SPSS论文-等级相关系数实证分析
SPSS数据分析—相关分析
相关系数是衡量变量之间相关程度的度量，也是很多分析的中的当中环节，SPSS 做相关分析比较简单，主要是区别如何使用这些相关系数，如果不想定量的分析相关性的话，直接观察散点图也可以。
相关系数有一些需要注意的地方：1、两变量之间存在相关，仅意味着存在关联，并不意味着因果关系。
2、相关系数不能进行加减乘除运算，没有单位，不同的相关系数不可比较3、相关系数大小容易受到数据取值区间大小和数据个数大小的影响。
4、相关系数也需要进行检验确定其是否有统计学意义相关系数的假设检验中H0：相关系数=0，变量间没有相关性H1：相关系数≠0，变量间有相关性相关系数很多，我们一般根据变量的类型进行选择，我们知道变量类型由低级到高级可以分为定类、定序、定距、定比四种类型，而变量的数据类型则可以分为连续型或者离散型，注意不要混淆一、定距、定比变量，基本上也就是连续变量一般使用pearson相关系数，也称为积差相关系数，是一种线性相关系数，使用最为广泛，适用条件是两变量需要为线性关系，并且都来自正态分布总体，且要求成对出现二、定序、定距、定比变量一般使用spearman等级相关系数也称为秩相关系数，该系数利用了变量的次序信息，而且对原始数据没有过多要求，因此比pearson相关系数使用范围更广，它利用两变量的秩次大小作为分析依据，也可以认为是基于秩次的pearson相关系数，当数据不符合pearson相关系数的要求时，可以选择使用spearman相关系数，但是如果是定距或定比变量，还是建议用pearson相关系数，spearman 相关系数的效能略低。
三、只限定序变量1.Gamma相关系数2.Kendall等级相关系数，分为τ-a，τ-b，τ-c三种3.Somer's D相关系数四、定类变量定类变量的相关性大都是根据卡方值衍生而来1、person卡方实际上也就是卡方检验2.列联系数3.φ-Phi系数4.Cramer's V系数mbda（λ）系数6.Goodman and Kruskal的Tau-y系数五、二分类变量1.相对危险度RR值2.优势比OR值=========================================================熟悉了各种相关系数的情况之后，我们来看一下在SPSS中的操作1.分析—描述性统计—交叉表此过程一般用来分析列联表的，由于数据的组成大多是列联表形式，因此该过程包含了很多种相关系数2.分析—相关—双变量此分析为简单相关分析，是最常用的相关分析。
SPSS相关分析实例操作步骤-SPSS做相关分析
SPSS相关分析实例操作步骤-SPSS做相关分析SPSS（Statistical Product and Service Solutions）是目前在工业、商业、学术研究等领域中广泛应用的统计学软件包之一。
Correlation是SPSS的一个功能模块，可以用于分析两个或多个变量之间的关系。
下面是SPSS进行相关分析的具体步骤：1. 打开SPSS软件，选择“变量视图”（Variable View），输入相关的变量名，包括数字型变量和分类变量。
2. 进入“数据视图”（Data View），输入数据，并保存数据集。
3. 打开菜单栏中的“分析”（Analyze），选择“相关”（Correlate），再选择“双变量”（Bivariate）。
4. 在双变量窗口中，选择包含需要分析的变量的变量名，并将其移至右侧窗口中的变量框（Variables）。
5. 如果需要控制其他变量的影响，可以选择“控制变量”（Options）。
6. 点击“确定”（OK）按钮后，SPSS将输出结果，并将其显示在输出窗口中。
相关系数（Correlation Coefficient）介于-1和1之间，可以用来衡量两个变量之间的线性关系的强度。
7. 如果需要对结果进行图形化展示，可以选择“图”（Plots），并选择适当的图形类型。
需要注意的是，进行相关分析时需要确保变量之间存在线性关系。
如果变量之间存在非线性关系，建议使用其他统计方法进行分析。
同时，SPSS进行相关分析的结果只能描述变量之间的关系，不能用于说明因果关系。
以上是SPSS做相关分析的具体步骤，希望能对大家进行SPSS 数据分析有所帮助。
相关分析和回归分析SPSS实现
相关分析和回归分析SPSS实现SPSS（统计包统计分析软件）是一种广泛使用的数据分析工具，在相关分析和回归分析方面具有强大的功能。
本文将介绍如何使用SPSS进行相关分析和回归分析。
相关分析（Correlation Analysis）用于探索两个或多个变量之间的关系。
在SPSS中，可以通过如下步骤进行相关分析：1.打开SPSS软件并导入数据集。
2.选择“分析”菜单，然后选择“相关”子菜单。
3.在“相关”对话框中，选择将要分析的变量，然后单击“箭头”将其添加到“变量”框中。
4.选择相关系数的计算方法（如皮尔逊相关系数、斯皮尔曼等级相关系数）。
5.单击“确定”按钮，SPSS将计算相关系数并将结果显示在输出窗口中。
回归分析（Regression Analysis）用于建立一个预测模型，来预测因变量在自变量影响下的变化。
在SPSS中，可以通过如下步骤进行回归分析：1.打开SPSS软件并导入数据集。
2.选择“分析”菜单，然后选择“回归”子菜单。
3.在“回归”对话框中，选择要分析的因变量和自变量，然后单击“箭头”将其添加到“因变量”和“自变量”框中。
4.选择回归模型的方法（如线性回归、多项式回归等）。
5.单击“统计”按钮，选择要计算的统计量（如参数估计、拟合优度等）。
6.单击“确定”按钮，SPSS将计算回归模型并将结果显示在输出窗口中。
在分析结果中，相关分析会显示相关系数的数值和统计显著性水平，以评估变量之间的关系强度和统计显著性。
回归分析会显示回归系数的数值和显著性水平，以评估自变量对因变量的影响。
值得注意的是，相关分析和回归分析在使用前需要考虑数据的要求和前提条件。
例如，相关分析要求变量间的关系是线性的，回归分析要求自变量与因变量之间存在一定的关联关系。
总结起来，SPSS提供了强大的功能和工具，便于进行相关分析和回归分析。
通过上述步骤，用户可以轻松地完成数据分析和结果呈现。
然而，分析结果的解释和应用需要结合具体的研究背景和目的进行综合考虑。
spss对数据进行相关性分析实验报告
spss对数据进行相关性分析实验报告一、实验目的与背景在统计学的研究中，相关性分析是一种常见的分析方法，用于研究两个或多个变量之间的关联程度。
本实验旨在使用SPSS软件对收集到的数据进行相关性分析，并探索变量之间的关系。
二、实验过程1. 数据收集：根据研究目的，我们收集了一份包含多个变量的数据集。
其中，变量包括A、B、C等。
2. 数据准备：在进行相关性分析之前，我们需要对数据进行准备。
首先，我们载入数据集到SPSS软件中。
然后，对于缺失数据，我们根据需要采取相应的填补或删除策略。
接着，我们进行数据的清洗和整理，以确保数据的准确性和一致性。
3. 相关性分析：使用SPSS软件，我们可以轻松地进行相关性分析。
在SPSS的分析菜单中，选择相关性分析功能，并设置相应的参数。
我们将选择Pearson相关系数，该系数用于衡量两个变量之间的线性相关关系。
此外，还可以选择其他类型的相关系数，如Spearman相关系数，用于非线性关系的探索。
设置参数后，我们点击“运行”按钮，即可得到相关性分析的结果。
4. 结果解读：SPSS将为我们提供一份详细的结果报告。
我们可以看到每对变量之间的相关系数及其显著性水平。
如果相关系数接近1或-1，并且P值低于显著性水平（通常为0.05），则可以得出两个变量之间存在显著的线性相关关系的结论。
此外，我们还可以通过散点图、线性回归等方法进一步分析相关性结果。
5. 结论与讨论：根据相关性分析的结果，我们可以得出结论并进行讨论。
如果发现两个变量之间存在显著的相关关系，我们可以进一步探究其原因和意义。
同时，我们还可以提出假设并设计更深入的实验，以验证和解释这些相关性。
三、结果与讨论根据我们的研究目的和数据集，通过SPSS软件进行的相关性分析显示了一些有意义的结果。
我们发现变量A与变量B之间存在显著的正相关关系（Pearson相关系数为0.7，P<0.05）。
这表明随着A的增加，B也会相应增加。
spss对数据进行相关性分析实验报告
spss对数据进行相关性分析实验报告SPSS数据相关性分析实验报告一、引言数据相关性分析是一种用统计方法来研究变量之间关系的方法。
SPSS作为一种常用的统计软件，具有丰富的功能和灵活性，能够对数据进行多角度的分析和解读。
本报告旨在利用SPSS对一组样本数据进行相关性分析，并通过报告的形式详细介绍分析的步骤和结果。
二、实验设计和数据采集本次实验选取了一个包括X变量和Y变量的数据集，通过观察这两个变量之间的相关关系，探究它们之间是否存在一定的线性关系。
三、数据清洗与统计描述在进行相关性分析之前，需要对数据进行清洗和统计描述。
首先，通过观察数据的分布情况，检查是否存在异常值。
如果出现异常值，可以采取删除或者替换的方式进行处理。
其次，计算数据的均值、标准差、最大值、最小值等统计指标，了解数据的基本特征。
四、Pearson相关系数分析Pearson相关系数是一种常用的衡量两个变量之间的相关性的方法。
它的取值范围在-1到1之间，接近于1表示正相关，接近于-1表示负相关，接近于0则表示无相关性。
在SPSS中，进行Pearson相关系数分析非常简便。
五、Spearman相关系数分析Spearman相关系数是一种非参数检验方法，用于观察变量之间的单调关系。
相比于Pearson相关系数，它对于异常值的鲁棒性更强。
在SPSS中，可以选择Spearman相关系数分析来研究数据集中的变量之间的关系。
六、结果分析与讨论经过Pearson相关系数和Spearman相关系数的分析，我们得出如下结论：X变量与Y变量之间存在显著的正相关关系。
通过相关系数的计算，结果显示相关系数为0.8，说明二者之间具有较强的线性相关性。
这一结果与我们的研究假设相吻合，证明了X变量对Y变量的影响。
七、实验结论通过SPSS对数据进行相关性分析，我们得出结论：X变量与Y变量之间存在显著的正相关关系。
这一结论进一步加深了对于变量之间关系的理解，为后续的研究提供了参考。
《2024年利用SPSS软件分析变量间的相关性》范文
《利用SPSS软件分析变量间的相关性》篇一一、引言在社会科学研究中，变量间的相关性分析是一项基础且重要的工作。
通过分析变量间的关系，我们可以了解不同变量之间的相互影响程度，进而为决策提供有力的依据。
本文旨在通过SPSS 软件分析两个或多个变量间的相关性，从而更好地理解和揭示变量间的潜在联系。
二、研究背景本研究选取了一组数据集，涉及消费者在购物过程中购买决策相关的变量。
本节将对数据的来源、背景和所要分析的问题进行简述。
通过了解背景和目的，为后续的SPSS软件操作和分析提供基础。
三、数据收集与预处理在SPSS软件中，首先需要导入数据集并进行预处理。
本节将详细介绍数据的来源、格式和预处理过程，包括缺失值处理、异常值处理、数据编码等步骤。
此外，还将对数据集进行描述性统计，以便了解各变量的分布特征。
四、SPSS软件操作与分析4.1 相关性分析原理本节将介绍相关性分析的基本原理，包括皮尔逊相关系数、斯皮尔曼等级相关系数等指标。
这些指标可以帮助我们了解变量间的线性关系和等级关系。
4.2 操作步骤（1）打开SPSS软件，导入数据集。
（2）选择“分析”菜单中的“相关”选项，进入相关性分析界面。
（3）选择需要分析的变量，设置相关系数类型（如皮尔逊相关系数或斯皮尔曼等级相关系数）。
（4）点击“运行”按钮，生成相关性分析结果。
4.3 实例分析以本研究所选数据集为例，进行相关性分析。
首先选择需要分析的变量，如“价格”、“品牌”、“质量”等。
然后设置相关系数类型为皮尔逊相关系数。
运行后，将生成相关性矩阵表和散点图等结果。
根据结果可以直观地了解各变量间的相关程度和趋势。
五、结果与讨论5.1 结果展示本节将展示SPSS软件生成的各变量间的相关性矩阵表、散点图等结果。
通过表格和图表的形式，直观地展示各变量间的相关程度和趋势。
5.2 结果分析根据SPSS软件生成的结果，我们可以对各变量间的相关性进行分析和讨论。
例如，通过观察皮尔逊相关系数的大小和正负符号，可以判断两个变量之间的线性关系程度和方向。
SPSS相关分析
SPSS相关分析第７章相关分析相关分析是研究变量间密切程度的⼀种常⽤统计⽅法。
线性相关分析研究两个变量间线性关系的程度。
相关系数是描述这种线性关系程度和⽅向的统计量，通常⽤ｒ表⽰。
如果⼀个变量ｙ可以确切地⽤另⼀个变量ｘ的线性函数表⽰，那么，两个变量间的相关系数是＋１或－ｌ。
如果变量ｙ随着变量ｘ的增、减⽽增、减，即变化的⽅向⼀致。
例如，在⼀定的温度范围内昆⾍发育速率与温度的关系，温度越⾼，发育速率相对也就越快。
这种相关称为正向相关，其相关系数⼤于０。
如果变量ｙ随着变量ｘ的增加⽽减少，变化⽅向相反。
例如，降⾬强度与⽥间害⾍种群数量的关系，随着降⾬强度的增加，时间延长，害⾍种群数量逐步下降。
这种相关关系称为负相关，其相关系数⼩于０。
相关系数ｒ没有单位，其值在－１～＋１之间。
SPSS系统中有⼀个⽤于相关分析的“Correlate”菜单项，其中包括有板有三个过程：① Bivariate 分析两个变量之间的相关关系；② Partial偏相关分析，分析在⼀个或多个变量的影响下，两个变量之间的相关关系；③ Ｄｉｓｔａｎｃｅ 相似性分析（距离分析）。
在这⾥将结合例⼦介绍两个变量之间的相关分析和偏相关分析过程的应⽤。
７.1⼆个变量间的相关分析本节介绍两两变量间的相关分析。
包括两个连续变量间的相关和两个等级变量间的秩相关。
这两种相关使⽤同⼀个过程，通过选择不同的分析⽅法来实现。
选择哪⼀种分析⽅法要看具体的数据类型。
[例⼦７-1]调查了29⼈⾝⾼、体重和肺活量的数据见表7-1，分析这三者之间的相互关系。
表7-1 ⾝⾼、体重和肺活量的调查数据编号⾝⾼体重肺活量编号⾝⾼体重肺活量1 135.10 32.0 1.75 16 153.00 32.0 1.752 139.90 30.4 1.75 17 147.60 40.5 2.003 163.60 46.2 2.75 18 157.50 43.3 2.254 146.50 33.5 2.50 19 155.10 44.7 2.755 156.20 37.1 2.75 20 160.50 37.5 2.006 156.40 35.5 2.00 21 143.00 31.5 1.757 167.80 41.5 2.75 22 149.90 33.9 2.258 149.70 31.0 1.50 23 160.80 40.4 2.759 145.00 33.0 2.50 24 159.00 38.5 2.2510 148.50 37.2 2.25 25 158.20 37.5 2.0011 165.50 49.5 3.00 26 150.00 36.0 1.7512 135.00 27.6 1.25 27 144.50 34.7 2.2513 153.30 41.0 2.75 28 154.60 39.5 2.5014 152.00 32.0 1.75 29 156.50 32.0 1.7515 160.50 47.2 2.251037.1.1操作步骤1）准备数据⽂件在数据编辑窗⼝，定义变量名“ｎｏ”为编号、“ｈｅｉｇｈｔ”为⾝⾼、“ｗｅｉｇｈｔ”为体重、“ｖｃｐ”为肺活量。
spss对数据进行相关性分析实验报告
spss对数据进行相关性分析实验报告一、实验目的本次实验旨在运用 SPSS 软件对给定的数据进行相关性分析，以探究不同变量之间的关系，为进一步的研究和决策提供有价值的信息。
二、实验原理相关性分析是一种用于研究两个或多个变量之间线性关系强度和方向的统计方法。
常用的相关性系数包括皮尔逊（Pearson）相关系数、斯皮尔曼（Spearman）相关系数等。
皮尔逊相关系数适用于两个连续变量之间的线性关系分析，要求变量服从正态分布；斯皮尔曼相关系数则适用于有序变量或不满足正态分布的变量。
三、实验数据本次实验使用的数据来源于具体来源，包含了变量数量个变量，分别为变量名称 1、变量名称2……变量名称 n。
每个变量包含了样本数量个观测值。
四、实验步骤1、数据导入打开 SPSS 软件，选择“文件”菜单中的“打开”选项，找到并选中要分析的数据文件。
在弹出的对话框中，根据数据的格式选择相应的导入方式，如CSV、Excel 等。
2、变量定义在“变量视图”中，对导入的变量进行定义，包括变量名称、类型、宽度、小数位数等。
3、相关性分析选择“分析”菜单中的“相关”选项，在弹出的子菜单中选择“双变量”。
将需要分析相关性的变量选入“变量”框中。
根据变量的类型和分布特征，选择合适的相关性系数，如皮尔逊或斯皮尔曼相关系数。
点击“确定”按钮，运行相关性分析。
五、实验结果1、相关性系数矩阵输出的相关性系数矩阵显示了各个变量之间的相关性系数值。
系数值的范围在－1 到 1 之间，－1 表示完全负相关，1 表示完全正相关，0 表示无相关性。
2、显著性水平除了相关性系数值外，还输出了每个相关性系数的显著性水平（p 值）。
p 值小于 005 通常被认为相关性是显著的。
以下是对实验结果的具体分析：变量 1 与变量 2 的相关性分析：相关性系数为具体数值，表明变量 1 和变量 2 之间存在正/负相关关系。
p 值为具体数值，小于 005，说明这种相关性在统计上是显著的。
- 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)。
等级相关系数实证分析
单艺斌
[内容提要] 本文利用斯皮尔曼等级相关系数检验法,以在校大学生的学习成绩为例,对大学生入学后的学习成绩与入学时的录取分数之间、各学期课程之间、同一课程在各学期学习成绩之间等是否有必然的联系进行了实证检验;同时利用检验的结果,再结合具体的调查,在定性与定量的结合上又进行了具体的分析和说明,对在校大学生的学习目的与学习方法的引导和确定具有切实可行的借鉴作用。
[关键词] 等级相关系数 检验法 学习成绩
一、等级相关系数(Rs)简介
若分析数据容量为n的二维随机向量样本,用X
代表其中的任一变量,设其等级为X1,X2,……,
Xn,(此等级按由小到大的顺序排列)。
另一变量用Y
表示,设其等级观察值由小到大的顺序排列为Y1,
Y2,……,Y n。
每一组(X i,Y i)代表取自同一联系
单元的一对等级数值。
如果两种等级完全正相关,则
对所有i,应有X i=Y i;如果两种等级完全负相关,
则对所有i,应有X1=Y n,X2=Y n-1,……,X n=
Y1。
斯皮尔曼等级相关系数着眼于差值D i=X i-Y i,
把Di作为这些配对等级完全正相关或完全负相关的
偏离程度的量度。
考虑到在具体计算时,有些Di将
会出现负值,使得加和的结果正负抵销,在R s的计
算中采用D2i代入,具体计算公式为:
Rs=1-
6∑Di2 n(n2-1)
据此处理则有:
Xi和Y i之间的差别越大,则∑Di2就越大;
如所有差值均为零,则∑Di2=0,Rs=1,表明两个等级完全正相关;
如在Xi和Y i之间观察到可能有的最大值(即在每一种情形下,X的等级和Y的等级恰好相等),Di 将实现最大,此时,Rs=-1。
如果X,Y两个等级的相关程度弱于完全相关时,Rs将处于-1<Rs<1之间。
据此,利用等级相关系数,可以进行Xi与Y i相互独立与否的检验,具体检验方式可以是单边的,也可以是双边的。
本文重点进行等级相关系数对大学生学习成绩的分析。
二、对大学生学习成绩的分析
11入学录取分数与第一学期主科学习成绩的相关分析
为此,随机抽查了某高校某专业的29名学生,将其入学录取分数和第一学期的高等数学、大学英语、政治经济学三门课程的考试成绩进行对比分析。
由于分数之间的不可比性,均将其转化为名次,再利用等级相关系数,计算结果见表1。
表1
课程名称R s R s3检验结果
高等数学0100050100265相互独立
大学英语0112230131750相互独立
政治经济学-0141700132360相互独立
表中R s3为R s的临界值,该值与样本容量有关,当n>30时,可计算统计量:
R s3=R s n-1
若n<30时可查斯皮尔曼检验统计量的临界值。
结果表明,入学的录取名次与第一学期三门主要课程之间是相互独立的。
21第一学期各科学习成绩之间的相关分析
分析结果见表2。
表2
课程名称R s R s3检验结果大学英语与高等数学-011032013100相互独立
高等数学与政治经济学010*********相互独立
大学英语与政治经济学012236013299相互独立
第一学期的三门主要课程,其中有文有理,表2表明,课程之间是相互独立的。
31第二学期主要课程学习成绩之间的相关分析
分析结果见表3。
表3
课程名称R s R s3检验结果计算机基础与高等数学-010********相互独立
计算机基础与大学英语010*********相互独立
大学英语与高等数学011722013236相互独立
表3表明,第二学期各主要课程之间也是相互独立的。
41第一学年同门课程在两个学期的相关分析
分析结果见表4。
表4
课程名称R s R s3检验结果
大学英语012971013299相互独立
高等数学010*********相互独立
表4的结果告诉我们,即使是同一门课在两个学期之间也是相互独立的。
三、分析结果给我们的启示
11录取成绩和大学后的学习成绩之间,从总体上来看是相互独立的
出现此结果乍看起来,似乎是不合理的。
实际上再辅之以个别访问等调查方法,笔者认为其结果具有一定的必然性。
首先,从原因上分析,一般来讲,录取分数高表明其高中阶段的学习功底扎实,对知识掌握得好,但上大学以后不一定取得好成绩的原因主要有两个:一是“松劲”思想作怪,许多人在入大学校门之前就已经有了新的打算,高中太辛苦了,上大学要喘口气了,“60分万岁了”,结果学习不认真,导致成绩不高。
二是学习方法问题,大学和高中是两个有一定联系,但又是截然不同的学习阶段,教学管理、教学要求和教学方式方法都有很大的区别。
缺乏了“填鸭式”,离开了“题海战术”,而更注重能力的培养、思路的开阔。
面对这种转变,一些学生又不善于及时地总结,结果一下子就被抛到了后边。
身边随处都有这样的例子,某专业94级学生,入学时全专业成绩第一,结果二年后终因三科累计补考不及格而不得不降级。
由此我们得到的第一条启示就是,对大学生进行学习目的、学习方法教育,必须从一入学就开始,不可贻误时机,否则将会影响学生的整个大学学习生活。
21各科成绩之间也是相互独立的
第一学期的大学英语、高等数学和政治经济学成绩之间是相互独立的,第二学期的计算机基础、高等数学和大学英语的成绩之间也是相互独立的。
这个结果告诉我们,从总体上讲,学生学习成绩的波动较大,剔除学生偏好的原因,主要是学生对各科教师教学方法的适应性不同,若各科都平均地分配时间,结果有的科成绩会很高,而有的科成绩却会较低。
从培养学生适应性能力的角度讲,高校中应提倡采用不同的教学方法,而不是千篇一律地让学生循着一种学习模式,“以一应十”;从学生学习的角度讲,不仅应根据不同的学科采用不同的学习方法,而且还应根据不同的教师随时调整自己的学习方法,这样才能使自己立于不败之地。
31同一课程在不同学期也是相互独立的
英语和高等数学两个学期都有的共同课,对两者进行了跨学期分析,结果这两科的学习成绩在两个学期之间也是相互独立的。
其中大学英语的等级相关系数与临界相差较小,表明相对来讲具有一定的关联性,而高等数学几乎没有这种关联性。
此结果给我们的启示是,象英语这种人们一向比较多地强调“基础”、“底子”的课程,即使在高中没有学好,到大学抓紧也为时不晚。
相反,一味地吃高中的老本,最后连老本也保不住。
正因如此,笔者经常听到有的学生抱怨,到大学后又学了两年英语,还赶不上入学水平了。
由此提醒教育工作者,不应过多地强调基础,应更多地对学生进行激励,经常向学生灌输老本吃不得、老本看不得的思想,使基础差的学生增强自信心,使基础好的学生增强紧迫感。
[参考文献]
11[美]W1W丹尼尔J1G1特勒:《经营管理统计学》,中国商业出版社,1984。
21[日]山根太郎:《统计学》,福建人民出版社,1983。
31李茂年、周兆麟:《数理统计学》,天津人民出版社,1983。
(作者单位:大连大学经济学院)
(责任编辑:韩淑丽)
财经问题研究 1999年第3期 总第184期。