spss学习笔记.docVIP

Spss统计分析方法及应用 Spss学习笔记 Chapter1 统计学基础知识 方差（Variance）：在概率论和数理统计中，方差（英文Variance）用来度量随机变量和其数学期望（即均值）之间的偏离程度。设X是一个随机变量，若E{[X-E(X)]^2}存在，则称E{[X-E(X)]^2}为X的方差，记为D(X)或DX。 协方差（covariance）：两个不同参数之间的方差就是协方差。E[(X-E(X))(Y-E(Y))]称为随机变量X和Y的协方差，记作COV(X，Y)，即COV(X，Y)=E[(X-E(X))(Y-E(Y))]。 （1）COV(X，Y)=COV(Y，X)； 　　（2）COV(aX，bY)=abCOV(X，Y)，（a，b是常数）； 　　（3）COV(X1+X2，Y)=COV(X1，Y)+COV(X2，Y)。 　　由协方差定义，可以看出COV(X，X)=D(X)，COV(Y，Y)=D(Y)。 标准差（ Standard deviation,；SD；std）：是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。 r: 相关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1]。|r|值越大，误差Q越小，变量之间的线性相关程度越高；|r|值越接近0，Q越大，变量之间的线性相关程度越低。 如两者呈正相关，r呈正值，r=1时为完全正相关；如两者呈负相关则r呈负值，而r=-1时为完全负相关。完全正相关或负相关时，所有图点都在直线回归线上；点子的分布在直线回归线上下越离散，r的绝对值越小。当例数相等时，相关系数的绝对值越接近1，相关越密切；越接近于0，相关越不密切。当r=0时，说明X和Y两个变量之间无直线关系。通常|r|大于0.8时，认为两个变量有很强的线性相关性。 研究两个变量间线性关系的程度。用 HYPERLINK /view/172091.htm 相关系数r来描述。 r的计算有三种： ·Pearson相关系数：对定距连续变量的数据进行计算。 ·Spearman和Kendall相关系数：对分类变量的数据或变量值的分布明显非正态或分布不明时，计算时先对离散数据进行排序或对定距变量值排（求）秩。 R2：方程的确定性系数（coefficient of determination），表示方程中变量X对Y的解释程度。R2取值在0到1之间，越接近1，表明方程中X对Y的解释能力越强。通常将R2乘以100％来表示回归方程解释Y变化的百分比。 P：显著性 自变量 因变量： T检验值 F检验值 正态分布：正态分布（normal distribution）又名 HYPERLINK /view/573667.htm \t _blank 高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在 HYPERLINK /view/50313.htm \t _blank 统计学的许多方面有着重大的影响力。若 HYPERLINK /view/45329.htm \t _blank 随机变量X服从一个数学期望为μ、 HYPERLINK /view/732227.htm \t _blank 标准方差为σ2的高斯分布，记为：则其 HYPERLINK /view/998459.htm \t _blank 概率密度函数为正态分布的期望值μ决定了其位置，其 HYPERLINK /view/78339.htm \t _blank 标准差σ决定了分布的幅度。因其曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的 HYPERLINK /view/2134941.htm \t _blank 标准正态分布是μ = 0,σ = 1的正态分布。一般来说，如果一个量是由许多微小的独立随机因素影响的结果，那么就可以认为这个量具有正态分布（见 HYPERLINK /view/45355.htm \t _blank 中心极限定理）。从理论上看，正态分布具有很多良好的性质 ，许多概率分布可以用它来近似；还有一些常用的概率分布是由它直接导出的，例如 HYPERLINK /view/2098973.htm \t _blank 对数正态分布、 HYPERLINK /view/1419652.htm \t _blank t分布、 HYPERLINK /view/1173064.htm \t _blank F分布等。正态曲线呈钟型，两头低，中间高，左右对称，曲线与横轴间的面积总等于1。 有些指标（变量）虽服从 HYPERLINK /view/2127980.htm \t