Spss数据分析报告1.pdf

《Spss数据分析报告1.pdf》由会员分享，可在线阅读，更多相关《Spss数据分析报告1.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、SpssSpss 数据分析报告数据分析报告1 1 实验材料和原始数据实验材料和原始数据1.11.1引入引入本文主要利用 SPSS 通过对 3 个除汗剂品牌：妮维娅、AXE、多芬在两个超市（沃尔玛和家乐福）的价格、促销，和 AXE 的周销售量数据，分析这两个因素对AXE 周销售量的影响，为 AXE 这个除汗剂品牌设定一个恰当的模型形式。进一步检验模型中是否存在自相关、异方差、共线性等问题，练习如何在SPSS 中处理自相关、异方差，进一步完善模型，检验模型的表面效度，残差图，并最终计算模型的预测效度。1.21.2AXEAXE 案例案例1.2.11.2.1三个品牌除汗剂的数据三个品牌除汗剂的数据妮维

2、娅AXE多芬1.2.21.2.2变量变量销售量(Sales)价格(Price)只有摆台(Display-only)只有促销(Feature-only)摆台和促销都有(Feature and Display)2 2 分析操作分析操作2.12.1数据线性拟合数据线性拟合对家乐福的 AXE 数据进行线性拟合，所得到的结果如下：对沃尔玛的数据进行线性拟合，所得到的结果如下：2.22.2Pooling TestPooling Test由于有两个超市 Carrefour 和 Walmart 的 AXE 的数据，因此在分析之前要先用 SPSS进行 Pooling Test。Pooling Test 所用到的

3、公式是通过这个公式计算出 F 大小，然后通过在线网站计算出P 值大小，从而判定能否混合计算。2.2.12.2.1OLS PoolingOLS Pooling所得到的 P 值结果：结论是：P，两个超市的 AXE 销售数据不能混合。2.2.22.2.2OLSDV PoolingOLSDV Pooling结论是：P，故 LNAXEPrice 和 AXEDISP 不是自相关的。同理：Estimated correlation coefficient:，故 AXEFEA 和 LNAXEPrice 是不自相关的。如何在 SPSS 中如何补救自相关:用逐步回归或者删除相关性较高的两变量中其中一个。AXEFE

4、A 和 AXEDISP 在水平上显着相关，是自相关的。用逐步回归或者删除相关性较高的两变量中其中一个。显然 AXEFEA、AXEDISP 均和 AXED+F 自相关，LNAXEPrice 和 AXED+F 是不自相关的。2.4.22.4.2处理异方差处理异方差1.执行 OLS 得到估计的残差。2.执行 compute 计算残差的绝对值。用 abs 函数。画出散点图，3.采用加权最小二乘法(WLS）,可设置权数为 1/|e|。做一个加权最小二乘法的回归。然后画残差平方与 X 的散点图，用图表检验。如果小于则存在异方差。通常说的异方差性就是(Var(i)Var(j),当 ij 时)。经济现象是错综

5、复杂的,在建立经济问题的回归分析模型时,经常会出现某一因素或一些因素随着解释变量观测值的变化而对被解释变量产生不同的影响,导致随机误差项产生不同方差,即异方差性。当我们所研究的问题存在异方差性时,线性回归模型的基本假定就被违反了。引起随机误差项产生异方差的原因很多,其中样本数据为截面数据时较容易出现异方差性。而当一个回归问题存在异方差性时,如果仍用 OLS 估计未知参数,就会造成估计值不是最优、参数的显着性检验失效、回归方程的应用效果极不理想等严重后果。同方差和异方差残差图上的区别：在 spss 上做出散点图，如上图所示，AXEFEA 和 AXEDISP 不存在异方差。同理可得，AXEFEA

6、和 LNAXEPrice，LNAXEPrice 和 AXEDISP，AXEFEA、AXEDISP 和AXED+F 自相关，LNAXEPrice 和 AXED+F 均不存在异方差。2.52.5模型检验模型检验2.5.12.5.1表面效度表面效度表面效度不是真正的效度指标，但它容易和内容效度搞混。表面效度是外行对测验作表面上的检查确定的，而内容效度是专家对测验进行详尽的、系统的评价建立的。虽然两者都是对测验内容作出的主观判断，但判断的标准不同。前者只考虑测验项目与测验目的之间的明显的、直接的关系，后者则同时考虑到测验项目与测验目的和总体内容之间的逻辑的本质的联系。表面效度高的题目内容效度不一定高，

7、表面效度低的项目内容效度也不一定低。2.5.22.5.2 因子分析因子分析2.62.6讨论讨论2.6.12.6.1如何更加精确的检验是否存在异方差如何更加精确的检验是否存在异方差1、戈德菲尔德-夸特(Goldfeld-Quandt)检验：G-Q 检验以 F 检验为基础，适用于样本容量较大、异方差递增或递减的情况。G-Q 检验的思想：先按某一解释变量(通常是可能引起异方差的解释变量)对样本排序，再将排序后的样本一分为二，对子样和子样分别作回归，然后利用两个子样的残差平方和之比构造统计量进行异方差检验。步骤：（1）将解释变量排序，从中间去掉c=n/4 个观测值（2）分成两个部分，利用样本 1 和样

8、本 2 分别建立回归模型（3）根据回归求出各自残差平方和 RSS1 和 RSS2（4）在同方差假定下，构造F 统计量：F=(RSS2/V2)/(RSS1/V1)，与F（V2，V1）进行比较,若 F 值大于等于比较值则拒绝同方差假设，否则则不拒绝2.6.22.6.2检验出异方差之后我们改如何处理检验出异方差之后我们改如何处理1、WLS（加权最小二乘估计）是一种特殊的广义最小二乘估计，其思想就是对于误差越大的关系额赋予更加大的权重。可以得到关于 GLS 的稳健的统计量。GLS 系数的解释要回到原先的方程中去。如果分析的问题不是个体的数据，而是一个组或者是一个地区的数据平均值，那么就会出现系统性的异方差性。2、FGLS（可行的最小二乘估计），当我们不知道误差函数的时候，可以采用相应的模型，然后使用数据来估计相应的参数，得到相应的函数形式，最后替代GLS 估计中的函数，后面的操作就不变。