《SPSS数据分析教程》课后答案

  • 更新时间:
  • 675人关注
  • 点击下载

给大家带来的是关于SPSS教程相关的课后习题答案下载,介绍了关于SPSS、数据分析、SPSS教程方面的内容,由黄嘉懿网友提供,本资源目前已被318人关注,高等院校SPSS教程类教材综合评分为:8.9分

spss数据分析教程》是2012年人民邮电出版社出版的图书,作者是李洪成、姜宏华。

《spss数据分析教程》应用spss 18和spss 19中文版进行编写。《spss数据分析教程》首先从实用角度讲解统计分析的基本概念和理论,通过数据仿真讲解了随机数、随机变量、分布函数、密度函数、抽样分布等基本理论,然后从实际案例入手详细分析了描述性统计分析、均值的比较、相关分析、回归分析、方差分析、聚类分析、主成分分析、因子分析等。《spss数据分析教程》通过大量的实际案例来解析数据分析的技术和技巧,读者通过本书可以学习和提高数据分析的技能,掌握数据分析的技巧。

目录

  • 第1章 统计学和spss统计分析软件简介 1
  • 1.1 统计分析的基本概念 1
  • 1.1.1 统计分析的步骤 2
  • 1.1.2 数据的类型 2
  • 1.2 常见统计分析软件简介 3
  • 1.2.1 spss 3
  • 1.2.2 sas 4
  • 1.2.3 splus或者r 4
  • 1.2.4 其他数据分析软件 4
  • 1.3 spss统计分析软件的发展 4
  • 1.4 spss版本和授权 5
  • 1.5 spss统计分析软件的特点 6
  • 1.6 主要模块及功能简介 7
  • 1.7 spss的安装 9
  • 1.8 spss的几种基本运行方式 12
  • 1.9 spss的界面 14
  • 1.10 spss的图形用户界面 17
  • 1.11 spss帮助系统 19
  • 1.12 小结 23
  • .思考与练习 23
  • 参考文献 25
  • 第2章 数据文件的建立和管理 26
  • 2.1 数据管理的特点 26
  • 2.2 spss数据编辑器简介 27
  • 2.2.1 开始spss 27
  • 2.2.2 spss的数据编辑器界面 27
  • 2.3 新建数据文件、数据字典 31
  • 2.4 保存文件 33
  • 2.5 读入数据 34
  • 2.5.1 读入excel数据 35
  • 2.5.2 读入文本数据 36
  • 2.5.3 读入数据库数据 39
  • 2.6 数据文件的合并 43
  • 2.6.1 添加个案 43
  • 2.6.2 添加变量 46
  • 2.7 数据文件的拆分 50
  • 附录:如何为数据库文件建立odbc数据源 52
  • 2.8 小结 53
  • 思考与练习 54
  • 参考文献 56
  • 第3章 描述性统计分析 57
  • 3.1 频率分析 57
  • 3.2 中心趋势的描述:均值、中位数、众数、5%截尾均值 60
  • 3.2.1 均值 60
  • 3.2.2 中位数 60
  • 3.2.3 众数 61
  • 3.2.4 5%截尾均值 61
  • 3.3 离散趋势的描述:极差、方差、标准差、均值的标准误、分位数和变异指标 62
  • 3.3.1 极差 62
  • 3.3.2 方差和标准差 63
  • 3.3.3 均值的标准误 63
  • 3.3.4 变异系数 63
  • 3.3.5 分位数 64
  • 3.4 分布的形状——偏度和峰度 64
  • 3.5 spss描述性统计分析 65
  • 3.5.1 频率入口 66
  • 3.5.2 描述子菜单 67
  • 3.5.3 探索子菜单 68
  • 3.5.4 表格 69
  • 3.6 应用统计图进行描述性统计分析 71
  • 3.6.1 定性数据的图形描述——条形图、饼图、帕累托图 71
  • 3.6.2 定量数据的图形描述——直方图、茎叶图和箱图 74
  • 3.7 数据标准化 78
  • 3.8 小结 79
  • 思考与练习 79
  • 参考文献 80
  • 第4章 概率论初步 81
  • 4.1 离散型随机变量的仿真 81
  • 4.1.1 均匀分布的随机数 81
  • 4.1.2 正态分布的随机数 84
  • 4.2 理论分布 87
  • 4.2.1 二项分布的分布函数和概率 87
  • 4.2.2 连续分布的随机变量——正态分布 93
  • 4.3 经验分布 97
  • 4.4 抽样分布 99
  • 4.5 置信区间 102
  • 4.6 小结 104
  • 思考与练习 104
  • 第5章 均值的比较 105
  • 5.1 假设检验的思想及原理 105
  • 5.2 均值 107
  • 5.2.1 均值过程分析 107
  • 5.2.2 双因素的均值过程分析 109
  • 5.3 单样本t检验 110
  • 5.3.1 数据准备 111
  • 5.3.2 单样本t检验 113
  • 5.3.3 置信区间和自抽样选项 114
  • 5.4 独立样本t检验 115
  • 5.4.1 数据初探 116
  • 5.4.2 t检验 119
  • 5.4.3 均值差的绘图 121
  • 5.5 配对样本t检验 122
  • 5.6 小结 125
  • 思考与练习 125
  • 参考文献 126
  • 第6章 非参数检验 127
  • 6.1 非参数检验简介 127
  • 6.2 单样本非参数检验 128
  • 6.2.1 卡方检验 132
  • 6.2.2 二项式检验 136
  • 6.2.3 k-s检验 143
  • 6.2.4 wilcoxon符号秩检验 146
  • 6.2.5 游程检验 146
  • 6.3 独立样本非参数检验 147
  • 6.3.1 独立样本检验简介 147
  • 6.3.2 独立样本检验举例 149
  • 6.4 相关样本非参数检验 151
  • 6.4.1 相关样本检验简介 151
  • 6.4.2 相关样本检验举例 153
  • 6.5 小结 156
  • 思考与练习 156
  • 参考文献 157
  • 第7章 相关分析 158
  • 7.1 相关分析的基本概念 158
  • 7.1.1 相关关系的种类 159
  • 7.1.2 相关分析的作用 159
  • 7.2 散点图 160
  • 7.2.1 散点图简介 160
  • 7.2.2 散点图——旧对话框 160
  • 7.2.3 用图表构建程序绘制散点图 163
  • 7.3 相关系数 165
  • 7.3.1 线性相关的度量——尺度数据间的相关性的度量 166
  • 7.3.2 spearman等级相关系数——定序变量之间的相关性的度量 170
  • 7.3.3 kendall的tau-b(k) 171
  • 7.4 偏相关分析 171
  • 7.5 小结 173
  • 思考与练习 173
  • 参考文献 174
  • 第8章 回归分析 175
  • 8.1 线性回归分析的基本概念 175
  • 8.2 简单线性回归 177
  • 8.2.1 简单回归方程的求解 178
  • 8.2.2 回归方程拟合程度检验 179
  • 8.2.3 用回归方程预测 180
  • 8.2.4 简单线性回归举例 181
  • 8.3 多元线性回归 183
  • 8.3.1 多元线性回归方程简介 183
  • 8.3.2 多元线性回归方程的显著性检验 183
  • 8.3.3 应用举例 184
  • 8.3.4 线性回归自变量进入的方式 187
  • 8.4 线性回归的诊断和线性回归过程中的其他选项 189
  • 8.4.1 回归分析的前提条件 189
  • 8.4.2 回归分析前提条件的检验 190
  • 8.4.3 回归诊断 192
  • 8.5 非线性回归 197
  • 8.6 曲线估计 204
  • 8.7 小结 207
  • 思考与练习 207
  • 参考文献 207
  • 第9章 方差分析 209
  • 9.1 方差分析的术语与前提 209
  • 9.2 单因素的方差分析 210
  • 9.2.1 描述性数据分析 211
  • 9.2.2 单因素方差分析 211
  • 9.3 多因素方差分析 215
  • 9.3.1 多因素方差分析简介 215
  • 9.3.2 多因素方差分析举例 216
  • 9.4 协方差分析 220
  • 9.4.1 协方差分析简介 220
  • 9.4.2 协方差分析案例分析 221
  • 9.5 小结 227
  • 思考与练习 228
  • 参考文献 228
  • 第10章 聚类分析 229
  • 10.1 聚类分析简介 229
  • 10.2 个案间的距离 230
  • 10.2.1 定距数据(scale mearsurement)距离定义方式 230
  • 10.2.2 分类数据的频数数据(count)之间的距离 231
  • 10.2.3 二分类数据 232
  • 10.3 类之间的距离 232
  • 10.4 系统聚类算法过程 233
  • 10.5 系统聚类案例 234
  • 10.6 k-均值聚类 238
  • 10.6.1 k-均值法简介 238
  • 10.6.2 k-均值法案例 239
  • 10.7 两步法聚类 242
  • 10.7.1 两步法简介 242
  • 10.7.2 两步法案例分析 243
  • 10.8 聚类分析注意事项 247
  • 10.9 小结 248
  • 思考与练习 248
  • 参考文献 248
  • 第11章 主成分分析 249
  • 11.1 主成分分析简介 249
  • 11.1.1 主成分分析的目的与功能 249
  • 11.1.2 主成分分析的数学理论 250
  • 11.2 主成分分析的应用条件 251
  • 11.2.1 bartlett球形检验 251
  • 11.2.2 kmo统计量 252
  • 11.2.3 基于相关系数矩阵还是协方差矩阵 253
  • 11.3 主成分分析案例 253
  • 11.3.1 综合评价案例 253
  • 11.3.2 主成分分析用于探索变量间结构关系 263
  • 11.4 小结 265
  • 思考与练习 265
  • 参考文献 266
  • 第12章 因子分析 267
  • 12.1 因子分析简介 267
  • 12.2 因子分析的统计理论 268
  • 12.2.1 因子分析的模型 268
  • 12.2.2 因子分析模型的求解方法 269
  • 12.2.3 因子分析的应用前提 271
  • 12.2.4 因子个数的确定 271
  • 12.2.5 因子的解释 272
  • 12.2.6 因子旋转 273
  • 12.2.7 因子得分 275
  • 12.3 因子分析案例 275
  • 12.3.1 探索变量间的结构关系 275
  • 12.3.2 因子分析在市场调查中的应用 281
  • 12.4 因子分析结果的有效性 286
  • 12.5 因子分析和主成分分析的比较 286
  • 12.6 小结 287
  • 思考与练习 287
  • 参考文献 288

相关声明:

《SPSS数据分析教程》课后答案下载资源由用户 丁莹然 于 2021-12-20 10:09:33 分享至网盘,版权归人民邮电出版社所有。仅供想学习SPSS教程的网友交流使用,专题参考:数据分析SPSSSPSS教程,SPSS教程,

SPSS教程相关资源

  • SPSS统计分析从入门到精通

    SPSS统计分析从入门到精通

    大小:18 MBSPSS

    立即下载
  • 《SPSS统计分析从入门到精通》书中配套素材

    《SPSS统计分析从入门到精通》书中配套素材

    编辑推荐 本书基于SPSS个人版本SPSS15.0forWindows编写,致力于使读者全面了解SPSS,了解和学习如何使用SPSS进行数据融合、数据分析、结果展示等工作,本书介绍的是SPSS的窗口和对话框劋作方式,着重于SPSS分析软件的实际应用。全书25章,分4个部分。第1~3章重点讲解了数据和文件的管理劋作,以及SPSS系统环境的设置。第4~18章主要介绍各种统计分析方法及其对应SPSS过程的劋作方式,包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数

    大小:7.08 MBSPSS

    立即下载
  • IBM SPSS数据分析与挖掘实战案例精粹

    IBM SPSS数据分析与挖掘实战案例精粹

    《IBM SPSS数据分析与挖掘实战案例精粹》以IBM SPSS Statistics 20.0和IBM SPSS Modeler 14.1为工具,提供了医疗、金融、保险、汽车、快速消费品、市场研究、互联网等多个行业的数据分析/挖掘案例,基

    大小:166 MBIBM

    立即下载

学习笔记

18小时50分钟前回答

PowerBI和Python关于数据分析的对比

前言 如果你对数据分析有一定的了解,那你一定听说过一些亲民好用的数据分析的工具,如Excel、Tableau、PowerBI等等等等,它们都是数据分析的得力助手。像经常使用这些根据的伙伴肯定也有苦恼的时候,不足之处也是显而易见:操作繁琐,复用性差,功能相对局限单一。 很多经常会用到数据分析的伙伴会问有没有一款便捷好用的工具!肯定有啊,Python的出现和普及,很容易就能改变这些窘境! 怎么解决呢?——Python Python有很多优点,如果你能很好的运用到工作中,会发现工作效率大大提升,涨薪也是再正常不过的事情。 Python优点一: “流程可控,工作高效” 举个例子,Excel做分析的过程:定位空……

15小时54分钟前回答

Python数据分析之双色球基于线性回归算法预测下期中奖结果示例

本文实例讲述了Python数据分析之双色球基于线性回归算法预测下期中奖结果。分享给大家供大家参考,具体如下: 前面讲述了关于双色球的各种算法,这里将进行下期双色球号码的预测,想想有些小激动啊。 代码中使用了线性回归算法,这个场景使用这个算法,预测效果一般,各位可以考虑使用其他算法尝试结果。 发现之前有很多代码都是重复的工作,为了让代码看的更优雅,定义了函数,去调用,顿时高大上了 #!/usr/bin/python# -*- coding:UTF-8 -*-#导入需要的包import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport operatorfrom sklearn import datasets,linear_modelfrom sklearn.linear_model import LogisticRegression#读取文件d……