确定选项间重要程度的常用统计分析方法
统计分析方法的一点总结
统计分析⽅法的⼀点总结1.1两组独⽴样本⽐较1.1.1 资料符合正态分布,且两组⽅差齐性,直接采⽤t检验。
1.1.2 资料不符合正态分布，（1）可进⾏数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采⽤t检验；（2）采⽤⾮参数检验,如Wilcoxon检验（即，秩和检验）。
1.1.3 资料⽅差不齐，（1）采⽤Satterthwate 的t’检验；（校正t检验，前提资料要服从正态分布）（2）采⽤⾮参数检验,如Wilcoxon检验。
1.2两组配对样本的⽐较1.2.1 两组差值服从正态分布，采⽤配对t检验。
1.2.2 两组差值不服从正态分布，采⽤wilcoxon的符号配对秩和检验。
1.3多组完全随机样本⽐较1.3.1资料符合正态分布，且各组⽅差齐性，直接采⽤完全随机的⽅差分析（即，单因素⽅差分析）。
如果检验结果为有统计学意义，则进⼀步作两两⽐较，两两⽐较的⽅法有LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。
1.3.2资料不符合正态分布，或各组⽅差不齐，则采⽤⾮参数检验的Kruscal－Wallis 法。
如果检验结果为有统计学意义，则进⼀步作两两⽐较，⼀般采⽤Bonferroni法校正P值，然后⽤成组的Wilcoxon检验。
1.4多组随机区组样本⽐较1.4.1资料符合正态分布，且各组⽅差齐性，直接采⽤随机区组的⽅差分析。
如果检验结果为有统计学意义，则进⼀步作两两⽐较，两两⽐较的⽅法有LSD检验，Bonferroni 法，tukey法，Scheffe法，SNK法等。
1.4.2资料不符合正态分布，或各组⽅差不齐，则采⽤⾮参数检验的Fridman检验法。
如果检验结果为有统计学意义，则进⼀步作两两⽐较，⼀般采⽤Bonferroni法校正P 值，然后⽤符号配对的Wilcoxon检验。
****需要注意的问题：（1）⼀般来说，如果是⼤样本，⽐如各组例数⼤于50，可以不作正态性检验，直接采⽤t检验或⽅差分析。
离差及均方差法-概述说明以及解释
离差及均方差法-概述说明以及解释1.引言1.1 概述概述离差及均方差法是统计学中常用的数据分析方法之一。
离差法通过计算数据点与数据集平均值之间的差异，来描述数据的离散程度和变异程度。
均方差法则是通过计算数据点与数据集平均值的平方差的平均值来度量数据的离散程度。
这两种方法在统计分析中被广泛应用，可以帮助研究人员揭示数据的分布情况和趋势，从而做出合理的推断和决策。
本文将首先介绍离差法的定义和计算方法。
离差是指每个数据点与数据集平均值之间的差异，可以通过计算每个数据点与平均值的差的绝对值来得到。
离差法可以帮助我们了解数据的离散情况，较大的离差值意味着数据的波动性较大，而较小的离差值则表示数据相对稳定。
此外，离差法也可以用于数据的标准化处理，将数据转化为相对于平均值的差异程度，便于不同数据集之间的比较和分析。
接下来，我们将介绍离差法在统计分析中的应用。
离差法可以帮助我们计算数据集的标准差，用于描述数据的离散程度。
标准差越大，表示数据的波动性越大，反之则表示数据比较稳定。
在实际应用中，离差法常用于评估投资组合的风险，进行财务分析和市场研究等。
然后，我们将介绍均方差法的定义和计算方法。
均方差是指每个数据点与数据集平均值的平方差的平均值，通过平方差的平均值来度量数据的离散程度。
均方差法可以帮助我们了解数据点与平均值之间的差异程度，较大的均方差值意味着数据的波动性较大，而较小的均方差值则表示数据相对稳定。
均方差法常用于回归分析和方差分析等统计方法中。
最后，我们将总结离差及均方差法的优缺点，并对其在实际应用中的意义进行讨论。
这两种方法在数据分析中起着重要的作用，能够帮助我们理解数据的分布情况和变异情况。
然而，离差法只考虑了数据与平均值之间的差异，而未考虑数据之间的相对位置关系；而均方差法则通过平方差来放大数据之间的差异，可能会受到极端值的影响。
在实际应用中，我们需要根据具体情况选择适合的方法，并结合其他统计方法进行综合分析。
比例量表的名词解释
比例量表的名词解释比例量表（Proportional Scale）是一种经济学、统计学、市场营销和调查研究中常用的测量工具。
它是一种有序的评估工具，用于测量变量间相对大小关系。
比例量表常被用于确定各种概念、特性或观点的相对程度或重要性，从而提供一种客观的评估方法。
比例量表基于比例关系，用来描述事物之间的比较结果。
这种量表允许研究者根据不同变量之间的相对差异，对对象进行排序。
在比例量表中，通过给人们提供选择或评分选项，可以大致了解对象在某个特定属性上的相对位置。
比例量表通常由数列、图表或表格等形式呈现。
其中，等距刻度比例量表是最常见的一种形式，因其使用范围广泛而备受研究者青睐。
等距刻度比例量表将变量分为不同的等级或级别，每个级别之间的间隔相等。
例如，评价某一产品的质量，可以使用5级量表，从“非常差”到“非常好”。
研究参与者可以在这个5级量表中选择符合其观点的程度。
相比于其他测量方法，比例量表具有更高的可靠性和有效性。
这是因为比例量表提供了一种相对客观的量化方式，使得研究者能够更准确地评估变量之间的差异。
通过比例量表，可以获取被测变量的定量、连续数据，从而使研究结果更具可信度和可解释性。
在调查研究和市场调研中，比例量表被广泛应用于问卷设计和数据分析。
通过设计合适的比例量表，研究者可以调查受众对某一特定主题或产品的态度、看法或偏好。
与之相关的分析方法包括描述性统计、回归分析和因素分析等。
尽管比例量表具有广泛的应用和优势，但也存在一些限制。
首先，比例量表的设计和应用需要依赖研究者对受众的了解和判断。
如果研究者对研究对象不够了解，可能会设计出不准确的量表，从而影响研究结果的有效性。
其次，比例量表仅仅提供了变量之间的相对差异，而非绝对数值。
这意味着比例量表不能提供关于变量之间具体差距的信息。
因此，在解释和分析结果时，应该结合其他相关数据，以获得更全面和准确的结论。
总之，比例量表是一种常用的测量工具，用于研究和调查中对变量之间相对差异的评估。
重要值的计算方法
重要值的计算方法重要值是一种常用的数据分析方法，用于确定数据中的重要性和影响力。
它可以用于各种领域和行业，例如市场营销、投资决策、项目管理等。
下面将介绍一些常见的重要值计算方法。
1.数据相关性分析法：数据相关性分析法是最常见的重要值计算方法之一、它通过分析数据之间的相关性来确定数据的重要性。
相关性通常使用相关系数来度量，常见的相关系数包括Pearson相关系数和Spearman相关系数。
相关系数的值在-1到1之间，绝对值越大代表相关性越强。
当相关系数接近于1时，说明两个变量之间存在强烈的正相关关系，而接近于-1则表示存在强烈的负相关关系。
2.加权平均法：加权平均法是根据数据的重要性分配权重，然后计算加权平均值来确定数据的重要程度。
在加权平均法中，每个数据点的权重是根据其重要性来决定的。
权重可以根据经验或专家判断进行分配，也可以通过数学模型进行计算。
3.经济价值法：经济价值法是一种通过经济意义来确定数据的重要性的方法。
它基于数据对决策和业务结果的贡献来进行评估。
经济价值可以通过多种方式来计算，例如ROI（投资回报率）和ROAS（广告支出回报率）等。
这些指标可以帮助确定数据对实现利润和业绩目标的贡献程度。
4.信息熵法：信息熵法是一种常用的在决策分析中用来评估数据重要性的方法。
它基于信息熵的概念，通过计算数据的熵值来确定其重要性。
熵值越大，数据的重要性越低。
熵值的计算可以使用香农熵公式或其他相关的熵计算方法来实现。
5.敏感性分析法：敏感性分析法用于确定数据对特定变量或条件的敏感性和重要性。
它通过对数据进行不同的变化和模拟来评估其对结果的影响。
敏感性分析法可以使用数值模型或统计模型来进行计算和评估。
通过敏感性分析，可以了解到数据的变化对决策结果的影响程度，从而确定数据的重要性。
以上介绍的重要值计算方法只是一些常见的方法，具体的计算方法和使用场景可以根据实际情况进行选择和调整。
在实际应用中，通常会综合多个方法进行分析，以得到更准确和全面的结果。
数据统计分析软件SPSS的应用(五)——相关分析与回归分析
数据统计分析软件SPSS的应用(五)——相关分析与回归分析数据统计分析软件SPSS的应用(五)——相关分析与回归分析数据统计分析软件SPSS是目前应用广泛且非常强大的数据分析工具之一。
在前几篇文章中，我们介绍了SPSS的基本操作和一些常用的统计方法。
本篇文章将继续介绍SPSS中的相关分析与回归分析，这些方法是数据分析中非常重要且常用的。
一、相关分析相关分析是一种用于确定变量之间关系的统计方法。
SPSS提供了多种相关分析方法，如皮尔逊相关、斯皮尔曼相关等。
在进行相关分析之前，我们首先需要收集相应的数据，并确保数据符合正态分布的假设。
下面以皮尔逊相关为例，介绍SPSS 中的相关分析的步骤。
1. 打开SPSS软件并导入数据。
可以通过菜单栏中的“File”选项来导入数据文件，或者使用快捷键“Ctrl + O”。
2. 准备相关分析的变量。
选择菜单栏中的“Analyze”选项，然后选择“Correlate”子菜单中的“Bivariate”。
在弹出的对话框中，选择要进行相关分析的变量，并将它们添加到相应的框中。
3. 进行相关分析。
点击“OK”按钮后，SPSS会自动计算所选变量之间的相关系数，并将结果输出到分析结果窗口。
4. 解读相关分析结果。
SPSS会给出相关系数的值以及显著性水平。
相关系数的取值范围为-1到1，其中-1表示完全负相关，1表示完全正相关，0表示没有相关关系。
显著性水平一般取0.05，如果相关系数的显著性水平低于设定的显著性水平，则可以认为两个变量之间存在相关关系。
二、回归分析回归分析是一种用于探索因果关系的统计方法，广泛应用于预测和解释变量之间的关系。
SPSS提供了多种回归分析方法，如简单线性回归、多元线性回归等。
下面以简单线性回归为例，介绍SPSS中的回归分析的步骤。
1. 打开SPSS软件并导入数据。
同样可以通过菜单栏中的“File”选项来导入数据文件，或者使用快捷键“Ctrl + O”。
2. 准备回归分析的变量。
《经济统计学原理》考试题库及带答案(二)
《经济统计学原理》考试题库及带答案统计学原理试题（A）一、填空题(每小题1分，共10分)1.标志按其特征的不同，可以分为品质标志与________。
2.统计指标由指标名称和________。
3.统计分组的关键在于选择分组标志和划分________。
4.总量指标按其反映的内容不同，可进一步细分为标志总量和________。
5.平均指标反映了总体分布的________。
6.测定循环变动的常用方法称为________。
7.如果用的是各年份季度资料，应采取________移动平均。
8.三个或三个以上在经济上有联系，数量上保持一定对等关系的指数形成的一个整体，称为________。
9.就方法来说，参数估计的基础是概率论中的大数法则和________。
10.估计标准误差愈小，根据回归直线方程式计算的估计值就________。
二、单项选择题(每小题1分，共15分)在每小题列出的四个选项中只有一个选项是符合题目要求的，请将正确选项前的字母填在题后的括号内。
11.社会经济统计学属于社会科学的()A.实验论和理论性的学科B.方法论和应用性的学科C.系统论和全面性的学科D.信息论和社会性的学科12.下列属于数量标志的是()A.职工的工龄B.职工的性别C.职工的政治面貌D.职工的籍贯13.某人的民族是汉族，则汉族是()A.数量标志B.品质标志C.统计总体D.总体单位14.统计设计的中心内容是()A.确定统计指标和指标体系B确定统计分析的方法 C.确定统计分析的内容D明确统计研究的目的15.调查项目的承担者是()A.调查对象B.调查项目C.调查单位D.填报单位16.对连续型组距数列，凡是某单位的标志值刚好等于相邻两组上下限数值时，一般是()A将此值归入上限所在组B将此值归入下限所在组C将此值归入上限所在组或下限所在组D.另立一组17.某校2001年在校学生人数6000人，毕业生人数1400人，上述两个指标是()A.均为时期指标B.均为时点指标C.前者为时期指标，后者为时点指标D.前者为时点指标，后者为时期指标18.第一组工人的平均工龄为6年，第二组为8年，第三组为10年，第一组工人数占总数的30%，第二组占50%，则三组工人的平均工龄为()A.8年B.7.55年C.32.5年D.7.8年19.某企业有三个流水连续作业车间，某月份间产品合格率分别为95%，90%，85，全厂平均合格率要采用的算式是()A.B.C.D.20.如果某商店销售额的环比增长量每年都相等，则其各年的环比增长速度是()A.年年增长B.年年下降C.年年不变D.无法确定21.在长期趋势分析中，如果被研究现象的各年二次差或二次增长量接近于一个常数，则该现象应拟合()A.直线B.二次抛物线C.指数曲线D.双曲线22.某企业2001年产量比2000年增长了13.6%，生产费用增加了12.9%，则该厂年产品成本()A.减少了0.62%B.增加了0.62%C.减少了0.7%D.增加了0.7%23.有效性是指优良估计量的方差与其它估计量的方差相比()A.优良估计量方差小B.优良估计量方差大C.两者相等D.两者不等24.在同样的条件下，不重复抽样的抽样平均误差与重复抽样的抽样平均误差相比()A.两者相等B.前者大于后者C.前者小于后者D.两者大小无法确定25.进行相关分析，要求相关的两个变量()A.都是随机的B.一个是随着机的，一个不是随机的C.随机和不随机都可以D.都不是随机的三、多项选择题(每小题1分，共10分)在每小题列出的五个选项中有二至五个选项是符合题目要求的，请将正确选项前的字母填在题后的括号内。
分析数据的方法
分析数据的方法数据分析是现代社会中非常重要的一项工作，它可以帮助我们更好地理解和利用各种数据，从而做出更明智的决策。
在进行数据分析时，我们需要掌握一些有效的方法和技巧，下面将介绍几种常用的数据分析方法。
首先，我们可以使用描述性统计分析方法来对数据进行描述和总结。
描述性统计分析可以帮助我们了解数据的分布情况、中心趋势和离散程度，常用的描述性统计指标包括均值、中位数、标准差、最大最小值等。
通过描述性统计分析，我们可以对数据的基本特征有一个直观的认识，为进一步分析奠定基础。
其次，我们可以使用相关性分析方法来研究不同变量之间的关系。
相关性分析可以帮助我们了解变量之间的相关程度和相关方向，常用的相关性分析方法包括皮尔逊相关系数、斯皮尔曼相关系数等。
通过相关性分析，我们可以发现变量之间的潜在关联，为后续的建模和预测提供依据。
另外，回归分析是一种常用的数据分析方法，它可以帮助我们探究自变量和因变量之间的函数关系。
回归分析可以帮助我们预测因变量的取值，并研究自变量对因变量的影响程度，常用的回归分析方法包括线性回归、逻辑回归等。
通过回归分析，我们可以建立模型来解释和预测数据，为决策提供支持。
此外，聚类分析是一种用于发现数据内在结构的方法，它可以帮助我们将数据划分为不同的类别或簇。
聚类分析可以帮助我们发现数据中的隐藏模式和规律，常用的聚类分析方法包括K均值聚类、层次聚类等。
通过聚类分析，我们可以将数据进行分类，为个性化推荐、市场细分等提供支持。
最后，我们还可以使用时间序列分析方法来研究时间序列数据的规律和趋势。
时间序列分析可以帮助我们预测未来的趋势和变化，常用的时间序列分析方法包括移动平均法、指数平滑法、ARIMA模型等。
通过时间序列分析，我们可以发现数据中的周期性、趋势性等规律，为未来的规划和决策提供支持。
综上所述，数据分析是一项复杂而又重要的工作，我们需要掌握多种数据分析方法来应对不同的情况。
希望以上介绍的几种数据分析方法能够为大家在实际工作中提供一些帮助，也希望大家在数据分析过程中能够灵活运用这些方法，发现数据中的价值和规律。
数据分析方法
数据分析方法数据分析是指通过收集、整理、分析和解释数据，从中提取出有价值的信息，以支持决策和解决问题。
在如今的信息爆炸时代，数据分析成为各个领域中必不可少的工具。
本文将介绍几种常用的数据分析方法。
一、描述统计分析描述统计分析主要用于对数据进行总结和描述，包括以下几个方面：1. 中心趋势测量：包括均值、中位数和众数。
均值是一组数据的平均值，中位数是数据中间的数值，众数是出现次数最多的数值。
2. 变异程度测量：包括标准差、方差和范围。
标准差是数据偏离平均值的度量，方差是标准差的平方，范围是数据中最大值和最小值的差。
3. 分布形状测量：包括偏度和峰度。
偏度反映数据分布的对称性，偏度为正表示右偏，为负表示左偏；峰度反映数据分布的尖峰或平坦程度，峰度大于3表示尖峰分布。
二、推论统计分析推论统计分析通过对样本数据的推论，对总体数据进行估计和推断。
常见的推论统计方法包括：1. 参数推断：通过样本数据估计总体参数。
常用的参数估计方法包括置信区间估计和假设检验。
置信区间估计给出了参数的估计范围，假设检验则用于判断参数的真假。
2. 非参数推断：针对样本数据的分布情况进行推断。
常用的非参数方法包括秩和检验、Kolmogorov-Smirnov检验等。
三、回归分析回归分析用于研究变量之间的关系，并进行预测和解释。
常见的回归分析方法包括：1. 线性回归：建立线性模型，分析自变量和因变量之间的线性关系。
通过回归方程可以预测因变量的取值。
2. 逻辑回归：用于处理二分类问题，建立逻辑模型，通过估计概率来预测因变量的结果。
3. 多元回归：用于分析多个自变量对因变量的影响，建立多元模型来进行预测和解释。
四、聚类分析聚类分析用于将数据集中的对象划分为若干个组，使得组内的对象相似度高，组间的相似度低。
常用的聚类方法包括：1. 划分聚类：将数据集划分为互不重叠的子集，每个子集代表一个聚类。
2. 层次聚类：通过层次的方式逐步合并或分割聚类，得到一个层次结构。
统计词语的产生、常用统计术语、权数、统计分析的八种方法
统计词语的产生、常用统计术语、权数、统计分析的八种方法目录：一、“统计”词语的产生二、常用统计术语三、权数四、统计分析的八种方法一、“统计”词语的产生统计已经有几千年的历史。
不过在早期还没有出现“统计”这样的用语。
统计语源最早出现于中世界拉丁语的Status，意思指各种现象的状态和状况。
由这一语根组成意大利语Stato，表示“国家”的概念，也含有国家结构和国情知识的意思。
根据这一语根，最早作为学名使用的“统计”，是在十八世纪德国政治学教授亨瓦尔（G.Achenwall)在1749年所著《近代欧洲各国国家学纲要》一书绪言中，把国家学名定为“Statistika”（统计）这个词。
原意是指“国家显著事项的比较和记述”或“国势学”，认为统计是关于国家应注意事项的学问。
此后，各国相继沿用“统计”这个词，并把这个词译成各国的文字，法国译为Statistique，意大利译为Statistica，英国译为Statistics，日本最初译为“政- 1 -表”、“政算”、“国势”、“形势”等，直到1880年在太政官中设立了统计院，才确定以“统计”二字正名。
1903年（清光绪廿九年）由钮永建、林卓南等翻译了四本横山雅南所著的《统计讲义录》一书，把“统计”这个词从日本传到我国。
1907年（清光绪卅三年）彭祖植编写的《统计学》在日本出版，同时在国内发行，这是我国最早的一本“统计学”书籍。
“统计”一词就成了记述国家和社会状况的数量关系的总称。
二、常用统计术语1、统计指标是反映总体现象数量特征的概念和具体数值。
2、基期统计上通常把作为比较的基础时期称为基期。
3、报告期统计上通常把和基期对比的时期称为计算期或报告期。
4、发展速度- 2 -是反映某种社会经济现象发展程度的相对指标，它是报告期发展水平与基期发展水平之比，用来说明报告期水平已发展到基期水平的若干倍或百分之几，即说明社会经济现象发展变化的快慢。
其计算公式为：发展速度＝某指标报告期数值∕该指标基期数值。
统计分析的方法
统计分析的方法统计分析是一种通过收集、整理、分析和解释数据来揭示事物规律和特征的方法。
在各个领域，统计分析都扮演着至关重要的角色，它可以帮助我们理解现象背后的规律，为决策提供依据，指导实践工作。
因此，掌握统计分析的方法对于我们来说至关重要。
本文将介绍一些常用的统计分析方法，希望能为大家提供一些帮助。
首先，我们来介绍描述统计分析方法。
描述统计分析是通过对数据的整理、概括和描述来了解数据的基本特征。
常用的描述统计分析方法包括集中趋势的度量和离散程度的度量。
集中趋势的度量包括均值、中位数和众数，它们可以帮助我们了解数据的平均水平；离散程度的度量包括标准差、方差和极差，它们可以帮助我们了解数据的分散程度。
通过描述统计分析，我们可以对数据的整体情况有一个直观的了解，为后续的分析打下基础。
其次，我们来介绍推断统计分析方法。
推断统计分析是通过对样本数据进行分析，推断总体数据的特征和规律。
常用的推断统计分析方法包括假设检验和置信区间估计。
假设检验是用来检验总体参数假设的方法，通过对样本数据进行分析，判断总体参数是否符合我们的假设；置信区间估计是用来估计总体参数范围的方法，通过对样本数据进行分析，得到总体参数的置信区间。
通过推断统计分析，我们可以从样本数据中推断出总体数据的特征，为决策提供依据。
最后，我们来介绍多元统计分析方法。
多元统计分析是通过对多个变量进行分析，揭示变量之间的关系和规律。
常用的多元统计分析方法包括相关分析和回归分析。
相关分析是用来分析变量之间相关关系的方法，通过计算相关系数来衡量变量之间的相关程度；回归分析是用来分析自变量对因变量影响的方法，通过建立回归方程来揭示变量之间的因果关系。
通过多元统计分析，我们可以了解变量之间的关系和规律，为问题的解决提供科学依据。
总之，统计分析是一种重要的分析方法，它可以帮助我们了解数据的规律和特征，指导决策和实践工作。
在实际应用中，我们可以根据具体情况选择合适的统计分析方法，灵活运用，取得理想的分析效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
•
因此，要检验裁判员评分时采用的评判标准是否一致及运
动员的水平之间是否有差异等，采用非参数检验中的相应方法
来处理上述两种类型的数据资料应是首选。
6.1.1 建立排序题的数据文件（续4）
•
由于前者是计量资料，故可采用弗里德曼(Friedman)检验
法来检验；而由于后者是等级资料，故可采用肯德尔调和系数
1．计算秩和 对 N 个个案中的每个个案，对其 k 个变量排序并从 1 到 k 赋秩，在结(相同观察值称为结) 上赋予平均秩。对 k 个变量中的每个变量，计算样品的秩和，用符号Cl 表示，则每个变量的平均 秩为 Rl Cl / N 。
2．检验 此检验的原假设为 H0 : k 个相关的变量来自同一个总体。
检验统计量为
k
12 / Nk(k 1) Cl2 3N(k 1)
2
l 1
1 T / Nk(k 2 1)
Nk
式中， T
(t3 t) ， t 为变量结的长度，R 为最大变量数。
i1 l1
在原假设为真时，上面的 2 ~ 2 (k 1) 。
当 P 时，拒绝原假设。
6.1.2.1 弗里德曼检验法（续1）
量至少达到5以上。因此，用单因素方差分析法来处理表
6-2中的数据，以便得出不同运动员水平间平均得分是否
有差异的统计结论是有些牵强的。
6.1.1 建立排序题的数据文件（续3）
•
当各裁判员之间的水平存在差异时，即裁判员因素也影响
最终运动员的得分时，那么影响运动员最后得分的因素除运动
员因素外，还有裁判员因素，这样看来，它似乎也适合用双因
第6章 确定选项间重要程度的常用统计分析方法
• 6.1 排序题中常用的统计分析方法 • 6.2 确定矩阵式选项权重系数的方法
6.1 排序题中常用的统计分析方法
• 6.1.1 建立排序题的数据文件 • 6.1.2 一致性检验方法 • 6.1.3 确定各选项对题项影响的重要程度(权重系数)的常
用统计方法
运动
裁判员
员12源自3413
2
3
2
2
1
1
1
4
3
2
4
2
1
4
6
6
5
6
5
4
5
6
5
6
5
3
4
3
7
7
7
7
7
6.1.2 一致性检验方法
• 6.1.2.1 弗里德曼检验法 • 6.1.2.2 Kendall协同系数检验法
6.1.2.1 弗里德曼检验法
弗里德 曼检验法等 同于一个样 本重复测定 设计或每 单元一个观 察值的双因 素方差分析 的非参数检验，它适用于计量资料。其计算步骤如下。
(kendall’s W)检验法来检验。
•
现在为表6-2中的资料建立数据文件，设置运动员1至运动
员7共7个数字型尺度测度变量，用来存放得分，每个裁判员给
所有运动员的评分为一个记录，故在该数据文件中共有4个记录。
变量属性等详细信息见数据文件data06-01.sav。
•
再为表6-3中的资料建立数据文件，由于上述排序题中，共
•
下面结合实例加以说明。
6.1.1 建立排序题的数据文件（续1）
•
例6.1 为研究排序法和评分法之间的关联，由7名武
术通臂拳运动员进行实景表演赛，随机抽取4名武术裁判
员参与现场打分。设计的调查问卷要求裁判员对每名表演
完的运动员进行现场打分，并在所有运动员表演结束后，
每名裁判员按7名运动员的整体表现，分别给出7人的总排 名记录。问卷调查中的得分、排名见表6-1。
6.1.1 建立排序题的数据文件
•
排序题中，建立的变量数等于其题项中的选项数。用
第1个变量表示第1个选项，用第2个变量表示第2个选
项，……，用第n个变量表示第n个选项。进一步地，每个
变量的设定方法与应答方式为等级式的有序单选题，也就
是将每个变量设定为有序测度的数字型变量，输入数字1， 表示该选项排在第1位；输入数字2，表示该选项排在第2 位；……；输入数字n，表示该选项排在第n位。
同运动员之间得分的差异性分析了。不过，单因素方差分
析法适用的条件，除因变量为计量资料外，得分变量还必
须服从正态分布。然而，在每个运动员只有4名裁判员给
分的条件下，很难有足够的证据去验证每个运动员的“得
分”变量是否服从正态分布的假定。前面提到的适用于小
样本情形下检验变量正态性的K-S法，也需要变量的样本
5
6
7
运动员得分
运动员总排名
表6-2 通臂拳比赛中7名运动员的临场得分统计表
裁判员
运动员
1
2
3
4
1
8.6
8.9
8.8
8.8
2
8.9
8.9
8.9
8.7
3
8.8
8.7
8.9
9
4
8.4
8.6
8.6
8.6
5
8.6
8.6
8.6
8.6
6
8.4
8.8
8.8
8.8
7
8.1
8.3
8.5
8.5
表6-3 7名运动员的总排名表
侧源变量框中，选择变量“运动员1”至“运动员7”进入
【检验变量】框中。在【检验类型】框中选择【Friedman】
有7个选项(运动员1至运动员7)，而裁判员的排名相当于做了一
次由4名专家参加的专家调查。因此，建立7个数字型等级测度
变量，每个变量在1～7中取整数值，意为位置值，数据文件中
共有4个记录。变量属性等详细信息见数据文件data05-02.sav。
表6-1 排序法与评分法对比调查问卷表
运动员编号
1
2
3
4
素方差分析法来进行分析。同样地，双因素方差分析法适用的
前提条件也需要“得分”这个因变量服从正态分布。从试验的
角度而言，运动员的不同水平与裁判员的不同水平之间只做了
一次搭配试验，因此，只有一个因变量的测定值，无法对此进 行正态性检验。除非我们能得到前人研究中的佐证，否则，此 时强制地假定得分服从正态分布，是不能令人信服的。
• 3．实例分析
•
例6.1 基于表6-2中数据，试检验运动员得分间是否
有显著性差异。数据文件为data06-01.sav。
• 在SPSS中，解题步骤如下。
•
(1)在SPSS数据编辑窗口中，打开数据文件data06-
01.sav。
•
(2)按【分析→非参数检验→旧对话框→K个相关样本】
顺序打开【多个关联样本检验】对话框，见图6-1。从左
•
整理4名裁判员的得分、排名记录表后，得到如表6-2
所示的临场得分统计表，以及如表6-3所示的总排名表。
6.1.1 建立排序题的数据文件（续2）
•
初看表6-2中的数据结构，当各裁判员之间的水平不
存在差异时，即裁判员因素不影响最终运动员的得分时，
那么影响运动员最后得分的因素就只有运动员本身的水平
了，这样看来，它似乎适合用单因素方差分析法来进行不