spss一些用法-变异系数-相关性检验讲课讲稿
变异系数又称“标准差率”，是衡量资料中各观测值变异程度的另一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。
标准差与平均数的比值称为变异系数，记为C.V。变异系数可以消除单位和（或）平均数不同对两个或多个资料变异程度比较的影响。
标准变异系数是一组数据的变异指标与其平均指标之比，它是一个相对变异指标。
变异系数有全距系数、平均差系数和标准差系数等。常用的是标准差系数，用CV(Coefficient of Variance)表示。
CV(Coefficient of Variance):标准差与均值的比率。
用公式表示为：CV＝σ/μ
作用：反映单位均值上的离散程度，常用在两个总体均值不等的离散程度的比较上。若两个总体的均值相等，则比较标准差系数与比较标准差是等价的。
变异系数又称离散系数。
cpa中也叫“变化系数”
Analyze-Descriptive,计算出标准差和均值，然后用标准差除以均值就算出变异系数了
如何用SPSS软件计算两个变量之间的相关系数?
怎么判定相关是不是显著相关呢?
analyze-correlate-bivariate-选择变量
OK
输出的是相关系数矩阵
相关系数下面的Sig.是显著性检验结果的P值，越接近0越显著。
另外，表格下会显示显著性检验的判断结果，你看看表格下的解释就知道，比如“**. Correlation is significant at the 0.01 level (2-tailed).”
就是说，如果相关系数后有"**"符号，代表在0.01显著性水平下显著相关
粗略判断的方法是，相关系数0.8以上，可以认为显著相关了
在这个图表中，你说的R值就是皮尔逊相关系数~（pearson correlation）r>0 代表两变量正相关，r<0代表两变量负相关。
|r|大于等于0.8时，可以认为两变量间高度相关；
|r|大于等于0.5小于0.8时，可以认为两变量中度相关；
|r|大于等于0.3小于0.5时，可以认为两变量低度相关。
小于0.3说明相关程度弱，基本不相关。
上面说了啊~表格里的pearson correlation，就是R值
表格里黄色加重的几个r值，是呈现显著相关的。
简单来说，
正相关是一个变量变大，另一个变量也变大
负相关就是一个变量变大，另一个变量变小
SPSS软件相关性分析结果，看不懂，谁能帮忙解释下？
董事会人数与公司绩效的关系，用每股收益和净资产收益率衡量公司绩效。
这是根据130个公司得出的数据，净资产收益率有部分数据缺失，谁能帮忙解释下数据之间的联系？还有Pearson Correlation 和Sig. (2-tailed)的意思？
能否解释下，相关系数是个什么范围？一般相关系数的值和相关性是个什么关系？多大的值算相关性很大？
从结果看，净资产该指标有缺失。
相关性：
董事会人数与每股收益无相关（r=0.096,p=0.277)
每股收益和净资产收益之间的相关有统计学意义。r=0.422,P<0.001
pearson correlation是皮尔森相关系数，采用该法有前提：双变量正态分布。如果不服从，应该选用spearman相关系数。
Sig. (2-tailed)即对r=0的检验。当r<>0时，有可能正有可能负，所以是双尾（2-tailed）概率。
怎样用SPSS求最大、最小和平均值？
我做的是满意度调查，25道题，每题5个选项，分别是，非常不满意，不满意，不确定，满意，非常满意。怎样用SPSS求出每个题的最大、最小、以及平均值呢？我没有很多分，但是论文等着用数据，十分急，请大家帮帮我，请尽量详细的说明，从打开SPSS开始，谢谢大家。
我装的是spss17.0，如果你是SAV文件（直接在spss）里输入的，直接打开就行。如果是用EXCEL输入的，在打开spss后点击file→open→data→在files of type下拉菜单中选择EXCEL（xls。。。），然后look in找到你放数据，点open。数据打开后，点击analyze→descriptive statistics→descriptive将你要计算的题目从左边的栏里选至右边的栏里。点击options，勾选maximum、minimum、mean。
追问：你好，我已经按照你说的步骤操作了，但是现在的问题是，我得出的平均值和最大值为什么都大于5呢，我看到别人做的得出的平均值和最大值都是小于5的，是不是我少做了什么呢？比如下面这组数据：非常不满意、不满意、不确定、满意、非常满意的结果分别是：3、7、20、10、12，那么这组数据正确的最大最小和平均值应该是多少呢？
回答：我想你录入数据的时候是不是弄错了，一般一个被试一行。每道题的计分方式一般是非常不满意为1分，不满意为2分，不确定为3分，满意为4分，非常满意为5分。每道题的计分不会超过5.你举例的那个数据是不可能出现的。你是把频次当计分输入的吗？
追问：得确是我弄错了，现在问题己经解决，非常感谢你的回答。
其它回答：
第一步：建立数据
1. 打开SPSS
2. 在左下角点”variable view”
3. 在左上角输入“调查问卷”——将“Type类型”调成“sting字符型”——“Decimals 小数点”位数改成“0”
4. 从第二行开始依次输入“问题1，问题2，问题N”，并在每个问题的“Values
变量值”在输入：变量值Values框中为“1”/标签Label框中“非常不同意”点“add 添加”；然后依次输入2不同意3不一定4同意5非常同意
5. 以同样的方式输完25道问题
第二步：输入数据
1. 左下角选“Data View数据视图”
2. 将每份问卷每道题的结果输入对应的框中
3. 以同样的方式将所有问卷输入
第三步：分析数据
1．在标题栏选择“Analyze分析”——“Description statistics描述性统计”——“Frequencies频数分析”
2．在频数分析对话框中，从左框选择要分析的问题到右框中
3．选择“Statistics统计”出现对话框
4．选择对应输出项即可：Mean平均数Std. deviation标准差variance方差range极差max最大min最小
5．同时也可以用“charts图表”选择要输出的图形
6．点击“OK确定”即可
7．然后再Output表中读取分析结果
8．注：因为所要分析的比较简单，能够很直观的从结果中分析出来，所以结果分析就不多解释了
PS：当然Excel也可以完成这样的分析，但SPSS软件比起Excel来要更专业些，所以用spss做出来的结果更容易得到认可，也容易得高分，并且对于更复杂的问题Excel就显的不够用了，而SPSS则更强大，建议有时间的话学一学SPSS，我感觉SPSS是非常有用的
我用的是SPSS16.0英文版的，在每个选项我也都注释了对应的中文，尽管不是那样准确，希望能帮到你！
变异系数实例
年份平均值标准差变异系数 1966-1970-4.8213.35-2.77 下表给出了某气象台站五年的月平均气温， （1）试计算每一个年度的变异系数(注：结果是五个变异系数) （2）把1966—1970年各月的月平均气温数据，尾首相接后产生一个新 的时间序列，再计算变异系数（注：结果是一个变异系数） （3）如果把摄氏温度转化为华氏温度，再计算变异系数；那么结果与 用摄氏温度的数据计算的结果，相同吗？如果不同，究竟哪种答案是正 确的，产生的原因是什么？ 某气象台站五年的月平均气温（单位：摄氏度）年份一月二月三月四月五月六月七月八月 1966-21.6-21.7-13.1-3.1 3.09.710.011.5 1967-35.2-26.9-12.40.9 6.59.59.88.9 1968-24.0-24.6-5.50.0 6.38.310.49.3 1969-26.0-23.6-8.1 1.0 5.68.810.79.3 1970-28.2-21.9-10.10.9 5.18.28.29.6 （1）（3）根据变异系数公式计算每一年的变异系数如下： 年份变异系数(摄氏温 度)变异系数（华氏温度） 1966-2.76 1.02 1967-2.62 1.33 1968-2.77 1.08 1969-3.400.92 1970-2.90 1.07 （2）把1966—1970年各月的月平均气温数据，尾首相接后产生一个新的时间序列，再计算变异系数为： 分析结果：
通过查阅相关资料可知变异系数和极差、标准差和方差一样，都是反映数据离散程度的绝对值。其数据大小不仅受变量值离散程度的影响，而且还受变量值平均水平大小的影响。从上面的图表可以看出摄氏温度计算出来的变异系数都为负值，而通过华氏温度计算出来的变异系数都为正值，两者处理结果不同主要是将摄氏温度转换为华氏温度并不是一个比例变换。我认为两者方法都可取。
数据正态性检验及正态转化在spss中的实现
数据正态性检验及正态转换在spss中的实现 1数据正态性检验 观察分布，预先判断 主要观察直方图，以及根据峰度和偏度粗略估计研究变量的分布。采用spss中描述统计中的频率分析来实现，具体操作如下： （1）在spss中打开数据资料文件，依次点击“分析—描述统计—频率”，如下图： （2）在弹出的对话框中，选择左边方框中要研究的变量，点击中间的箭头，将其选入右边的对话框，本文选择“胫围”作示例分析，如下图：
（3）之后，选择最右边五个选项卡中的“统计”选项卡，在弹出的对话框中的右下角勾选“偏度”和“峰度”选项，点击“继续”，如下图： （4）再点击“图表”选项卡，在弹出的对话框中勾选“直方图”和“在直方图中显示正态曲线”选项，点击“继续”，如下图： （5）然后点击“确定”选项，得出如下结果：统计一栏中包括有偏度及其标准误差、峰度及其标准误差。由结果可知：(偏度)>*(偏度标准误差)；（峰度）>*(峰度标 准误差)，推测该胫围数据不符合正态分布。
正态分布显著性检验 采用spss中非参数分析方法对数据资料进行正态性检验，具体步骤如下： （1）在spss中打开数据资料文件，依次点击“分析—非参数检验—单样本k-s”，如下图：
（2）在弹出的对话框中，选择左边方框中要研究的变量，点击中间的箭头，将其选入右边的对话框，本文选择“胫围”作示例分析，如下图： （3）之后，点击最右边的“精确”选项卡，在弹出的对话框中有三个选项，1、“仅渐进法”：是基于渐进分布的显著性水平的检验指标，适用于大样本，如果样本 过小或者分布不好，就会影响检验的效力；2、“蒙特卡洛法”：适用于精确显著 性水平的无偏估计，如果样本过大，数据处理过程太长，就应该使用这个选项； 3、“精确”：精确计算概率值，可以设定数据处理的时间，如果数据处理时间超
spss进行正态性检验方法
用SPSS进行正态性分布检验全过程 (2008-06-21 13:26:12) 转载 标签： 杂谈 1、先做直方图看看是否大概符合正态分布，这个不用说了吧，Graph-->legacy dialogs-->histogram-->选入变量--》OK.如果距离正态分布的样子太远了，你就不要做下面的工作啦。 2、Analyze-->descriptive statistic-->explore--》选入变量--》选右上角的plots-->打开后，选中间的normally plots with tests -->OK。结果就出来啦。 3、它会用两种方法来检验正态分布，当sig>0.05时服从正态分布,如果不服从正态分布，就要看峰度和偏度啦： 偏度主要是研究分布形状是否对称。约＝0 则可以认为分布是对称的； >0则可以认为右偏态，此时在均值右边的数据更为分散； <0则可以认为左偏态，同理。 峰度它是以正态分布为标准，比较两侧极端数据分布情况的指标。 正态的＝0 >0 此时分布有一个沉重的尾巴， <0正好相反。 附加检验： （Ⅱ）附加检验之一，观察正态概率图，如果数据来自正态分布，图形的散点应该呈现一条直线。用Plot绘制正态分布的概率图，里面的“+”构成一条直线（正态分布数据概率图散点应该成一条直线），“*”代表样本数据散点。根据“*”覆盖“+”的程度，说明样本数据是否来自正态分布数据。 （Ⅲ）附加检验之二，绘制数据的条形图，如果数据来自正态分布，条形图呈现“钟形”分
布。用histogram绘制直方图/normal在直方图中拟合正态分布的密度曲线，可以看到，曲线几乎是个标准钟形，可以认为数据是正态分布。 （Ⅳ）附加检验之三，观察描述性统计量中偏度系数（Skewness）g1和峰度系数（Kurtosis）g2，如果数据来自正态分布，则两者都应该是0。用g1,g2,бg1,бg2来计算U值，用U检验法。U1=同理计算U2，要两个都小于1.96，即p大于0.05才可以
SPSS统计分析1：正态分布检验.
正态分布检验 一、正态检验的必要性[1] 当对样本是否服从正态分布存在疑虑时，应先进行正态检验；如果有充分的理论依据或根据以往积累的信息可以确认总体服从正态分布时，不必进行正态检验。 当然，在正态分布存疑的情况下，也就不能采用基于正态分布前提的参数检验方 法，而应采用非参数检验。 二、图示法 1、P-P图 以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。 2、Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。 Q-Q图为佳，效率较高。 以上两种方法以 3、直方图 判断方法：是否以钟形分布，同时可以选择输出正态性曲线。 4、箱式图 判断方法：观测离群值和中位数。 5、茎叶图 类似与直方图，但实质不同。 三、计算法 1、峰度（Kurtosis）和偏度（Skewness） （1）概念解释 峰度是描述总体中所有取值分布形态陡缓程度的统计量。这个统计量需要与正态分布相比较，峰度为0表示该总体数据分布与正态分布的陡缓程度相同；峰度大于0表示该总体数据分布与正态分布相比较为陡峭，为尖顶峰；峰度小于0表示该总体数据分布与正态分布相比
较为平坦，为平顶峰。峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异 程度越大。 峰度的具体计算公式为： 注：SD就是标准差σ。峰度原始定义不减3，在SPSS中为分析方便减3后与0作比较。 偏度与峰度类似，它也是描述数据分布形态的统计量，其描述的是某总体取值分布的对称性。这个统计量同样需要与正态分布相比较，偏度为0表示其数据分布形态与正态分布的偏斜程度相同；偏度大于0表示其数据分布形态与正态分布相比为正偏或右偏，即有一条长尾巴拖在右边，数据右端有较多的极端值；偏度小于0表示其数据分布形态与正态分布相比为负偏或左偏，即有一条长尾拖在左边，数据左端有较多的极端值。偏度的绝对值数值越大表示其分布形态的偏斜程度越大。 偏度的具体计算公式为： 各种正态分布，尽管μ和σ可以分别取不同的值，但偏度都等于0，峰度都等于3，它们的密度函数曲线的形状都是一样的[1]。(SPSS中峰度减3与0比较 （2）适用条件 样本含量应大于200。 （3）检验方法 计算得到的峰度、偏度根据正态分布的值3、0（SPSS中为0、0）来直观判断是 否接近。 应对二者分别进行U检验来定量描述显著性，方法如下[2]：峰度U检验：|峰度-3| / 峰度标准差 <= U0.05 = 1.96（SPSS中将3替换为0）偏度U检验：|偏度-0| / 偏度标准差 <= U0.05 = 1.96 如果上述都成立，则可认为在0.05显著水平符合正态分布(下例偏度可判断不符合。
平均数、标准差与变异系数
第三章 平均数、标准差与变异系数 本章重点介绍平均数（mean ）、标准差（standard deviation ）与变异系数（variation coefficient ）三个常用统计量，前者用于反映资料的集中性，即观测值以某一数值为中心而分布的性质；后两者用于反映资料的离散性，即观测值离中分散变异的性质。 第一节 平均数 平均数是统计学中最常用的统计量，用来表明资料中各观测值相对集中较多的中心位置。在畜牧业、水产业生产实践和科学研究中，平均数被广泛用来描述或比较各种技术措施的效果、畜禽某些数量性状的指标等等。平均数主要包括有算术平均数（arithmetic mean ）、中位数（median ）、众数（mode ）、几何平均数（geometric mean ）及调和平均数（harmonic mean ），现分别介绍如下。 一、算术平均数 算术平均数是指资料中各观测值的总和除以观测值个数所得的商，简称平均数或均数，记为x 。算术平均数可根据样本大小及分组情况而采用直接法或加权法计算。 （一）直接法 主要用于样本含量n ≤30以下、未经分组资料平均数的计算。 设某一资料包含n 个观测值：x 1、x 2、…、x n ，则样本平均数x 可通过下式计算： n x n x x x x n i i n ∑== +++=1 21Λ （3-1） 其中，Σ为总和符号； ∑=n i i x 1表示从第一个观测值x 1 累加到第n 个观测值x n 。当∑=n i i x 1 在意义上已明确时，可简写为Σx ，（3-1）式即可改写为： n x x ∑= 【例3.1】 某种公牛站测得10头成年公牛的体重分别为500、520、535、560、585、 600、480、510、505、490（kg ），求其平均体重。 由于Σx =500+520+535+560+585+600+480+510+505+490=5285，n =10 代入（3—1）式得： .5(kg)52810 5285∑=== n x x 即10头种公牛平均体重为528.5 kg 。 （二）加权法 对于样本含量n ≥30以上且已分组的资料，可以在次数分布表的基础上采用加权法计算平均数，计算公式为：
SPSS检验正态分布
下面我们来看一组数据，并检验“期初平均分” 数据是否呈正态分布（此数据已在SPSS里输入好） 在SPSS里执行“分析—>描述统计—>频数统计表”(菜单见下图，英文版的可以找到相应位置)，然后弹出左边的对话框，变量选择左边的“期初平均分”，再点下面的“图表”按钮，弹出图中右边的对话框，选择“直方图”，并选中“包括正态曲线”
设置完后点“确定”，就后会出来一系列结果，包括2个表格和一个图，我们先来看看最下面的图，见下图， 上图中横坐标为期初平均分，纵坐标为分数出现的频数。从图中可以看出根据直方图绘出的曲线是很像正态分布曲线。如何证明这些数据符合正态分布呢，光看曲线还不够，还需要检验：
检验方法一：看偏度系数和峰度系数 我们把SPSS结果最上面的一个表格拿出来看看(见下图)： 偏度系数Skewness=-0.333;峰度系数Kurtosis=0.886；两个系数都小于1，可认为近似于正态分布。 检验方法二：单个样本K-S检验 在SPSS里执行“分析—>非参数检验—>单个样本K-S检验，弹出对话框，检验变量选择“期初平均分”，检验分布选择“正态分布”，然后点“确定”。 检验结果为：
从结果可以看出，K-S检验中,Z值为0.493，P值(sig 2-tailed)=0.968>0.05，因此数据呈近似正态分布 检验方法三：Q-Q图检验 在SPSS里执行“图表—>Q-Q图”，弹出对话框，见下图： 变量选择“期初平均分”，检验分布选择“正态”，其他选择默认，然后点“确定”，最后可以得到Q-Q图检验结果，结果很多，我们只需要看最后一个图，见下图。
spss_数据正态分布检验方法及意义
spss 数据正态分布检验方法及意义判读 要观察某一属性的一组数据是否符合正态分布，可以有两种方法（目前我知道这两种，并且这两种方法只是直观观察，不是定量的正态分布检验）： 1：在spss里的基本统计分析功能里的频数统计功能里有对某个变量各个观测值的频数直方图中可以选择绘制正态曲线。具体如下：Analyze-----Descriptive S tatistics-----Frequencies，打开频数统计对话框，在Statistics里可以选择获得各种描述性的统计量，如：均值、方差、分位数、峰度、标准差等各种描述性统计量。在Charts里可以选择显示的图形类型，其中Histograms选项为柱状图也就是我们说的直方图，同时可以选择是否绘制该组数据的正态曲线（With nor ma curve），这样我们可以直观观察该组数据是否大致符合正态分布。如下图： 从上图中可以看出，该组数据基本符合正态分布。 2：正态分布的Q-Q图：在spss里的基本统计分析功能里的探索性分析里面可以通过观察数据的q-q图来判断数据是否服从正态分布。 具体步骤如下：Analyze-----Descriptive Statistics-----Explore打开对话框，选择Plots选项，选择Normality plots with tests选项，可以绘制该组数据的q-q 图。图的横坐标为改变量的观测值，纵坐标为分位数。若该组数据服从正态分布，则图中的点应该靠近图中直线。 纵坐标为分位数，是根据分布函数公式F(x)=i/n+1得出的.i为把一组数从小到大排序后第i个数据的位置，n为样本容量。若该数组服从正态分布则其q-q图应该与理论的q-q图（也就是图中的直线）基本符合。对于理论的标准正态分布，其q-q图为y=x直线。非标准正态分布的斜率为样本标准差，截距为样本均值。 如下图：
变异系数计算法
全区可采：全部或基本全部可采； 大部分可采：局部可采～全区可采； 局部可采：有1/3左右分布比较集中的面积。 零星可采：面积很小，或分布零星，不便或不能被开发利用。 厚度：全层厚度、纯煤厚度、采用厚度（即估算厚度）。 全层厚度：包括夹矸，但不包括岩浆岩。用于研究煤层沉积环境、赋存规律、煤层对比。 采用厚度：即估算厚度，用于煤层可采程度评价(全区可采、大部分可采、局部可采)和估算资源储量。
钻孔控制可采、局部可采煤层情况一览表表4-2-3
一、采用厚度与全层厚度的区别 采用厚度主要用于煤层可采程度评价和估算煤层的资源量。 在研究煤层的沉积环境、赋存规律、煤层对比时，以考虑煤层的全层厚度为宜。 二、含煤系数： 含煤系数= 各煤层平均煤厚之和 ×100% 地层总厚度 三、可采煤层的煤厚与平均煤厚： 可采煤层的煤厚与平均煤厚应包括夹矸在内，因为在研究煤层的沉积环境、赋存规律、煤层对比时，以考虑煤层的全层厚度为宜。沉缺点、冲刷点、火侵点煤厚为0，当有岩浆岩夹矸时，应将岩浆岩夹矸扣除在外。 三、可采煤层的可采性指数(Km 为小数，一般取小数点后两位)： 可采性指数（Km ）= 可采点数（n ′） 见煤点数（n ） n ——井田内参与煤厚评价的见煤点总数（不包括沉缺、冲刷、火侵，要求分布均匀，有代表性） n ′——煤层采用厚度≥最低可采厚度的见煤点数 注：沉缺点、冲刷点、火侵点为非见煤点，不参与统计 四、可采煤层的煤厚变异系数(r 为百分数，一般取不保留小数)： （注：这里用的煤厚是指的煤层全厚度） %100?=M S r M ——井田内的平均煤厚 S ——均方差 煤层平均厚度公式 n M M M M M n ++++= 321 1 ) (1 2 --= ∑=n M M S n i i
spss数据正态分布检验
s p s s数据正态分布检验Newly compiled on November 23, 2020
spss数据正态分布检验
一、Z检验 第一步：录入数据。 1．命名“变量视图”； 2．“数据视图”中输入数据； 第二步：进行分析。 第三步：设置变量； 第四步：得到结果：
二、相关系数检验 在一项研究中，一个学生想检查生活意义和心理健康是否相关。同意参与这项研究的30个学生测量了生活意义和心理健康。生活意义的得分范围是10-70分（更高的得分表示更强的生活意义），心理健康的得分范围是5-35分（更高的得分表示更健康的心理状态）。 在研究中基本的兴趣问题也可以用研究问题的方式表示，例如 例题：生活意义和心理健康相关吗 相关系数数据的例子 ParticipantMeaninginLifeWell-being ParticipantMeaninginLifeWell-being 13519 26527 31419 43535 56534 63334 75435 82028 92512 105821 113018 123725 135119 145025 153029 167031 172512 185520 196131 205325 216032 223512 233528 245020 253924 266834 275628 281912 295635 306035 说明：变量participant包含在数据中，但不用输入SPSS。 在spss中输入数据及分析 步骤1：生成变量 1．打开spss。 2．点击“变量视图”标签。 在spss中将生成两个变量，一个是生活意义，另一个是心理健康。变量分别被命名为meaning和wellbeing。 3．在“变量视图”窗口前两行分别输入变量名称meaning和wellbeing。 步骤2：输入数据 1．点击“数据视图”，变量meaning和wellbeing出现在数据视图前两列。
SPSS 正态性检验方法
正态性检验方法的比较 理论部分 正态分布是许多检验的基础，比如F检验，t检验，卡方检验等在总体不是正太分布是没有任何意义。因此，对一个样本是否来自正态总体的检验是至关重要的。当然，我们无法证明某个数据的确来自正态总体，但如果使用效率高的检验还无法否认总体是正太的检验，我们就没有理由否认那些和正太分布有关的检验有意义，下面我就对正态性检验方法进行简单的归纳和比较。 一、图示法 1. P-P图 以样本的累计频率作为横坐标，以按照正态分布计算的相应累计概率作为纵坐标，以样本值表现为直角坐标系的散点。如果数据服从正态分布，则样本点应围绕第一象限的对角线分布。 2. Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为直角坐标系的散点。如果数据服从正太分布，则样本点应围绕第一象限的对角线分布。 以上两种方法以Q-Q图为佳，效率较高。 3. 直方图（频率直方图） 判断方法：是否以钟型分布，同时可以选择输出正态性曲线。 4. 箱线图 判断方法：观察矩形位置和中位数,若矩形位于中间位置且中位数位于矩形的中间位置，则分布较为对称，否则是偏态分布。 5. 茎叶图 判断方法：观察图形的分布状态,是否是对称分布。
二、偏度、峰度检验法（冒牌K-S 检验法）： 1. S ，K 的极限分布 样本偏度系数() 3 32 2B S B =；该系数用于检验对称性，S>0时，分布呈正偏态，S<0时， 分布呈负偏态。 样本峰度系数() 4 2 23B K B = -；该系数用于检验峰态，K>0时为尖峰分布，S<0时为 扁平分布；当S=0，K=0时分布呈正态分布。 0H ：F(x)服从正态分布 1H ：F(x)不服从正态分布 当原假设为真时，检验统计量 ~N(0,1) ~N (0,1) 对于给定的α， R ||={| >λ?| >λ} 其中14 u α - λ= 2. Jarque-Bera 检验（偏度和峰度的联合分布检验法） 检验统计量为 JB 22164n k S K -??= + ??? ()2 2χ~，JB 过大或过小时，拒绝原假设。 三、非参数检验方法 1. Kolmogorov-Smirnov 正态性检验（基于经验分布函数（ECDF ）的检验） ()()0max ||n D F x F x =- ()n F x 表示一组随机样本的累计概率函数，()0F x 表示分布的分布函数。 当原假设为真时，D 的值应较小，若过大，则怀疑原假设，从而，拒绝域为 {}R D d =>。对于给定的α，{}p P D d α=>=，又?{}n n p P D D =≥ 2. Lilliefor 正态性检验 该检验是对Kolmogorov-Smirnov 检验的修正，参数未知 时，由22??,X S μσ==可计算得检验统计量?n D 的值。 3. Shapiro-Wilk(W 检验) 检验统计量：
变异系数_层次分析_各种权重求解法
二、权重的确定方法 在统计理论和实践中，权重是表明各个评价指标（或者评价项目）重要性的权数，表示各个评价指标在总体中所起的不同作用。权重有不同的种类，各种类别的权重有着不同的数学特点和经济含义，一般有以下几种权重。 按照权重的表现形式的不同，可分为绝对数权重和相对数权重。相对数权重也称比重权数，能更加直观地反映权重在评价中的作用。 按照权重的形成方式划分，可分为人工权重和自然权重。自然权重是由于变换统计资料的表现形式和统计指标的合成方式而得到的权重，也称为客观权重。人工权重是根据研究目的和评价指标的内涵状况，主观地分析、判断来确定的反映各个指标重要程度的权数，也称为主观权重。 按照权重形成的数量特点的不同划分，可分为定性赋权和定量赋权。如果在统计综合评价时，采取定性赋权和定量赋权的方法相结合，获得的效果更好。 按照权重与待评价的各个指标之间相关程度划分，可分为独立权重和相关权重。 独立权重是指评价指标的权重与该指标数值的大小无关，在综合评价中较多地使用独立权重，以此权重建立的综合评价模型称为“定权综合”模型。 相关权重是指评价指标的权重与该指标的数值具有函数关系，例如，当某一评价的指标数值达到一定水平时，该指标的重要性相应的减弱；或者当某一评价指标的数值达到另一定水平时，该指标的重要性相应地增加。相关权重适用于评价指标的重要性随着指标取值的不同而发生变化的条件下，基于相关权重建立的综合评价模型被称为“变权模型”。比如评估环境质量多采用“变权综合”模型。 确定权重的方法较多，这里介绍统计平均法、变异系数法和层次分析法，这些也是实际工作种常用的方法。 (一) 统计平均法 统计平均数法（Statistical average method）是根据所选择的各位专家对各项评价指标所赋予的相对重要性系数分别求其算术平均值，计算出的平均数作为各项指标的权重。其基本步骤是： 第一步，确定专家。一般选择本行业或本领域中既有实际工作经验、又有扎实的理论基础、并公平公正道德高尚的专家； 第二步，专家初评。将待定权数的指标提交给各位专家，并请专家在不受外界干扰的前提下独立的给出各项指标的权数值； 第三步，回收专家意见。将各位专家的数据收回，并计算各项指标的权数均值和标准差；
SPSS中正态分布的检验
一、图示法 1、P-P图 以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。 2、Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。 以上两种方法以Q-Q图为佳，效率较高。 3、直方图 判断方法：是否以钟形分布，同时可以选择输出正态性曲线。 4、箱式图 判断方法：观测离群值和中位数。 5、茎叶图 类似与直方图，但实质不同。 二、计算法 1、偏度系数（Skewness）和峰度系数（Kurtosis） 计算公式： g1表示偏度，g2表示峰度，通过计算g1和g2及其标准误σg1及σg2然后作U 检验。两种检验同时得出U
spss统计学正态性检验教程
正态分布的检验 数据的正态分布是通过Analyze -> Descriptive Statistics -> Explore来实现的，同时该命令也可以检查异常值和极值，和进行方差齐性检验（方差齐性，本节不介绍）。 打开文件data0201-protein.sav，如下图，50种树叶中粗蛋白占干重的比例， 如果检验变量protein的正态性，按Analyze -> Descriptive Statistics -> Explore打开如下对话框， 把要检验的变量送入Dependent List框（可同时检验多个变量），Factor List框是分组变量（本例中无分组变量），Label Cases by框指定一个变量作为标识变量（可忽略），Display栏指定要输出的是统计量或统计图，或同时输出。 点击Statistics按钮，打开如下左对话框，选择要输出的统计量，选项Descriptives：描述统计量，选项M-estimators：集中趋势最大似然比（可忽略），选项outliers：5个最大值和最小值，选项Percentiles：第5、10、25、50、75、90、95百分位数，点击continue回到Explore对话框， 点击Plots，打开如上右对话框，Boxplots框选择箱状图的格式，选项None：不输出箱状图，选项Factor levels together：变量按分组生成箱状图，并列输出（本
例未分组），选项Dependents together：在一个图形中生成所有变量箱状图（本例只有一个变量），Descriptive框选择输出图形的类型；选项stem-and-leaf：茎叶图，选项Histogram：直方图；Normality plots with tests栏，输出正态概率和无趋势概率图，以及统计检验结果；Spread vs Level with Levene Test栏各选项与方差齐性检验有关，本节不介绍（只有选择分组变量时，才被激活）。点击Continue，回到Explore对话框， 点击Options打开如下对话框，选择缺失值（或无效值）的处理方式（本例无缺失值），选项Exclude cases listwise：剔除所有缺失值；选项Exclude cases pairwise：成对剔除缺失值；选项Report values：将缺失值单独分为一组，放在频数表中，点击Continue， 回到Explore对话框，点击OK，输出结果，类似如下几个图， 输出有效值和缺失值， 输出平均数等各统计量，也包括数据分布的偏度和峰度， 输出5个最大值和最小值，
利用SPSS检验数据是否符合正态分布
利用SPSS检验数据是否符合正态分布(2011-04-24 06:30:42) 正态分布也叫常态分布，在我们后面说的很多东西都需要数据呈正态分布。下面的图就是正态分布曲线，中间隆起，对称向两边下降。下面我们来看一组数据，并检验“期初平均分” 数据是否呈正态分布（此数据已在SPSS里输入好） 在SPSS里执行“分析—>描述统计—>频数统计表”(菜单见下图，英文版的可以找到相应位置)，然后弹出左边的对话框，变量选择左边的“期初平均分”，再点下面的“图表”按钮，弹出图中右边的对话框，选择“直方图”，并选中“包括正态曲线”
设置完后点“确定”，就后会出来一系列结果，包括2个表格和一个图，我们先来看看最下面的图，见下图，
上图中横坐标为期初平均分，纵坐标为分数出现的频数。从图中可以看出根据直方图绘出的曲线是很像正态分布曲线。如何证明这些数据符合正态分布呢，光看曲线还不够，还需要检验： 检验方法一：看偏度系数和峰度系数 我们把SPSS结果最上面的一个表格拿出来看看(见下图)：
偏度系数Skewness=-0.333;峰度系数Kurtosis=0.886；两个系数都小于1，可认为近似于正态分布。 检验方法二：单个样本K-S检验 在SPSS里执行“分析—>非参数检验—>单个样本K-S检验，弹出对话框，检验变量选择“期初平均分”，检验分布选择“正态分布”，然后点“确定”。 检验结果为： 从结果可以看出，K-S检验中,Z值为0.493，P值(sig 2-tailed)=0.968>0.05，因此数据呈近似正态分布 检验方法三：Q-Q图检验 在SPSS里执行“图表—>Q-Q图”，弹出对话框，见下图：
变异系数
变异系数 变异系数又称“标准差率”，是衡量资料中各观测值变异程度的另一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。 标准差与平均数的比值称为变异系数，记为C.V 。变异系数可以消除单位和（或）平均数不同对两个或多个资料变异程度比较的影响。 标准变异系数是一组数据的变异指标与其平均指标之比，它是一个相对变异指标。 变异系数有全距系数、平均差系数和标准差系数等。常用的是标准差系数，用C V(Coefficient of Variance)表示。 CV(Coefficient of Variance):标准差与均值的比率。 用公式表示为：CV ＝σ/μ 作用：反映单位均值上的离散程度，常用在两个总体均值不等的离散程度的比较上。若两个总体的均值相等，则比较标准差系数与比较标准差是等价的。 变异系数又称离散系数。 cpa 中也叫“变形系数” 1．标准差是用来反映各个数据值与数据均值的偏离程度的。标准差可以用来评价同一指标的各数据与这一指标数据平均值的偏离程度，即数据是否集中。标准差的值越大，就说明各个数据偏离均值的程度越大，那么均值对所有数据的代表程度越小。反之，标准差的值越小，就说明各个数据偏离均值的程度越小，那么均值对所有数据的代表程度越大。 标准差的计算： 假设标准差为S 。 对于未分组的原始数据，其标准差的计算公式为： n ) X X (S 2 n 1i i ∑-=＝（n>=30） 1n ) X X (S 2i -∑-=（n<30）
excel变异系数函数的计算方法
excel变异系数函数的计算方法 在Excel中经常会利用到函数进行数据的统计计算，虽然变异很少求到，但也会用到，下面是小编带来的关于excel变异系数函数的计算方法的内容，欢迎阅读! excel变异系数函数的计算方法 变异系数(Coefficient of Variation)又称标准差率，是衡量资料中各观测值变异程度的另一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和(或)平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值(相对值)来比较。 标准差与平均数的比值称为变异系数，记为C.V。变异系数可以消除单位和(或)平均数不同对两个或多个资料变异程度比较的影响. 变异系数越小，变异(偏离)程度越小，风险也就越小;反之，变异系数越大，变异(偏离)程度越大，风险也就越大。 变异系数的计算公式为：变异系数CV =标准偏差/ 平均值 如表：为某公司的用户使用的连续3个月的使用流量状况，如何求各用户的变异系数? 用户T-3月流量T-2月流量T-1月流量A0001283.3320.5273.3A0002102.1140.4180.3A000320.512.33 4.6A0004800.81029.8980.3A0005502.8321.3325.5A0006245.8
278.9296.4 A：主要解法如下： excel变异系数函数的计算方法1：首先使用AVERAGE函数求均值： =AVERAGE(B2:D2) excel变异系数函数的计算方法2：然后使用STDEV函数求标准差： =STDEV(B2:D2) excel变异系数函数的计算方法3：最后得到变异系数:CV=标准差/均值 最终结果如图所示： 用户T-3月流量T-2月流量T-1月流量均值标准差变异系数A0001283.3320.5273.3292.3724.870.085A0002102.1140.4180. 3140.9339.100.277A000320.512.334.622.4711.280.502A00048 00.81029.8980.3936.97120.490.129A0005502.8321.3325.5383. 20103.600.270A0006245.8278.9296.4273.7025.700.094看了excel变异系数函数的计算方法还看了：1.浅谈小麦产量构成因素的相关性分析 2.阿莫西林的研究进展 3.论中国地区工业发展态势及政策导向
spss数据正态分布检验
spss 数据正态分布检验 一、Z检验 二、相关系数检验 三、独立样本T检验 四、相依样本T检验 五、χ2独立性检验
一、Z检验 第一步：录入数据。 1．命名“变量视图”； 2．“数据视图”中输入数据； 第二步：进行分析。 第三步：设置变量；
第四步：得到结果：
二、相关系数检验 在一项研究中，一个学生想检查生活意义和心理健康是否相关。同意参与这项研究的30个学生测量了生活意义和心理健康。生活意义的得分围是10-70分（更高的得分表示更强的生活意义），心理健康的得分围是5-35分（更高的得分表示更健康的心理状态）。 在研究中基本的兴趣问题也可以用研究问题的方式表示，例如 例题：生活意义和心理健康相关吗？ 相关系数数据的例子 Participant Meaning in Life Well-being Participant Meaning in Life Well-being 1 35 19 2 65 27 3 1 4 19 4 3 5 35 5 65 34 6 33 34 7 54 35 8 20 28 9 25 12 10 58 21 11 30 18 12 37 25 13 51 19 14 50 25 15 30 29 16 70 31 17 25 12 18 55 20 19 61 31 20 53 25 21 60 32 22 35 12 23 35 28 24 50 20 25 39 24 26 68 34 27 56 28 28 19 12 29 56 35 30 60 35 说明：变量participant包含在数据中，但不用输入SPSS。 在spss中输入数据及分析 步骤1：生成变量 1．打开spss。 2．点击“变量视图”标签。 在spss中将生成两个变量，一个是生活意义，另一个是心理健康。变量分别被命名为meaning和wellbeing。 3．在“变量视图”窗口前两行分别输入变量名称meaning和wellbeing。 步骤2：输入数据 1．点击“数据视图”，变量meaning和wellbeing出现在数据视图前两列。 2．将两个变量的数据分别输入。如图。 步骤3：分析数据
spss正态性检验方法
理论部分 正态分布是许多检验的基础，比如F检验，t检验，卡方检验等在总体不是正太分布是没有任何意义。因此，对一个样本是否来自正态总体的检验是至关重要的。当然，我们无法证明某个数据的确来自正态总体，但如果使用效率高的检验还无法否认总体是正太的检验，我们就没有理由否认那些和正太分布有关的检验有意义，下面我就对正态性检验方法进行简单的归纳和比较。 一、图示法 1. P-P图 以样本的累计频率作为横坐标，以按照正态分布计算的相应累计概率作为纵坐标，以样本值表现为直角坐标系的散点。如果数据服从正态分布，则样本点应围绕第一象限的对角线分布。 2. Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为直角坐标系的散点。如果数据服从正太分布，则样本点应围绕第一象限的对角线分布。 以上两种方法以Q-Q图为佳，效率较高。 3. 直方图（频率直方图） 判断方法：是否以钟型分布，同时可以选择输出正态性曲线。 4. 箱线图
判断方法：观察矩形位置和中位数,若矩形位于中间位置且中位数位于矩形的中间位置，则分布较为对称，否则是偏态分布。 5. 茎叶图 判断方法：观察图形的分布状态,是否是对称分布。 二、偏度、峰度检验法（冒牌K-S 检验法）： 1. S ，K 的极限分布 样本偏度系数() 3 32 2B S B =；该系数用于检验对称性，S>0时，分布呈正偏态，S<0时， 分布呈负偏态。 样本峰度系数() 4 2 23B K B = -；该系数用于检验峰态，K>0时为尖峰分布，S<0时为扁 平分布；当S=0，K=0时分布呈正态分布。 0H ：F(x)服从正态分布 1H ：F(x)不服从正态分布 当原假设为真时，检验统计量 ~N(0,1) ~N(0,1) 对于给定的α， R ||={| >λ?| >λ} 其中14 u α - λ= 2. Jarque-Bera 检验（偏度和峰度的联合分布检验法） 检验统计量为 JB 22164n k S K -??= + ??? ()2 2χ~，JB 过大或过小时，拒绝原假设。
变异系数的意义
变异系数的意义 变异系数（又称离散系数）是概率分布离散程度的一个归一化量度。 变异系数只在平均值不为零时有定义，而且一般适用于平均值大于零的情况。变异系数也被称为标准离差率或单位风险。 变异系数只对由比率标量计算出来的数值有意义。举例来说，对于一个气温的分布，使用开尔文或摄氏度来计算的话并不会改变标准差的值，但是温度的平均值会改变，因此使用不同的温标的话得出的变异系数是不同的。也就是说，使用区间标量得到的变异系数是没有意义的。 在概率论和统计学中，变异系数，又称“离散系数”（英文：coefficient of variation），是概率分布离散程度的一个归一化量度，其定义为标准差与平均值之比： 变异系数（coefficient of variation）只在平均值不为零时有定义，而且一般适用于平均值大于零的情况。变异系数也被称为标准离差率或单位风险。 变异系数只对由比率标量计算出来的数值有意义。举例来说，对于一个气温的分布，使用开尔文或摄氏度来计算的话并不会改变标准差的值，但是温度的平均值会改变，因此使用不同的温标的话得出的变异
系数是不同的。也就是说，使用区间标量得到的变异系数是没有意义的。 2基本含义 变异系数 一般来说，变量值平均水平高，其离散程度的测度值越大，反之越小。 变异系数是衡量资料中各观测值变异程度的另一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。标准差与平均数的比值称为变异系数，记为C·V。变异系数可以消除单位和（或）平均数不同对两个或多个资料变异程度比较的影响。 变异系数的计算公式为：变异系数C·V =（标准偏差SD / 平均值Mean ）× 100% 在进行数据统计分析时，如果变异系数大于15%，则要考虑该数据可能不正常，应该剔除。 3举例
SPSS检验步骤总结
检验步骤总结: 1、t检验 2、方差分析 3、卡方检验 4、秩与检验 5、相关分析 6、线性回归 1、t检验(要求数据来自正态总体,可能需要先做正态检验) （1）单一样本t检验 数据特征:单一样本变量均数与某固定已知均数进行比较 方法:ANALYZE-PARE MEANS-ONE SAMPLE t TEST （2）独立样本t检验 数据特征:两个独立、没有配对关系得样本(有专门变量表示组数) 方法:ANALYZE-PARE MEANS-INDEPENDENT SAMPLES t TEST 注意观察方差分析结果,判断查瞧得数据就是哪一行！ （3）配对样本t检验 数据特征:两个不独立得,有配对关系得样本(没有专门变量表示组数) 方法:ANALYZE-PARE MEANS-PAIRED SAMPLES t TEST 不需要方差分析结果 检验步骤: （1）正态性检验1(有同学推荐,老师没有强调,但依据理论应进行) （2）建立假设(H0:。。。。来自同一样本。H1:。。。。不来自同一样本) （3）确定检验水准 （4）计算统计量(依据上面不同样本类型选择检验方法,注意独立样本t检验要先注明方差分析结果) （5）确定概率值P （6）得出结论 2、方差分析(要求数据来自正态总体,可能需要先做正态检验) （1）单因素方差分析 数据特征:相互独立、来自正态总体、随机、方差齐性得多样本(有专门变量表示 组数,且组数大于2) 方法:ANALYZE-PARE MEANS-ONE WAY ANOVA 注意需要在options 里面选择homogeneity variance test 做方差分析 符合方差齐性才可以得出结论！(>0、1) （2）双因素方差分析 数据特征:有三列数据,1列就是主要研究因素,1列就是配伍组因素,1列就是研究 数据。 方法:GENERAL LINEAR MODEL-UNIVARIATE (注意选择model里得custom,type就是 main effect,注意把两个因素选择为fixed factor) 检验步骤: （1）正态性检验(有同学推荐,老师没有强调,但依据理论应进行) （2）建立假设(H0:。。。。来自同一样本。H1:。。。。不全来自同一样本或全不来自同一样本) 1正态性检验方法:analyze-explore-plot里面选择normality test