spss参与非参检验实验报告参考模板

第五章 参数检验
❶单样本t 检验：（5.2）
分析六级考试成绩一般平均得分是否为75；
1.录入数据，全部学生的六级考试成绩显而易见服从正态分布，可用Q-Q 图，或非参检验对所抽取的样本进行正态性检验，之后进行单样本t 检验。

2.选择菜单：Analyze---Compare Means---One-Sample T Test ，再出现的窗口中，选择“六级考试成绩”到【Test Variable 】框中，在【Test Vaule 】框中输入检验值75。

单击“OK ”
度10，第四列为检验p 值0.668，第五列为样本均值与检验值的差，第六列和第七列为总体均值与原假设值差的95%的置信区间，为（-7.69,5.14）。

若取显著性水平α为0.05，则p 大于α，因此应该接受原假设，认为六级考试成绩一般平均得分为75分。

95%的置信区间告诉我们有95%的把握认为六级考试成绩的均值在67.31~85.14之间。

❷两独立样本t 检验（5.3）
分析有促销和无促销情况下商品的日销售额是否存在显著变化；
1.录入数据，有促销和无促销情况下的日销售额可以看成两个独立总体，且日销售额可近似认为服从正态分布，可用Q-Q 图或非参检验对其正态性检验。

在以上前提下，进而可对不同情况下的日销售额进行两独立样本t 检验。

2.选择菜单：Analyze---Compare Means---Independent-Samples T Test
，再出现的窗口中，选择“日销售额”到【Test Variable 】框中，选择“type ”到【Grouping Variable 】框中，按【Define Groups 】按钮定义两总体的标识值，分别在Group1与Group2中输入1,2
3.如上表Independent Sample Test 所示，结论分析为两步:第一步，方差齐性检验。

F 统计量的观测值为0.225，对应的p 值为0.638，若取显著性水平α为0.05，则p 大于α，可以认为两总体的方差相等。

第二步，两总体均值的检验。

由于两总体方差近似相等，因此应看第一行方差齐性时的t 检验结果。

其中，t 统计量的观测值为- 1.818，第五列是自由度32，第六列为检验p 值0.078，若取显著性水平α为0.05，则p 大于α，因此应该接受原假设，认为有促销和无促销情况下的日销售额无显著差异。

第九列和第十列为两总体均值差的95%的置信区间（-179.04,10.17），此置信区间跨0，从另一角度证实了上述推断。

❸两配对样本t 检验：
（5.4）
分析肥胖人群喝减肥茶前后的平均体重是否存在显著差异，进而说明该减肥茶效果如何： 1.录入数据，对喝茶前后采取配对的抽样方式，且体重可以近似认为服从正态分布，所以可以进行两配对样本t 检验。

2.选择菜单：Analyze---Compare Means---Paired-Samples T Test ，再出现的窗口中，选择一对检验变量“喝茶前体重”与“喝茶后体重”到【Paired Variable 】框中，选择“type ”到【Grouping Variable 】框中，单击“OK ”，结果如表所示：
3.a表表明，喝茶前与喝茶后体重有差异，喝茶后平均体重低于喝茶前平均体重。

b表中，第三列为喝茶前后两组样本的简单相关系数0.817，第四列为相关系数检验的p值0.001，若取显著性水平α为0.05，则p小于α，可以认为喝茶前后体重有明显的线性变化，线性相关程度较强。

C中，第二列为喝茶前后体重的平均差异，相差了7.08公斤，第五列为差值95%的置信区间（2.52,11.64），第六列为t检验统计量的观测值3.418，第七列为t分布的自由度11，第八列为检验p值0.006，若取显著性水平α为0.05，则p小于α，因此应该拒绝原假设，认为总体上体重差的平均值与0有显著差异，说明喝茶前后的体重平均值存在显著差异，可以认为该减肥茶具有显著的效果。

第七章 spss的非参数检验
Ⅰ单样本的非参数检验：（7.1）
❹总体分布卡方检验：（7.1.1）
分析心脏病猝死人数与日期之间的关系：
1.录入数据，由于变量日期是定序性数据，所以对该变量的总体分布检验可以采取卡方检验方法。

2.选择菜单：Analyze---Nonparametric Tests---Chi-Square，再出现的窗口中，选择检验变量“死亡日期”到【Test Variable List】框中，单击“OK”，结果如表所示:
55,23,18,11,26,20,15人；按照理论分析，168人在一周各天死亡的期望频数应为53.5,19.1，19.1，19.1，19.1，19.1，19.1,；实际观察频数与期望频数的差分别为1.5,3.9，-1.1，-8.1,6.9,0.9，-4.1。

b表为卡方检验结果，卡方统计量为7.757，检验p值0.256，若取显著性水平α为0.05，则p大于α，因此应该接受原假设，认为实际分布与理论分布无显著差异，即心脏病猝死人数与日期的关系为2.8:1:1:1:1:1:1。

❺二项分布检验：（7.1.2）
分析产品合格率是否为90%：
1.录入数据，通过给定的23个样本数据来检验总体是否服从指定概率为0.9的二项分布，故可采取二项分布检验方法检验。

2.选择菜单：Analyze---Nonparametric Tests---Binomial，再出现的窗口中，选择检验变量“是否合格”到【Test Variable List】框中，在【Test Proportion】框中输入二项分布的检验概率值0.9，单击“OK”，结果如表所示:
验合格品率为0.9。

二项分布检验p值为0.193，若取显著性水平α为0.05，则p大于α，因此应该接受原假设，认为合格品率与0.9无显著差异。

❻单样本K-S检验：（7.1.3）
分析周岁儿童的身高是否服从正态分布：
1.录入数据，通过给定的21名周岁儿童的身高，来推断周岁儿童身高是否服从正态分布，故可采取单样本K-S检验，这是一种拟合优度的检验方法。

2. 选择菜单：Analyze---Nonparametric Tests---1-Sample K-S，再出现的窗口中，选择检验变量“周岁儿童身高”到【Test Variable List】框中，在【Test Distribution】框
0.204，最大正值为0.204，最小负值为-0.119。

本例采用小样本下D统计量的精确概率值，但SPSS以大样本来
近似，只输出了√n D为0.936。

正态分布检验p值为0.344，若取显著性水平α为0.05，则p 大于α，因此应该接受原假设，认为周岁儿童身高的总体分布与正态分布无显著差异。

❽变量值随机性检验：（7.1.4）
分析某耐压设备在某段时间内工作是否持续正常：
1.录入数据，为检验耐压数据的出现是否为随机，若是随机的，则认为该设备工作一直正常，因此可采取变量值随机性检验。

2. 选择菜单：Analyze---Nonparametric Tests---Runs ，再出现的窗口中，选择检验变量“耐电压值”到【Test Variable List 】框中，在【Cut Point 】框中确定计算游程数的分
:
20个，小于和大于检验值的样本量各有10个，游程数为13，检验统计量的值为0.689，检验检验p 值为0.491，若取显著性水平α为0.05，则p 大于α，因此应该接受原假设，认为某耐压设备在某段时间内工作正常。

Ⅱ两独立样本的非参数检验： ❾曼-惠特尼U 检验，两独立样本K-S 检验，两独立样本游程检验，两独立样本极端反应检验： 分析两种工艺产品下的使用寿命是否存在显著差异：
1.录入数据，判断两种工艺下产品使用寿命分布是否存在显著性差异，并对其工艺的优劣性进行合适的评价，分别用以上检验说明分析。

2. 选择菜单：Analyze---Nonparametric Tests---2 Independent Samples
，再出现的窗口中，选择检验变量“sm ”到【Test Variable List 】框中，指定存放组标记值的变量“gy ”到【Grouping Variable 】中，按【Define Groups 】按钮给出两组的的组标识值，分别在Group1与Group2中输入1,2即可，Continue ，在【Test Type 】框中勾选Mean-Whitney U ，Kolmogorov-Smirnov Z ，Moses extreme reactions ，Wald-Wolfowitz runs 。

单击“OK ”，结果如表所示:
a.Mann-Whitney Test
为80和40，，W统计量应取2种工艺的秩总和40，U，Z统计量分别为4，-2.777，由于是小样本，因
此应采用U统计量的精确概率0.004，若取显著性水平α为0.05，则p,小于α，因此应该拒绝原假设，认为1，2两种工艺下产品使用寿命的分布存在显著差异。

b表为极端反应检验结果，跨度和截头跨度分别为10和6，在小样本条件下，输出了在原假设成立下大于或等于H统计量的精确概率值，未剔除极端值时为0.084，剔除极端值时为0.100，若取显著性水平α为0.05，无论是否剔除极端值，都不能拒绝原假设，认为1，2两种工艺下产品使用寿命的分布无显著差异。

C表为K-S检验结果，1，2两种工艺下使用寿命的累计概率的最大绝对差为0.732,0.5√n D 的观测值为1.415，检验p值为0.037，若取显著性水平α为0.05，p小于α，因此应拒绝原假设，认为1，2两种工艺下产品使用寿命的分布存在显著差异。

d表为游程检验结果，1,2两种工艺下使用寿命秩的游程数为6，Z统计量观测值为-1.059，对应的检验p值为0.149，若取显著性水平α为0.05，p大于α，因此应接受原假设，认为1，2两种工艺下产品使用寿命的分布无显著差异。

Ⅲ多独立样本的非参数检验：（7.3）
❿多独立样本的中位数检验，Kruskal-Wallis 检验，Jonckheere Terpstra检验：
分析四城市周岁儿童身高是否存在显著差异：
1.录入数据，由于对身高的具体分布并没有明确掌握，故可采取非参数检验，分别用以上检验具体说明。

2.选择菜单：Analyze---Nonparametric Tests---K Independent Samples，再出现的窗口中，选择检验变量“周岁儿童身高”到【Test Variable List】框中，指定存放组标记值的变量“cs”到【Grouping Variable】中，按【Define Groups】按钮给出两组的的组标识值的取值范围，分别在minimum与maximum中输入1,4即可，Continue，在【Test Type】框中勾选Kruskal-Wallis H，Median，Jonckheere Terpstra单击“OK”，结果如表所示:
14.4,8.2,15.8,3.6，,K-W统计量观测值为13.9，对应的检验p值为0.003，若取显著性水平α为0.05，p小于α，因此应拒绝原假设，认为四个城市周岁儿童身高的平均秩差异是显著的，即总体分布存在显著差异。

b表为中位数检验结果，四组共同的中位数为74，卡方统计量为16.768，检验p值为0.001，若取显著性水平α为0.05，p小于α，因此应拒绝原假设，认为四个城市周岁儿童身高总体分布存在显著差异。

C表为Jonckheere Terpstra检验结果，观测的J-T值为45.5，所有J-T值的平均值为75，标准差为14.764，观测的J-T值的标准化值为-1.998，小于平均值且相距较明显。

J-T统计量的概率值为0.046，若取显著性水平α为0.05，p小于α，因此应拒绝原假设，认为四个城市周岁儿童身高总体分布存在显著差异。

Ⅳ两配对样本的非参数检验：（7.4）
❶❶两配对样本的McNemar检验，符号检验，Wilcoxon符号秩检验：
分析某种新的训练方法是否有助于提高跳远运动员的成绩：
1.录入数据，两组使用新训练方法前后的最好成绩作为样本数据，用此方法得到的样本为配对样本，故可以使用两配对样本的非参数检验。

2.选择菜单：Analyze---Nonparametric Tests---2 Related Samples，再出现的窗口中，选择一对检验变量“训练前成绩”与“训练后成绩”到【Test Paired List】框中，在【Test Group】框中勾选符号检验，Wilcoxon符号秩检验，单击“OK”，结果如表所示：
3.a表为Wilcoxon符号秩检验结果，符号秩总和为9，正号秩总和为36，Z检验统计量为-1.599，检验p值为0.110，若取显著性水平α为0.05，p大于α，因此应接受原假设，认为训练前后的跳远成绩分布无显著差异，即新训练方法无显著效果。

b表为符号检验结果，训练后成绩低于训练前成绩的有2人，高于训练前成绩的有7人，1人
保持不变，检验p值为0.180，若取显著性水平α为0.05，p大于α，因此应接受原假设，认为训练前后的跳远成绩分布无显著差异，即新训练方法无显著效果。

Ⅴ多配对样本的非参数检验：（7.5）
❶❷多配对样本的Friedman检验，Kendall协同系数检验：
分析三种促销形式对销售额的影响：
1.录入数据，多种促销方式下产生的不同销售额的分布是否存在显著差异，故可以采用多
配对样本Friedman检验。

2. 选择菜单：Analyze---Nonparametric Tests---K Related Samples，再出现的窗口中，选择三个检验变量“促销形式1”与“促销形式2”“促销形式3”到【Test Variables】框中，在【Test Group】框中勾选Friedman检验，单击“OK”，结果如表所示：
2.1，2.5，1.4，Friedman检验统计量
的观测值为6.2，检验p值为0.045，若取显著性水平α为0.05，p小于α，因此应拒绝原假设，认为不同促销形式下的销售额数据分布存在显著差异，第二种促销形式效果最好。

❶❸多配对样本的Cochran Q检验：
分析三家航空公司的服务水平是否存在显著差异：
1.录入数据，分析多家航空公司的服务水平之间的差异，故可采用多配对样本的Cochran Q 检验。

2. 选择菜单：Analyze---Nonparametric Tests---K Related Samples，再出现的窗口中，选择三个检验变量“甲航空公司”与“乙航空公司”“丙航空公司”到【Test Variables】框中，在【Test Group】框中勾选Cochran Q检验，单击“OK”，结果如表所示：
Cochran Test
13,8,2:；不满意人数分别为2,7,13；Q统计量的观测值为14，相应的p值为0.001, 若取显著性水平α为0.05，p小于α，因此应拒绝原假设，认为三家航空公司的服务水平分布存在显著差异，甲公司的服务水平最高。

❶❹多配对样本的Kendall协同系数检验：
分析评委的评分标准是否一致：
1.录入数据，分析评委的评分标准之间是否存在差异，故可采用多配对样本的Kendall协同系数检验。

2. 选择菜单：Analyze---Nonparametric Tests---K Related Samples，再出现的窗口中，选择三个检验变量“fs1”与“fs2”“fs3 ”“fs4”“fs5”“fs6”到【Test Variables】框中，在【Test Group】框中勾选Kendalls W检验，单击“OK”，结果如表所示：。

Friedman检验统计量的观测值为19.094，对应的检验p值为0.002，若取显著性水平α为0.05，p小于α，因此应拒绝原假设，认为各歌手得分的平均秩存在显著差异，W协同系数为0.955，接近于1，说明评委的评分
标准一致。

友情提示：范文可能无法思考和涵盖全面，供参考!最好找专业人士起草或审核后使用，感谢您的下载！。