第五讲 商务数据分析方法-(非参数检验).ppt

第五讲 商务数据分析方法　　　－－非参数检验;案例：为了检验两个小组工人的生产效率是否具有显著性差异，从两个组中随机抽取20名工人，其每天的生产量和组别见下表：; 为什么用非参数方法？ ; 为什么用非参数方法？ ; 非参数检验的优点和缺点：;理论上，每一种经典检验都有一种或几种对应的非参数检验。现实当中非参数统计方法主要适用于以下几种情况： 未知分布型，或样本数太少(n?6)而使得分布状况尚未显示出来 非参数性，只能以严重程度、优劣等级、效果大小、名次先后以及综合判断等方式记录其符号或等级（定序数据） 分布明显偏态 组内个别随机变量偏离过大。;SPSS中的参数检验和非参数检验方法;一、引　言;（一）参数检验的MEANS 过程 功能：分组计算、比较指定变量的描述统计量。包括均值、标准差、总和、观测数、方差等等，还可以给出方差分析表和线性检验结果。 Analyze-> Compare Means->Means Dependent List：因变量（分析变量，一般为定距或定序变量） Independent List：自变量（分组变量，为分类变量，注意可分层) 选项：统计量选择项，对第一层每个控制变量的分析（方差分析和线性度检验） 例子：身高数据(不同性别、不同年龄); 银行数据（不同性别职工的收入、不同工种的收入、不同性别和工种的收入） 选择项：发育阶段相同年龄的男孩和女孩是否身高有所不同？是否身高随年龄的增长呈线性关系;（二）单一样本的T检验 概念：检验单个变量的均值是否与给定的常数(指定的检验值)之间是否存在显著差异。如：研究人员可能想知道一组学生的IQ平均分与100分的差异。要求样本来自正态分布总体。 菜单： Analyze -> Compare Means-> One-Samples T test Test Variable(s)：要求平均值的变量（一般是定距变量） Test Value：常数 零假设H0：样本均值Mean=常数（检验值）； 结果中比较有用的值：Mean和Sig显著性概率值 例子 ：身高数据 某大学某班身高的标准值为170.0厘米 ，试问该班32名同学的身高是否正常？即与170厘米是否有显著性差异？ 银行的平均工资是否是$30,000。 ;（三）独立样本的T检验 要求：a. 被比较的两组样本彼此独立, 没有配对关系 b. 两组样本均来自正态总体 c. 均值是对于检验有意义的描述统计量 菜单： Analyze -> Compare Means-> Independent Samples T test Test Variable(s)：要求平均值的变量（一般是定距或定序变量） Grouping Variable ：分组变量（只能分成两组） 结果中比较有用的值：方差齐次性检验F的Sig和方差相等或不相等的Sig（ Sig为显著性概率值） 例子：两种方法的激励效果是否有所不同？ ;（四）配对样本T检验 要求：a. 被比较的两组样本有配对关系 b.两组样本均来自正态总体 c.均值是对于检验有意义的描述统计量。 配对样本T检验实际上是先求出每对观测值之差值，对差值变量求平均。检验配对变量均值之间差异是否显著。实质是检验差值变量的均值与0之间差异的显著性。 菜单： Analyze -> Compare Means-> Paired Samples T test（注意数据结构，即前后在一个观测量中）Paired Variables：配对两变量 结果中比较有用的值：差值变量的均值Mean和Sig显著性概率值 例子：销售管理前后业绩比较 某公司对销售人员推行一项管理措施，分别测定每个销售员前后的业绩，得到下表的资料，能否认为该项管理措施引起销售人员的业绩发生了显著变化?;（五）单因素方差分析 One-Way ANOVA过程要求： 因（分析）变量属于正态分布总体，若因（分析）变量的分布明显的是非正态，应该用非参数分析过程。 对被观测对象的实验不是随机分组的，而是进行的重复测量形成几个彼此不独立的变量，应该用Repeated Measure菜单项，进行重复测量方差分析，条件满足时，还可以进行趋势分析。 菜单：Analyze->Compare Means->One-Way ANOVA Dependent List：weight Factor：age 结果只有方差分析表 结果中比较有用的值：Sig显著性概率值。 例子：两种方法的激励效果是否有显著性差异; 卡方检验适用于次数分布的检验，比如次数分布是否与某种理想的分布一致，或者不同样本同类测量次数分布是否一致。对于前者，先要确定一个理想的次数分布比例，然后将观测的某一次数分布与其比较，确定二者的差异性，并用X2来反映。 X2 越小 ，