SPSS for Windows.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * B 卡方计算公式: 4 SPSS中变量关系的显著性检验1) 定类—定类尺度：X2检验卡方检验是用来检验样本中两个定类变量的关系强度测量结果（卡方值）是否能推断总体。 A X2检验的假设： H0: X2＝0； H1: X2≠0； C 卡方分布形状 拒绝域 接受域 D SPSS中卡方检验示例（性别与文化程度） 步骤： 1）确定双变量总体参数的假设： H0: X2＝0 ; H1: X2 ≠0； 2）确定检验此假设的概率标准：显著度为0.05。 3）抽取一个样本容量为1254的随机样本，计算出样本中性别与文化程度的X2＝27.89。 4）选择用来检验H0 的分布： X2分布，并根据显著度0.05设立接受域(P0.05)或拒绝域(P0.05)； 5）观察样本的统计量的概率值是否落在接受域内，从而判断是接受/拒绝原假设。从下表看出，样本统计量X2＝27.89，概率值（Significance）=0.0000.05，落在拒绝域，因此，否定H0；接受总体中X2＝27.89的判断。此判断犯错误的概率）=0.0000.05。 显著性检验结果 卡方值 2) 定类—定距尺度: F 检验 F检验是用来检验样本中一个定类变量和一个定距变量的关系强度测量结果（分组平均数）是否能推断总体。如不同职业的人在收入上是否有差异（即职业分组的平均收入是否不同）。 A F 检验的假设： H0: μ1＝μ2 ＝ μ3 ＝ ...μk ； H1: μ1 ≠μ2 ≠μ3≠ ...μk ； B F 值计算公式： C F分布的形状 接受域 拒绝域 拒绝域 D SPSS中 F 检验示例（文化程度与收入） 步骤： 1）确定双变量总体参数的假设： H0: μ1＝μ2 ＝ μ3 ＝ ...μk ； H1: μ1 ≠μ2 ≠μ3≠ ...μk ； 2）确定检验此假设的概率标准：显著度为0.05。 3）抽取一个样本容量为1254的随机样本，计算出样本中文化程度与收入的 F ＝6.006。 4）选择用来检验H0 的分布： F 分布，并根据显著度0.05设立接受域(P0.05)或拒绝域(P0.05)； 5）观察样本的统计量的概率值是否落在接受域内，从而判断是接受/拒绝原假设。从下表看出，样本统计量F ＝6.006。 概率值（Significance）=0.0000.05，落在拒绝域，因此，否定H0；拒绝总体中H0: μ1＝μ2 ＝ μ3 ＝ ...μk 的判断。即由样本可以推断总体，不同的文化程度，收入有差别；文化程度与收入有关。 F值 显著度 3) 定距—定距尺度相关系数r的显著性检验: Z 检验 Z检验也可用来检验样本中一对定距变量的相关系数r在总体上是否有效。其检验的方式与前面的假设检验大同小异。在此我们只略述检验的原假设以及检验结果。 A 相关系数检验的原假设： H0: r＝0 ； H1: r ≠0 ； B 检验结果：检验结果的概率值若小于给定的显著度，如0.05，则推翻原假设，说明两变量总体上有相关。即样本种的相关系数在总体中也有效。 C SPSS中相关系数 r 的Z检验示例： Correlate Bivariate 显著性检验结果 相关系数 样本量 Z检验概率值 4) 回归系数B的显著性检验：t 检验 样本中的回归公式中计算出的自变量回归系数B在总体中是否有效，需要用t分布来检验。检验步骤同于前述的假设检验。 A 原假设： H0: B＝0 ； H1: B ≠0 ； B 检验结果：检验结果的概率值若小于给定的显 著度，如0.05，则推翻原假设，则样本中的回归公式可用于说明总体。 C t分布形状: 拒绝域 拒绝域 回归系数 t 值 t 值的显著度 * * * * * * * * * * * * * * * * 样本统计量有可能等于总体参数，也有可能不等于总体参数，但二者之间有着某种概率关系。推断统计就是教会我们如何利用这种概率关系来由样本统计量推估总体参数。 为了区别样本和总体的不同，样本的平均数用 来表示，标准差用S表示；总体的平均数用μ表示，标准差用σ表示。因此，推断统计往往 可以看作是由 推断μ。 样本