6—4：矿工用力肺活量研究分析
采用的方法：多因素方差分析或者单因素方差分析 实验步骤：
1. 在Analyze—>General Linear—>Univariate
2. 将肺活量添加到“Dependent Variable“列表框中，将患病情况添加到
“ Fixed Factor”列表框中
3. 3.在Options 中将“患病情况”添加到 “Display Means for” 选择
“Homogeneity tests” 点击“Continue” 4. 在Contrasts中将“患病情况”添加到“Factors”在Contrast中选择 Simple
然后再 change 最后选中Last 点击 Continue
5. 在Post Hoc中将“患病情况”添加得到“Post Hoc Tests for”选中“LSD”
和“S-N-K” 点击 Continue
6. 在Model中选中“Full factorial“点击Continue 实验结果：
表一：患病情况表
表示方式 1 2 3 患病情况 肺矽病患者 可疑患者 非患者 人数 10 9 10 结果解释：将患病情况分成三组，1表示肺矽病患者，2表示可以患者，并且有一个数据缺失，3表示非患者。
表二：方差齐次性检验表
F 0.408 df1 2 df2 26 相伴概率 0.669 结果解释：零假设：各水平下方差无显著差异，相伴概率大于0.05，表示接受零假设，即是各组之间无相互影响
表三：多因素方差分析表
Mean Source Corrected Model Intercept 患病情况 Error Total Corrected Total 变异离差和 10.919 163.812 10.919 1.462 177.03 12.381 adf 2 1 2 26 29 28 Square 5.46 163.812 5.46 0.056 F检验 97.103 2.91E+03 97.103 相伴概率 0 0 0 结果解释：零假设：各水平下无显著差异。最后的相伴概率都为0，表示3组矿工的用力肺活量存在显著差异
表四：LSD分析表 Mean Difference (I) 患病情况 (J) 患病情况 肺矽病患者 可疑患者 非患者 可疑患者 肺矽病患者 非患者 非患者 肺矽病患者 可疑患者 (I-J) -.5989 -1.4700 .5989 -.8711 1.4700 .8711 ******95% Confidence Interval Lower Std. Error 0.10895 0.10604 0.10895 0.10895 0.10604 0.10895 相伴概率 0 0 0 0 0 0 Bound -0.8228 -1.688 0.3749 -1.0951 1.252 0.6472 Upper Bound -0.3749 -1.252 0.8228 -0.6472 1.688 1.0951 结果解释：零假设：各水平下无显著差异。最后的相伴概率都为0，表示3组矿工的用力肺活量存在显著差异
表五：S-N-K分析表 a 10 9 10 1 1.69 2 3 Student-Newman-Keuls 肺矽病患者 可疑患者 非患者 Sig. 2.2889 3.16 1 1 1 结果解释：零假设：各水平下无显著差异。多重比较最后的相伴概率都为1，表示3组矿工的用力肺活量存在显著差异
6-5：高血压研究分析
采用方式：协方差分析，和6-4同样的操作，只是将“入院治疗前的血压”添加作为协方差处理 实验步骤：
1. 在“Analyze”菜单的“General Linear Model”子菜单中选择
“Univariate”命令。
2. 2.在弹出的“Univariate”对话框中，把入院治疗后的血压添加到
“Dependent Variable”中，把组别添加到“Fixed Factor”，把入院治疗前的血压添加到“Covariate(s)”中。
3. 接下来和6-4类似的操作，点击“OK”即可得出实验结果。
表六：协方差分析表
Type III Sum Source Corrected Model Intercept 入院治疗前的血压 组别 of Squares 603.203 2461.484 150.425 551.519 aMean df 3 1 1 2 Square 201.068 2461.484 150.425 275.759 F检验 0.831 10.174 0.622 1.14 相伴概率 0.499 0.007 0.444 0.348 Error Total Corrected Total 3387.075 314725 3990.278 14 18 17 241.934 结果解释：零假设：三种治疗方式对治疗结果无显著差异。协方差的F检验为0.622，相伴概率为0.444表示对观察结果造成了显著影响。不同治疗方式贡献的离差平方和为150.425，均方为275.759，对应的F值为1.14，相伴概率为0，拒绝零假设，说明不同治疗方法对结果造成了显著影响。
第七章练习
7-4：
采用分析方式：二元定序变量的相关分析 实验步骤：
1. Analyze —>Correlate—>Bivariate
2. 选择“J1”“J2”“J3”“J4”“J5”“J6”“J7”“J8”—>添加到Variables，点击OK 实验结果：
表一：裁判相似性测量表 J1 R Sig J2 R Sig J3 R Sig J4 R Sig J5 R Sig J6 R Sig J7 R Sig J8 R Sig J1 1 J2 .913 0 1 ****J3 .835 0.001 .893 0 1 ****J4 .872 0 .962 0 .858 0 1 ******J5 .883 0 .887 0 .880 0 .905 0 1 ********J6 .744 0.006 .871 0 .750 0.005 .829 0.001 .712 0.009 1 **********J7 .790 0.002 .885 0 .820 0.001 .805 0.002 .776 0.003 .807 0.002 1 ************J8 0.428 0.166 0.371 0.235 0.48 0.114 0.435 0.157 0.417 0.178 0.398 0.201 0.374 0.231 1 .913 0 .835 0.001 .872 0 .883 0 .744 0.006 .790 0.002 0.428 0.166 ********** .893 0 .962 0 .887 0 .871 0 .885 0 0.371 0.235 ********** .858 0 .880 0 .750 0.005 .820 0.001 0.48 0.114 ******** .905 0 .829 0.001 .805 0.002 0.435 0.157 ****** .712 0.009 .776 0.003 0.417 0.178 **** .807 0.002 0.398 0.201 ** 0.374 0.231 表一结果解释：
第一个地区和第二个地区的裁判相关系数为0.913，第二个地区和第四个地区的裁判的相关系数为0.962，第四个地区和第五个地区的裁判的相关系数为0.905，它们的结果都大于0.90，所以这些地区的裁判非常相似，另外，第八个地区的裁判和前七个地区的裁判相关系数都要低一些，前七个地区的裁判更类似。
7-5：
采用分析方式：偏相关分析，剔除了其它因素的影响 实验步骤：
1. Analyze —>Correlate—>Partial
2. 选择“v1”“v4”—>添加到Variables—>选择“v2”“v3”—>添加到Controlling For 3. Options —>选择“Zero-order correlations” “Exclude cases listwise”—> 点击
Continue —>点击OK
对于第二产业和第三产业做一样的分析，只在第二部稍做变化。
实验结果：
表二：第一产业和国民总收入的偏相关分析表 Control Variables 偏相关系数 第一产业 双侧检验的相伴概率 自由度 偏相关系数 国民总收双侧检验的相伴概入 率 自由度 国民总收入 第一产业 1 . 0 -0.592 0.001 24 -0.592 0.001 24 1 . 0 剔除第二产业和第三 表二结果分析：
零假设：两总体无显著的线性相关关系。由于双侧检验的相伴概率为0.001，则拒绝0假设，即是两总体存在显著的线性相关关系。偏相关系数为-0.592，表示第一产业和国民总收入成负相关关系，且比较相关。
由于偏相关分析结果的上半部分为变量两两之间的简单相关关系，所以，一下只分析下面的偏相关关系：
表三：第二产业和国民总收入偏相关分析表 Control Variables 偏相关系数 国民总收入 双侧检验的相伴概率 剔除第一产业和第三产业 自由度 偏相关系数 第二产业 双侧检验的相伴概率 自由度 国民总收入 1.000 . 0 -.357 .073 24 第二产业 -.357 .073 24 1.000 . 0 表三结果分析： 零假设：两总体无显著的线性相关关系。由于双侧检验的相伴概率为0.073，则接受0假设，即是两总体不存在显著的线性相关关系。偏相关系数为-0.357，表示第二产业和国民总收入成不相关。
表四：第三产业和国民总收入偏相关分析表
Control Variables 国民总收入 第三产业