(3)【操作步骤】
步骤：图形>旧对话框>散点图>矩阵散点图>定义>添加销售额（万元），销售价格（元）家庭收入（元）>确定
步骤：分析>相关>双变量>销售价格，家庭收入，销售额添加到变量中>选择皮尔逊相关系数>选择双尾显著性检验>确定>>
(4)【输出结果】
相关性 销售价格（元） 皮尔逊相关性 显著性（双尾） 个案数 家庭收入（元） 皮尔逊相关性 显著性（双尾）
销售价格（元） 家庭收入（元） 销售额（万元） 1 -.857 .002 10 -.857 .002 6
****-.933 .000 10 .880 .001 **** 10 1 个案数 销售额（万元） 皮尔逊相关性 显著性（双尾） 个案数 **. 在 0.01 级别（双尾），相关性显著。 10 -.933 .000 10 **10 .880 .001 10 **10 1 10
(5)【结果分析】
1.从相关性分析表中得出：销售价格与家庭收入与销售额 三者两两相关，并且皮尔逊相关系数绝对值较大成很强的相关性。
2. 结论分析：如图所拟合的直线，销售额与销售价格由较强的负相关。
7
回归分析
第4题
(1)【实验目的】
学会用spss进行回归分析 (2)【实验任务】
1、 数据 学生成绩一.sav 和 学生成绩二.sav ，任意选择两门成绩作为解释变量和被解释变量，利用SPSS
提供的绘制散点图功能进行一元线性回归分析，请绘制全部样本以及不同性别下两门成绩的散点图，并在图上绘制三条回归直线，其中，第一条针对全体样本，第二条和第三条分别针对男生样本和女生样本，并对各回归直线的拟合效果进行评价。
(3)【操作步骤】
打开“学生成绩一.sav”→图形→散点图/点图→简单散点图→定义→将数据导入“X轴”、“Y轴”→确定； 在查看器中→图形→激活；→选择元素→总计拟合曲线和子组拟合曲线。 分析→回归→线性→将数据导入“因变量”、 “自变量”→统计→选中“共线性诊断”→继续→确定。
(4)【输出结果】
ANOVA 模型 1 回归 残差 总计 a. 因变量：chi b. 预测变量：(常量), math 平方和 461.871 3376.541 3838.413 自由度 1 58 59 均方 461.871 58.216 F 7.934 显著性 .007 ba
8
(5)【结果分析】
上表得出，不论是总体拟合效果还是男女分类拟合效果，都比较差，这说明，这两门成绩的相关性弱。
第5题
(1)【实验目的】
建立多元线性回归方程，分析影响的主要因素。
(2)【实验任务】
请先收集若干年粮食总产量以及播种面积，使用化肥量，农业劳动人数等数据，然后建立多元线性回归方程，分析影响粮食总产量的主要因素，数据文件 “粮食总产量.sav”
(3)【操作步骤】 分析—回归—线形 (4)【输出结果】
9
输入/除去的变量 模型 1 输入的变量 农业劳动者人数(百万人), 粮食播种面积(万公顷), 施用化肥量(kg/公顷) a. 因变量：粮食总产量(y万吨) b. 已输入所请求的所有变量。 ba除去的变量 方法 . 输入 模型摘要 模型 1 R .986 aR 方 .971 调整后 R 方 标准估算的误差 .968 1378.77302 a. 预测变量：(常量), 农业劳动者人数(百万人), 粮食播种面积(万公顷), 施用化肥量(kg/公顷) ANOVA 模型 1 回归 残差 总计 平方和 1989131592.747 58931465.939 2048063058.686 自由度 3 31 34 均方 663043864.249 1901015.030 F 348.784 显著性 .000 ba a. 因变量：粮食总产量(y万吨) b. 预测变量：(常量), 农业劳动者人数(百万人), 粮食播种面积(万公顷), 施用化肥量(kg/公顷) 系数 未标准化系数 模型 1 (常量) 粮食播种面积(万公顷) 施用化肥量(kg/公顷) 农业劳动者人数(百万人) 风灾面积比例(%) a. 因变量：粮食总产量(y万吨) B -20715.614 2.136 128.802 62.461 -198.598 标准误差 7459.573 .513 13.679 9.836 54.231 .154 .690 .461 -.112 标准化系数 Beta t -2.777 4.167 9.416 6.350 -3.662 显著性 .009 .000 .000 .000 .001 a
10