《应用统计学spss论文》由会员分享，可在线阅读，更多相关《应用统计学spss论文（9页珍藏版）》请在金锄头文库上搜索。
1、应用统计学应用统计学课程论课程论 文文（2011011 学年学年 0101 学期学期）SPSSSPSS 在信用卡消费调查中的应用在信用卡消费调查中的应用学生姓名 学 号 院 系 工学院 专 业 工程管理 班 级 工管 1完成日期 2011 年 12 月 04 日 SPSS 在信用卡消费调查中的应用在信用卡消费调查中的应用X X 绍兴文理学院工程管理 摘要：摘要：本文通过消费者的年收入、家庭人口和每年使用信用卡支付的金额数据，利用 SPSS 软件提供的散点图、相关系数分析、回归分析对数据进行了深入的分析，再把分析结果进行预测，最后根据预测结果来进行控制调整。关键词：关键词：信用卡；消费;SPSS
2、 分析引言引言消费是社会生产的重要环节，是社会经济活动的出发点和归宿，消费结构的状况不仅反映社会经济发展的水平，又涉及到社会经济诸多方面，近年来，随着社会经济、计算机技术和信息技术的发展，商业领域越来越活跃，消费者除了用现金和个人支票支付外，信用卡支付方式越来越被广泛的采用。通过信用卡的使用状况，分析各相关因数的关系，利用 SPSS 软件提对数据进行了深入的分析。1 抽样调查基本情况抽样调查基本情况研究人员分层抽样的方法从收集的资料中随机抽取50位消费者的年收入、家庭人口和每年使用费信用卡支付的金额数据，用于统计分析。通过调查消费者的消费特征，此特征可以用来预测用户使用信用卡的支付金额的消费特
3、征。信用卡消费调查数据见附录。2 SPSS 中的统计分析中的统计分析SPSS 作为统计分析工具，理论严谨、内容丰富，具有数据管理、统计分析、趋势研究、制表绘图、文字处理等功能。其中的统计分析功能包括从基本描述统计、推断统计到聚类分析、因子分析等多元统计分析方法。本文主要利用其中的散点图、相关系数分析、回归分析对相关信息进行统2计分析，而基本描述统计功能就不再做介绍。2.12.1 散点图散点图散点图用于表现测量数据的原始分布状况，可从点的位置判断测量值的高低、大小、变动趋势或变化范围，在相关与回归分析中，侧重于使用散点图来直观的观察和判断变量之间的关系，据此判断变量之间协变关系的类型。具体创建过
4、程是利用在三维空间中绘制出 2 个或 3 个变量确定的点，然后通过这些点的分布特征来显示数据的分布特征。散点图有五种类型：简单散点图（Simple Scatterplot）重叠散点图（Overlay Scatterplot）散点图矩阵（Scatterplot Matrix）三维散点图（3-D Scatterplot）散点圆点图（Scatter/Dot）2.22.2 相关系数分析相关系数分析（1）相关分析相关分析就是从数量的角度出发，精确界定变量之间的关系，把变量之间的关联的紧密程度用数量方法予以反映，即相关系数；相关系数大说明变量之间的关联程度高，相关系数小说明变量之间的关联比较松散。相关系数
5、是测定变量之间线性相关程度和方向的代表性指标。其特点表现在：参与相关分析的两个变量是对等的，不分自变量和因变量，因此相关系数只有一个，计算相关系数的两个变量都是随机变量。相关系数有 Pearson 相关系数、Spearman 和 Kendalls tua-b 等级相关系数。（2）偏相关分析在实际问题中，事物之间的联系往往比较复杂，一个结果往往是受到多种因素相互综合作用产生的。在多变量的情况下，变量之间的的相关系复杂。偏相关分析是指在对其他变量的影响进行控制的条件下，分析多个变量中两个变量之间的线性相关程度。偏相关分析的工作是计算偏相关系数，计算偏相关系数时需要掌握多个变量的数据，一方面考虑多个
6、变量之间可能产生的影响，另一方面又采用一定的方法控制其他变量，专门考察两个特低昂变量的净相关关系。由于变量之间穿在错综复杂的关系，因此偏相关系数与济南单的相关系数与简单的相关系数在数值上可能相差很大，有时甚至符号都相反，一般偏相关系数更能反映现象之间的真实关系。2.32.3 线性回归分析线性回归分析回归分析是从一组样本数据出发，确定变量之间的数学关系式，对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量3中找出哪些变量影响显著，哪些不显著。然后利用所求得关系式 根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精度。回归分析按照经验公式的函数类
7、型可以分为线性回归和非线性回归。若回归分析的经验公式是线性函数，则称为线性回归；若回归分析的经验公式是非线性函数，则称为非线性回归。按自变量的个数可以将回归分析分为一元回归和多元回归。一元回归是自由一个自变量的回归分析。有两个或两个以上的自变量的回归分析称为多元回归。按自变量和因变量的类型回归分析分为一般的回归分析、含有哑变量的回归分析和 Logistic 回归分析。一般的回归分析自变量和因变量都是定量变量。若因变量是定性变量的回归分析，则称为 Logistic 回归。3 SPSS 在消费特征调查中的应用在消费特征调查中的应用3.13.1 创建创建 SPSSSPSS 数据文件数据文件将信用卡消
8、费调查数据保存在 xykxf.sav 中该数据文件的变量、类型及其标签如图 1 所示：图 1 数据文件 xykxf.sav 的变量、类型及其标签3.23.2 绘制散点图绘制散点图通过散点图可以观察变量之间的关系，从而决定拟合模型的类型。启动SPSS，读入数据后：（1）打开对话框。点击 GraphsScatter/Dot 系统弹出一个对话窗口，选择 Scatterplot Matrix，单击 Define 进入 Scatterplot Matrix 对话框。（2）选择矩阵变量。把变量“年收入”、“家庭人口”、“消费金额”移到 Matrix Variables。（3）选择图形标题。在对话框中单击
9、Titles，在 Titles 中修改散点图矩阵的标题“消费特征的散点图”，单击 Continue。（4）单击 Scatterplot Matrix 对话框中的 OK，得到绘制的散点图矩4阵图，即图 2。图 2 消费特征的散点图从图 2 可以看出，家庭人口、年收入与信用卡消费金额成比较明显的线性关系。3.33.3 相关系数分析相关系数分析通过变量之间的相关性分析，初步了解销售额与哪些因素相关性高，各种提高销售措施之间是否有高度的相关性或可替代性，以及为后续回归分析的变量纳入方式提供参考依据。操作步骤如下：（1）单击 AnalyzeCorrelatePartial，把变量“消费金额”、“年收入”
10、移到 Variables，把变量“家庭人口”移到 Controlling。（2）单击 Options， 参数选项如图 3。单击 Continue，返回 Partial Correlations 对话框。图 3 Options 对话框（3）单击 OK 按钮，得到相关分析结果如图 4、图 5。5D De es sc cr ri ip pt ti iv ve e S St ta at ti is st ti ic cs s3964.06933.49450 43480.0014550.74250 3.421.73950 MeanStd. DeviationN图4 偏相关的描述性统计量C Co or r
11、r re el la at ti io on ns s1.000.631.753 .000.000 04848 .6311.000.173 .000.231 48048 .753.1731.000 .000.231. 48480 1.000.773 .000 047 .7731.000 .000. 470Correlation Significance (2-tailed) df Correlation Significance (2-tailed) df Correlation Significance (2-tailed) df Correlation Significance (2-ta
12、iled) df Correlation Significance (2-tailed) dfControl Variables -none-a Cells contain zero-order (Pearson) correlations.a. 图5 偏相关的分析结果 从图 4 可知，50 位消费者通过信用卡消费的平均的额度为 3964.06 元，年平均为 43480 元，家庭人均为 3 人。从图 5 的分析结果初步可知，信用卡消费金额与家庭人口、年收入较显著，对应的显著水平都远小于 0.01。3.43.4 回归分析回归分析建立回归模型，进一步研究信用卡消费金额与家庭人口、年收入的关系，并利
13、用预测结果来控制调节信用卡的市场营销策略。操作步骤如下：（1）单击 AnalyzeRegressionLinear，把 Linear Regression 对话框左侧列表中选择变量“消费金额”使之进入 Dependent；选择变量“家庭人口”和“年收入”，使之进入 Independent(s)；根据偏相关系数，在 Method 下拉框中选择 Enter 选项，使其他选项框为默认值。（2）单击 Statistics 按钮，弹出“线性回归统计量”窗口，选中复选框Estimates、Model fit 和 Collinearity diagnostics，单击 continue 返回 Linear
14、Regression 对话框。6（3）单击 OK，得到结果如图 610 所示。V Va ar ri ia ab bl le es s E En nt te er re ed d/ /R Re emmo ov ve ed db b , a.EnterModel 1Variables EnteredVariables RemovedMethodAll requested variables entered.a. Dependent Variable: b. 图6 变量进入情况MMo od de el l S Su ummmma ar ry y.909a.826.818398.091Model 1R
15、R SquareAdjusted R SquareStd. Error of the EstimatePredictors: (Constant), , a. 图7 模型模拟合度检验A AN NO OV VA Ab b35250756217625377.84111.218.000a 744839347158476.450 4269914949Regression Residual TotalModel 1Sum of SquaresdfMean SquareFSig.Predictors: (Constant), , a. Dependent Variable: b. 图8 方差分析表C Co oe ef ff fi ic ci ie en nt ts sa a1304.905197.6556.602.000 .033.004.5168.350.000.9701.031 356.29633.
