7４ ５ 0.7９5 0、80９ 1。7３4 1。７15 0。5４9 0。６５4 6 0、７87 ０。779 １。509 1、47４ ０、７８2 0、５7１ ７ 0。933 0、880 1。69５ １。65６ 0、737 0。803 8 0.799 0、85１ 1。740 1。777 ０、6１８ 0。682 ９ ０、９45 ０.8７6 １。81１ 1、759 0。８53 0、７77 10 0、９２1 ０、906 1。954 2。009 0.８2３ 0.７６5 输入 spss 建立数据。
进行系统聚类分析得出如下输出结果:
聚类
快捷聚类
研究儿童生长发育得分期,调查名 1 月至 7 岁儿童得身高(ｃｍ)、体重(kg)、胸围(cm)与资料。求出月平均增长率(％)，判别分析
对某企业,搜集整理了１０名员工2009年第1季度得数据资料。构建1个１０×6维得矩阵 职工代号 工作产量 工作质量 工作出勤 工砟损耗 工作态度 工作能力 1 9.６8 9。6２ 8、37 8。63 9、86 9。74 2 8、０9 8、８3 ９、38 9。7９ 9、９８ 9。7３ ３ 7。46 ８。73 6、７４ 5。５9 8.83 8、４6 4 6.0８ 8、25 ５、０4 5、92 ８.33 8。29 ５ 6。６1 8、36 ６.６7 7。４６ 8、38 8。14 6 7、69 ８.８5 6.4４ 7。45 8。19 8.1 ７ ７.46 8、93 ５、７ 7、06 8。58 ８。３6 8 ７、6 ９。28 6。75 8。03 8、6８ 8、22 9 7、6 8.2６ 7、5 7。63 ８。79 7.6３ 10 7。16 8、62 5、7２ 7。1１ ８。１9 ８。18 1、“分析——分类——判别分析",把“分类”选入“分组变量”,定义范围:最小值(1),最大值(４),把 x1、x2、x３、x４、x5 与 x6 输入“自变量框",选择“使用逐步式方法”;２、“统计量”中选择“均值”、“单变量 anova”、“fisher”、“未标准化”、“组内相关";3、“方法”默认设置;４、“分类”中选择“根据组大小计算"、“摘要表”、“不考虑该个案时得分类”、“在组内"、“合并图、分组、区域图”;５、“保存”中选择“预测组成员"、“判别得分”;6、点击确定、得到以下各表与图。
特征值 函数 特征值 方差得 % 累积 % 正则相关性 1 1．0０２a １00.0 １0０。0、707 a、分析中使用了前 １ 个典型判别式函数。
wiｌks 得 lambdａ 函数检验 wiｌks 得 lamｂda 卡方 df siｇ、1.499 3、471 6。748
函数 1 工作质量。270 工作产量—。831
工作出勤—。4０6 工砟损耗 1。415 工作态度 1.879 工作能力—２。０61 结构矩阵
函数 1 工砟损耗、541 工作出勤。３55 工作态度、175 工作产量、0６３ 工作能力—、0５6 工作质量-.05０ 判别变量与标准化典型判别式函数之间得汇聚组间相关性
按函数内相关性得绝对大小排序得变量。
典型判别式函数系数
函数 1 工作质量.5８1 工作产量-。8３0 工作出勤—。312 工砟损耗 1.２48 工作态度 2。798 工作能力-2.8０３(常量)-６。８17 非标准化系数 组质心处得函数 职工代号 函数 1 １-、7３1 2 1。097 在组均值处评估得非标准化典型判别式函数 分类统计量 分类处理摘要 已处理得 1０ 已排除得 缺失或越界组代码 0 至少一个缺失判别变量 ０ 用于输出中 1０
组得先验概率 职工代号 先验 用于分析得案例 未加权得 已加权得 1.600 6 6、000 2、400 ４ 4、000 合计 1.00０ 1０ 10、000 分类函数系数
职工代号 1 2 工作质量 １21、2９9 １２２.360 工作产量—58、８9４ －60。41１ 工作出勤 －１4、8０3-1５。373 工砟损耗 ３、73９ 6、02０ 工作态度 123、97９ １29、094 工作能力—63。2８4-68。407(常量)—５4７.493—５60。6９1 fiｓｈer 得线性判别式函数 单独组图表
分类结果 b,c
职工代号 预测组成员 合计
1 2 初始 计数 1 5 １ 6 2 1 3 4 ％ 1 83、3 1６、7 100、0 ２ 25.0 7５、０ 100、0 交叉验证ａ 计数 1 2 4 ６ 2 4 0 4 % １ ３3.3 66、７ 100。0 2 １00。0、０ 100.０
分类结果 b,c
职工代号 预测组成员 合计
1 2 初始 计数 1 5 １ 6 2 1 3 4 ％ 1 83、3 1６、7 100、0 ２ 25.0 7５、０ 100、0 交叉验证ａ 计数 1 2 4 ６ 2 4 0 4 % １ ３3.3 66、７ 100。0 2 １00。0、０ 100.０ a、仅对分析中得案例进行交叉验证。
在交叉验证中,每个案例都就是按照从该案例以外得所有其她案例派生得函数来分类得。
b.已对初始分组案例中得 80。0％ 个进行了正确分类。
c、已对交叉验证分组案例中得 20.0% 个进行了正确分类。
实验报告六 实验项目: : 因子分析与主成分分析
实验目得: :
1、学习利用 sｐｓs 进行因子分析与主成分分析。
实验内容及步骤
（一）因子分析
下表资料为 1５名健康人得 7 项生化检验结果,6 项生化检验指标依次命名为ｘ1 至 x6,请对该资料进行因子分析。
因子分析 １、打开导入 exclｅ数据 2、选择菜单“分析→降维→因子分析” ,弹出“因子分析”对话框。在对话框左侧得变量列表中选除地区外得变量,进入“变量”框，３、单击“描述"按钮,弹出“因子 分析: 描述”对话框,在“统计量”中选“单变量 描述”项,输出各变量得均数与标准差,“相关矩阵”栏内选“系数",计算相关系数矩阵,并选“ｋmｏ 与 baｒtｌｅtｔ’s 球形度检验”项,对相关系数矩阵进行统计学检验，对以上资料进行因子分析:分析--降维——因子分析,确定操作得出 描述统计量
均值 标准差 分析 n x1 6.02１3 1、２３848 1５ ｘ2 7、98８0。５7340 15 x3 3。99６0 1、01195 1５ x4 5、5７00 1.3８69９ １5 x5 ８。３７２7.77780 1５ x6 8.０247、68９55 15
相关矩阵
x１ ｘ2 x３ x4 x5 x6 相关 x1 1。000。９66.78２.０55。104、019 x２。96６ 1.0０0.７47.02８.233、1５８ x3.782.747 1。０00.12５.214—。0２4 ｘ4.0５5、0２8、１25 1.000—。１５０、2３3 x5、１０4.２3３、214 －.１50 １、00０。7５3 ｘ６。０19.1５８-、024。233。75３ 1.0０0 ｓig。(单侧)x1
.０00、00０。423.356。473 ｘ2、000
。001。4６１.2０2、287 ｘ3。00０。001
.32９、２22.４67 ｘ４、42３、4６1。3２９
.297。202 x5。３56。20２、２２２.29７、0０1 x6.473.２87。4６7。２0２.0０１
kmo 与
bart ｌe e ｔ t 得检验 取样足够度得 ｋaiseｒ—meyｅr-olkin 度量。
。４6０ baｒtlett 得球形度检验近似卡方 64.0３5 df 15 sig、。000 公因子方差
初始 提取 ｘ1 1。000。950 x2 1、000。930 x3 1、000。801 x４ １。0０0。989 x5 1、00０。9２8 x6 1。000。93６ 提取方法:主成份分析。
解释得总方差 成份 初始特征值 提取平方与载入 旋转平方与载入 合计 方差得 ％ 累积 % 合计 方差得 % 累积 ％ 合计 方差得 ％ 累积 % １ 2.768 46。127 4６、１2７ 2。7６８ 46、１27 46。127 2。67８ 44.６34 44。634 2 １.683 28、050 ７4.177 １.68３ 28。050 74。１77 1.766 ２9、４32 74、066 3 1、084 1８.074 92。251 1。084 18。074 92。251 1、091 18、1８6 92。2514、３60 5。9９5 98.24６
５.0８４ 1、401 9９.6476、021.353 1０0。０00
提取方法:主成份分析、成份矩阵a a
成份 １ 2 3 x１.9３5—、2７7-.02１ x2。954—、131-、０57 x3.868 －.218、030 ｘ4、1０7.059.987 ｘ5.389。８39-、272 x６.263、91４、１78 提取方法 :主成份。
a。
已提取了 3 个成份。
旋转成份矩阵a a
成份 1 2 3 x1。975—、00１.０16 x２。９53、１46-。012 x３.89２.032、０66 x4.04９。０2１、993 x5.145、93０—.２05 x6-、013.937、241 提取方法 :主成份、旋转法 :具有 kaiser 标准化得正交旋转法、a.旋转在 4 次迭代后收敛、成份转换矩阵 成份 1 2 3 1。９５8、2８1、0５4 2-。28４。９57、0５3 3—、03７ －.066.997 提取方法 :主成份。
旋转法 :具有 kaiser 标准化得正交旋转法。
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
2． 掌握两独立样本和两配对样本的t检验的过程和结果解释 3． 掌握单因素方差分析的分析过程和结果解释 4． 掌握多因素方差分析的分析过程和结果解释
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
检验变量：www hours per week 分组变量：gender（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）】→【独立样本t检验（t）】；
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。
④点击按钮定义两总体的标示值，如图1-2。其中，【使用指定值（u）】表示分别输入对应两
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
成对变量：paeduc，maeduc（3）操作步骤及计算结果 ①选择菜单：
【分析（a）】→【比较均值（m）】→【配对样本t检验（p）】，如图2-1
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。
解释：从图2-2的平均值可以看出没有较大的差异。图2-3中对应的概率p值为.000，如果显著性水平α为0.05，则表明父亲和母亲的受教育情况有明显的线性变化，父亲和母亲的受教育情况相关性程度较强。从图2-4中可以看出，父亲与母亲的受教育情况的平均差异，仅只有0.49；
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）
房地产sp活动方案
完整实验报告
实验报告模版
实验报告(范文)
合集实验报告,（）(范文)