spss学习心得

2025-03-28 版权声明 我要投稿

spss学习心得(通用8篇)

spss学习心得 篇1

大四的时候,学过spss相关课程,初步了解到它有非常强大的统计功能,对我们的学习、工作都会有很大的帮助,所以一直想学好这门课程。通过这个学期颜老师的课,让我了解了许多,也学到了SPSS一些强大的功能,相信这对我以后,会有一定的帮助,至少等以后需要用,要再学习的时候,不至于太陌生。

平时,我们用的较多的数据分析软件是Excel。虽然使用Excel可以对数据进行透视、分类、筛选以及计算机相关系数等,但是这些操作都需要自己一步一步进行手动操作,而在使用spss软件对数据进行整理时,只需要对软件某选项内设置变量条件,系统便会自动的进行整理。而且,在学习与应用SPSS过程中,我了解到应用SPSS软件只要了解统计分析的原理无需知晓统计方法的各种算法就能得到自己所需要的统计分析结果。另外对于常见的统计方法,SPSS的命令语句、子命令及选择项的选择绝大部分在软件内的对话框操作完成,都无需花费大量的时间记忆大量的命令和选择项。在这方面,SPSS软件的应用可以使我们节省大量时间,而且软件操作比较容易上手。

另外在与SPSS的接触中,我逐渐了解到SPSS软件的强大与方便。SPSS提供了从简单的统计描述到复杂的多因素统计分析方法,其中有数据的统计分析、统计描述、交叉表分析、方差分析、多元回归、因子分析等分析方法。利用这些方法可以得出计算数据和统计图形,看出数据的离散程度、集中趋势和分散程度,单变量的比重,还有对数据进行标准化处理。利用这个软件对问卷数据进行分析是非常好的。虽然,这些方法大部分我还是不会使用,能够让我利用并成功分析的方法只有寥寥几种,但是这种简单便捷的操作让我对SPSS的兴趣却是越来越浓。

但在学习SPSS期间,也遇到了一些问题,主要是后面几章,SPSS的方差分析、线性回归分析、因子分析等。

在参数检验中我不知道原假设是什么,导致分析的时候不知道该拒绝原假设还是接受原假设,不能分析出统计结果。不会区分单样本t检验和两配对样本t检验的区别,现在懂得了它们都要服从正态分布,基本思想是小概率反证法,反证法思想是先提出假设(检验假设H0),再用适当的统计方法确定假设成立的可能性大小,如果可能性小,则认为假设不成立,否则,还不能认为假设不成立。

在学习方差分析中,开始常常把观测变量和控制变量弄混淆,在分析的时候应分别送入哪个对应框中,如果反了的话会导致结果的不准确。其次,对LSD、Bonferroni、Tukey、Scheffe等方法的使用不清楚,现在基本掌握了多重比较方法选择:一般如果存在明确的对照组,要进行的是验证性研究,即计划好的某两个或几个组间(和对照组)的比较。宜用Bonferroni(LSD)法;若需要进行多个均数间的两两比较,且各组个案数相等,适宜用Tukey法;其他情况宜用Scheffe法。最后,对方差齐性检验、多重比较检验、趋势检验理解不够透彻,在方差检验中,Post Hoc键有LSD的选项:当方差分析F检验否定了原假设,即认为至少有两个总体的均值存在显著性差异时,须进一步确定是哪两个或哪几个均值显著地不同,则需要进行多重比较来检验。LSD即是一种多因变量的三个或三个以上水平下均值之间进行的两两比较检验。

在学习相关分析的过程中,在绘制散点图时,不知道哪个该做横坐标,哪个该做纵坐标,明白了横坐标是解释变量,纵坐标是被解释变量,还有对相关系数的种类分析不熟练等。在学习回归分析的过程中,对DW可检验的含义不理解,不记得对应的DW表示的残差序列的相关性。对解释变量向前筛选、向后筛选、逐步帅选策略不能熟练掌握,特别是对向前向后筛选时到处的结果不会进行分析。

学习因子分析的过程中,对提取出来的因子的实际含义不清晰,不能使因子具有命名解释性等。此外,由于我们所学专业并非必须拥有计算机,导致我们平时能够练习的机会比较少,造成了掌握不牢固,前学后忘现象比较严重。这些问题,也许会随着对spss应用的深入,经验慢慢的积累,而得到解决。很希望能够把SPSS的应用熟练操作,并且能把它变为自己的一种本能,使自己在今后的工作与学习中,可以轻松运用。

spss学习第四天 篇2

我主要以课上的顺序来一步步操作

一元回归

两个或两个以上自变量对一个因变量的数量变化关系,称为多元线性回归分析,表现这一数量关系的数学公式,称为多元线性回归模型。

多元线性回归模型是一元线性回归模型的扩展,其基本原理与一元线性回归模型类似,只是在计算上更为复杂,一般需借助计算机来完成。

(2)回归方程的显著性检验(F检验)

多元线性回归方程的显著性检验一般采用F检验,利用方差分析的方法进行。

(3)回归系数的显著性检验(t检验)

回归系数的显著性检验是检验各自变量x1,x2,…,对因变量y的影响是否显著,从而找出哪些自变量对y的影响是重要的,哪些是不重要的。

与一元线性回归一样,要检验解释变量对因变量y的线性作用是否显著,要使用t检验。

课上实例:

Next 在这里可以针对不同的自变量设置不同的筛选引入方法。Options 下一步:设置变量引入剔除的标准规则 Methot

自变量筛选的方法: Enter:所选变量全部引入模型 Stepwise:逐步引入法 Remove:剔除变量 Backward:向后消去法 Forward:向前消去法

结果:

第一个表格是

描述统计量 第二个表格是 相关系数矩阵

第三个表格是 列出模型引入以及剔除的变量,这里是强制引入法,所有变量引入模型 第四个表格是 模型拟合优度统计量 第五个表格是 模型显著性F检验

第六个表格是 每个回归系数显著性的t检验

第七个表格是 共线性诊断特征根有些接近0,有个别值特别大有严重共线性。条件指数如有个别维度值大于30,也说明有严重共线性!第八个表格是 关于残差的描述统计量 第九个表格是 残差的正态性诊断

多元回归

虚拟变量

前面几节所讨论的回归模型中,因变量和自变量都是可以直接用数字计量的,即可以获得其实际观测值(如收入、支出、产量、国内生产总值等),这类变量称作数值型变量。然而,在实际问题的研究中,经常会碰到一些非数值型的变量,如性别、民族、职业、文化程度、地区、正常年份与干旱年份、改革前与改革后等定性变量。

在回归分析中,对一些自变量是定性变量的先作数量化处理,处理的方法是引进只取“0”和“1”两个值的0−1型虚拟(dummy)自变量。当某一属性出现时,虚拟变量取值为“1”,否则取值为“0”。例如,令“1”表示改革开放以后的时期,“0”则表示改革开放以前的时期。再如,用“l”表示某人是男性,“0”则表示某人是女性。虚拟变量也称为哑变量。需要指出的是,虽然虚拟变量取某一数值,但这一数值没有任何数量大小的意义,它仅仅用来说明观察单位的性质和属性。

课上实列:

建立虚拟变量DU。设置逻辑运算,如果AREA==1时,DU=1,否则DU=0.结果:

逻辑回归

称为logistic模型(逻辑回归模型)。

我们的逻辑回归模型得到的只是关于P{Y=1|x}的预测。

但是,我们可以根据模型给出的Y=1的概率(可能性)的大小来判断预测Y的取值。一般,以0.5为界限,预测p大于0.5时,我们判断此时Y更可能为1,否则认为Y=0。如果该p值小于给定的显著性水平(如=0.05),则拒绝因变量的观测值与模型预测值不存在差异的零假设,表明模型的预测值与观测值存在显著差异。如果值大于,我们没有充分的理由拒绝零假设,表明在可接受的水平上模型的估计拟合了数据

课上实例:

将因变量放入dependent栏,自变量放入covariates栏中 可以把几个变量的乘积作为自变量引入模型作为交互影响项

线性回归一样,我们可以通过next按钮把自变量分成不同的组块,使不同的组块按顺序以不同的方式分步进入模型

Classification plots:制作分类图,通过比较因变量的观测值与预测值的关系,反映回归模型的拟合效果。

Hosmer-Lemeshow goodness-of-fit: H-L检验。

Casewise listing of residuals:显示个案的残差值(显示标准化残差超过两倍标准方差的个案或显示所有个案)

Correlations of estimates:输出模型中各参数估计的相关矩阵。

Iteration history:输出最大似然估计迭代过程中的系数以及log似然值。CI for exp(B):输出exp(beta)的置信区间,默认置信度为95% 在save选项中,我们可以选择需要保存的数据文件中的统计量。包括残差值、个案影响度统计量、预测概率值等等

结果:

第一部分有两个表格,第一个表格说明所有个案(28个)都被选入作为回归分析的个案。

第二个表格说明初始的因变量值(0,1)已经转换为逻辑回归分析中常用的0、1数值。

(2)第二部分(Block 0)输出结果有4个表格。(组块0里只有常数项,没有自变量)

(3)Omnibus Tests of Model Coefficients表格列出了模型系数的Omnibus Tests结果。

(4)Model Summary表给出了-2 对数似然值、Cox和Snell的R2以及Nagelkerke的R2检验统计结果。

(5)Hosmer and Lemeshow Test P值大于0.05,说明模型有一定的解释能力(6)Classification Table分类表说明第一次迭代结果的拟合效果,从该表格可以看出对于y=0,有86.7%的准确性;对于y=1,有76.9%准确性,因此对于所有个案总共有82.1%的准确性。

(7)Variables in the Equation表格列出了Step 1中各个变量对应的系数,以及该变量对应的Wald 统计量值和它对应的相伴概率。从该表格中可以看出x3相伴概率最小,Wald统计量最大,可见该变量在模型中很重要。B是回归系数的估计值 Wald系数的wald检验

Exp(beta)的估计值以及区间估计

(8)Correlation Matrix表格列出了常数Constant、系数之间的相关矩阵。常数与x2之间的相关性最大,x1和x3之间的相关性最小。

(9)图7-26所示是观测值和预测概率分布图。该图以0和1为符号,每四个符号代表一个个案。横坐标是个案属于1的录属度,这里称为预测概率(Predicted Probability)。纵坐标是个案分布频数,反映个案的分布。

个人总结SPSS 篇3

1、数据编辑窗口

2、结果浏览/输出窗口

3、程序编辑器窗口:语法 编写

4、脚本编写窗口

系统参数设置 编辑-选项

第二章 数据挖掘 省略

OLAP on-line analytical processing 在线分析处理

第三章 数据文件、变量与函数

数据的编辑(插入个案、插入变量)

SPSS函数 即生成新变量

算数函数(软件中的“算术”)当然还包括类似计算器的简单加减乘除

统计函数(软件中的“统计量”)变异系数 滞后变量 最大值平均值 最小值 缺失数量 标准差 方差 和累积和

我们发现主要是横向比较 对一个“个案”而言 所以函数式中的括号必须包含至少两个变量以上

逻辑函数(软件中的“检索”)

Any 判断

Range(变量名,下限、上限)数值型变量在下限和上限中为1 true 否则为0

时期和时间函数 数值型函数

定义时间格式(软件中的“日期创建”)

DMY 日/月/年 括号中(日、月、年)

XDATE.??难点

随机变量函数(软件中的“随机数字”)

RV.分布名(参数)

缺失值函数

第四章 预处理

数据编辑、整理几张在D数据和T转换两个菜单

D标题栏中 分组、合并、加权等

spss期末复习总结范文 篇4

2、Spss界面窗口:数据编辑窗口、结果管理窗口、结果编辑窗口、语法编辑窗口、脚本窗口。

3、在数据预处理中应用最广泛的是计算变量。

4、Spss基本模块不能直接实现的功能:统计分析、数据计划、数据收集。1-

6、spss不能直接打开*.html文件。

1、spss数据文件格式:每一行的数据成为一个记录;每一列为一个变量。

2、Spss数据编辑器界面为数据视图界面和变量视图界面(定义数据集的数据字典)。2-

3、变量名命名准则:必须以英文字母开口,其他部分可以含有字母、数字、下划线;变量名尽量避免和spss已有的关键字重复(sum、compute、anova);变量名最长为64个英文字符或者32个中文字符;spss变量名不区分大小写。

4、变量的度量类型不是固定不变的,可以分局分析过程来改变变量的度量类型。2-

5、spss中字符型数据值区分大小写;字符型数据可以设置值标签。

6、对于数据的处理缺省值默认为”.”,字符串默认为空,若空字符串有意义,需在变量是同对缺省值进行定义。

7、spss只读入数据(excel)。

8、添加变量合并文件:一对一合并,一对多合并;合并相同个案数,不同属性的数据文件,为添加变量;合并数据之前,需按关键变量进行排序,合并的诗句恩见必须是.sav或已经在spss中打开的文件,并确保两个文件中需要合并的变量名称不同。

1、可视化分段方法:直接输入分割点;根据条件自动生成分割点。

2、填补缺失数据方法:序列均值、临近点均值、临近点的中位数、线性插值法、点处线性趋势。

3、在做统计分析之前一般要做数据效验,如果是录入错误则重新录入;若数据确实错误,则可将这些数据设置成缺失值。

4、“标记异常个案”过程基于个案偏离聚类组中心的大小来判断异常个案,一般用于探索性数据分析步骤中。

5、可视化变量分段是对连续数据进行离散化。

1、描述数据特征的统计量,一类表示数据的中心位置(均值、中位数、众数),一类表示数据的离散程度(方差、标准差、极差)。进行数据分析第一步往往是进行描述性统计分析。4-

2、频率分析:对于给定的类,落入这个类的个案数成为频率,落入该类中的个案数和个案总数的比例成为相对频率——直方图、条形图、集中趋势和离散趋势的统计量来描述数据的分布特征。

3、饼图和条形图使用于分类变量类别个别数较少的情况,如果个别数较多,选择直方图。4-

4、中心趋势的描述:均值、中位数、众数、5%截尾均值,指一组数据向某个中心值靠拢的倾向。对于连续变量(尺度变量)和定序变量,描述中心趋势的有均值、中位数、众数、5%截尾均值(升序排序,剔除最小和最大的5%后的算术均值);对于定性数据(名义数据),指标只有众数。(尺度变量——连续变量;名义变量——定性数据;名义变量和定序变量——分类变量)

5、离散趋势的描述:极差、方差、标准差、分位数、变异指标。4-

6、总结五数:最小值、下四分位数、中位数、上四分位数、最大值。(箱图)4-

7、偏度:α∈(-3,3),α>0,左偏,在左拖尾。α=0对称分布。峰度:β>3,高峰度,β=0,正太峰。

8、分析/描述统计/频率(条形图、饼图、直方图)/描述/探索(箱图、茎叶图、直方图、Q-Q图),输出统计量(均值、中值、众数、标准差、方差、偏度、峰度、全距、极值、百分位数)

9、定性数据图形的描述:条形图、帕累托图(从高到低排序条形图)、饼图。(首先加权个案)

10、定量数据图形的描述:直方图(用于连续型数据)、茎叶图、箱图。

11、在探索图里面勾选带检验的正态图可以输出选定变量的QQ图、变量正态性的K-S检验和S-W检验。

12、IQR(四分位距)=Q3-Q1,最下面的短线Q1-1.5IQR,最上面短线Q3+1.5IQR,离群值(圆圈表示)落入[Q3+1.5IQR,Q3+3IQR)或者(Q1-3IQR,Q1-1.5IQR],极端值(※表示)大于等于Q3+3IQR或Q1-3IQR。

13、如果只有一个因变量,茎叶图或者箱图按因子各个水平输出,选择不分组的输出结果和选择“按因子水平分组”的输出结果只在标题的组织形式上略有不同,如果有两个因变量,则两种选项的结果差异较大。

1、因为假设检验有何能犯两类错误:拒真、受伪。

2、假设检验的步骤:确定恰当的原假设和被择假设;选择检验统计量;计算检验统计量观测值发生个概率(P);给定显著性水平α,并作出决策。5-

3、分析/比较均值/均值,输出表格“案例处理摘要”(看缺失值)、“均值报告表”(看均值列,趋势与增加幅度,如随着工作年限增加,小时工资也增加,增加幅度不均匀,列举每阶段增加幅度)、“方差分析表(ANOVA表)”(线性显著性<0.05,有线性关系,线性偏差>0.05,非线性关系成分不显著)、“相关性度量表”(R方值不大,线性关系不十分强)

4、双因素分析:在均值对话框—下一张,均值过程只对第一层的自变量进行方差分析和线性相关检验(只有描述性统计表,即均值分析报告不一样,均值列分析:同等经验下,病房护士小时工资比办公室高,随着工作经验增加,差距变小;标准差列分析:同等经验的办公室护士,小时工资差距大于同等经验的医院护士)。5-

5、单样本T检验即检验某个变量的总体均值和某指定值之间是否存在显著性差异。T检验的稳健性好。数据准备:数据—拆分文件—分割文件—比较组(完成分析之后要关闭文件分割)、单样本T检验:分析/比较均值/单样本T检验(输入检验值)—— “单个样本统计量”——均值,偏离检验值、“单个样本检验”——t为T统计量,df为自由度,sig(双侧)为P值,均值差值为各数据减去检验值,上限下限位该均值差95%的置信区间的上限和下限。sig值<0.05,拒绝原假设,不等于检验值,不满足要求。

6、两个样本的T检验分为:独立样本T检验和配对样本T检验。独立样本T检验分析两个独立样本的均值是够有显著性差异(男女身高、不同行业的起始工资)。配对样本T检验比较同一个总体的两次不同的测量(医学研究中药物疗效、被调查者父亲和母亲的受教育程度)。

7、独立样本T检验的前提条件:独立性、正态性、方差齐性;数据初探:分析/描述性统计/探索(直方图、带检验的正态图)—— “描述”(比较均值大小、标准差比接近于1,初步认定方差齐性)、“直方图”(初步判断正态分布)、“正态性检验”(K-S检验和S-W检验,sig>0.05,接受正态性假设)——判定是够满足T检验前提条件,满足则进行T检验; 分析/比较均值/独立样本T检验(定义分组变量)—— “组统计量”(显示均值、标准差及均值的标准误,均值的标准误即为标准差除以样本N的平方根)、“独立样本检验”(方差方程的Leven检验,即方差齐性检验,和均值方程的t检验,p>0.05接受方差齐性假设,选择“假设方差相等”,sig(双峰)<0.05,说明新促销方法消费金额显著不同于标准促销消费金额,再比较均值大小,说明新方案有效)。

5-8 配对样本T检验配对设计方法:同一受试对象处理前后的数据/两个部位数据/两种方法测试数据/配对的两个收拾对象分别接受两种处理后的数据。

9、配对样本T检验的前提条件:两个样本配对、两个样本所来自的总体服从正太分布;分析/比较均值/配对样本T检验——“成对样本统计量”(均值、标准量、标准差、均值的标准误),“成对样本相关系数”(样本量N、相关系数、相关系数P值sig<0.05,相关系数明显大于0,有强线性相关),“成对样本检验”(差值的均值、差值的标准差、差值均值的标准误,t统计量和相对应的显著性,t=差值的均值/均值的标准误,分析:对1的差值均值及为减轻量,由于对1均值及均值的标准误远远高于对2,所以对2的t值远远大于对1的t值,从显著性来看,对2的减轻是显著的,因此该计划最终的评估结果为可以减轻体重但不确定可以减轻脂肪)。注意:配对样本T检验之前需要检查两样本是否服从正态分布(直方图、QQ图、k-s检验,注意分析变量中的离群值,用箱图检验)。

1、非参数检验的优点:稳健性、使用范围广。缺点:检验能效较差。适用场合:参数检验方法的条件不满足,研究定类变量和定序变量之间的关系。单样本非参检验方法:二项检验、卡方检验、k-s检验。

2、卡方检验——对总体分布进行检验(心脏病猝死人数与日期关系、人口结构、血型和性格等),原假设:样本来自的总体分布于假设的分布无显著性差异。卡方统计量服从自由度为k-1的卡方分布,如果卡方值较大,说明期望频数与观测频数分布差距较大,拒绝原假设。

3、二项式检验(首先定义成功或失败的类别,默认第一类为成功类)

1、相关关系分为线性相关和非线性相关,相关变量的研究根据变量的度量类型分为定类变量之间的相关,定序变量之间的相关,尺度变量之间的相关。

2、相关分析在统计分析中的作用:判断变量之间有无联系、确定相关关系的表现形式及相关分析方法、把握相关关系的方向与密切程度、进一步采取其他统计方法进行分析提供依据、用来描述变量之间的关系状况和进行预测。7-

3、相关分析的主要方法:图示法(散点图)、计算相关系数法。图形/散点图/简单散点图,偏离大部分的点为离群值。

4、相关系数为0只能说明没有线性相关关系,相关系数适用于样本量大于30且两个变量的总体是正态分布的情况。

5、相关系数检验,原假设为ρ=0;分析/相关/双变量——“相关性”(相关系数<0.3、显著性>)0.05,线性相关不显著;剔除离群值:数据/选择个案/如果、分割文件:数据/拆分文件、分析/相关/双变量——“相关性”(相关系数、显著性)(散点图——相关系数检验——回归)

1、确定变量之间线性相关后,通过回归分析找出线性关系。线性回归是指回归系数为线性,不是非相关变量和预测变量之间的的关系。

2、回归分析的步骤:写出研究的问题和分析的目的、选择潜在相关变量、收集数据、选择合适拟合优度、模型求解、模型验证和评价、应用模型解决研究问题。

3、简单线性回归:Y=β0+β1X+ε(X为预测变量,可控,Y为因变量,随机,ε为随机误差,ε~N(0, σ²),且假设σ²与X无关)。8-

4、决定系数R²=SSR/SST=1-SSE/SST,残差平方和SSE,回归平方和SSR,总平方和SST=SSR+SSE,0<=R²<=1。决定系数越大,回归方程的拟合程度越高,0.6以上即可以接受回归直线。

5、分析/回归/线性——“系数”(B列,写出方程Y=常量B+UnitsBX,注意Y的帽子)、“模型摘要(汇总)”(调整)R²小于R²,一元看R²,多元看调整R²,分析:R²=0.978,说明该线性模型可以解释自变量97.8%的变差,拟合效果好、“模型拟合优度检验Anova”(F=回归平方和/残差均方,sig<0.05,方程整体有效,分析:F检验中的显著性小于0.05,一元线性回归模型显著)

6、COOK距离和Leverage值(杠杆值)能给出个案对回归影响大小的信息。

7、进行线性回归需要对回归进行的条件验证:因变量和自变量的因果关系、残差具有方差齐性、残差之间不相关(自变量不需要服从正太分布)。

8、在一元的情况下,回归方程的显著性和斜率的显著性检验是等价的。

1、三个或三个以上样本均值的差异——方差分析(ANOVA)。方差分析的因变量必须是尺度类型数据(连续数据)。因素分为观测因素(因变量,最终结果)、控制因素(潜在原因,可选择)。方差分析的条件:每个处理的因变量为正态分布(正态性);每个处理的因变量具有相同的方差(方差齐性)。

3、描述性数据分析:检验方差分析的前提条件是否满足,如果不满足,看偏离是否严重,决定使用方差分析还是非参数检验。

4、单因素方差分析(四表一图):分析/比较均值/单因素ANONA,选择因变量和因子,两两对比,假定方差齐性部分18种(LSD—精度最高、S-N-K输出同类子集、Tukey—各组大小相等,及组等容量时使用)、未假定方差齐性4种,选项/单因素勾选“描述性”(输出方差分析描述性统计量“描述”)、“方差同质性检验”、均值图。9-

5、总体均值之间是够显著差异: “描述”(均值、标准差,分析:培训时间越长,成绩越好越稳定); “方差齐性检验”(显著性希望>0.05,<0.05说明方差不齐,分析:在比较各个组别样本量相差不大,且各组分别的分布形态类似的情况下,方差分析对方差不等具有稳健性,案例中内个组个案数相等,峰度和偏度相等,分布形态类似,可进行方差分析,建议方差分析后进行相应非参检验验证方差分析结果)“ANOVA表”(均方=相应平方和/自由度,F=组间均方/组内均方,一共三个组,组间自由度2,60个个案,3个组,组内自由度57。分析:显著性<0.05,没有证据说明三种方式的效果相同)

spss学习心得 篇5

spss工程实训报告

题 目:关于湖南大学本科生暑假规划的调查

学院名称: 金融与统计学院 专业班级: 统计二班 学生姓名: 宿骐、王美超、吕芳婷、学号:20111903203、20111903213、20111903218、指导老师:

目 录:

第一部分——spss分析原理及引言 第二部分——调查方案的设计 第三部分——调查结果及分析

第四部分——对本次调查的结论及相关建议 第一部分——spss分析原理及引言

此次调查是针对湖南大学本科生的暑期规划问题,调查问卷共设计15个题目,分别从被调查者给各种活动安排的时间、目的及其满意程度等方面进行数据资料的收集。

我班同学组成了调查小组,对在校生的暑期规划情况进行了调查。由于调查对象范围比较大,本小组主要采用的是抽样调查的方法,共收回有效问卷100份。从性别、年级方面对被调查者个人信息进行汇总。

第二部分——调查方案的设计

一、调查方案

1、调查目的

了解学校本科生暑假的时间安排情况,如旅游、兼职、学习、休息等,并通过调查不同性别、年级的同学们的满意程度,帮助学校和家长熟悉湖大学生暑期生活,以及为同学们的暑期生活规划做出参考。

2、调查对象

全校在校本科生。

3、调查方法

我们采取了抽样和随机抽样相结合的方法,分别选择了在统计二班进行整群调查,以及在各学院和年级进行随机抽样。4.调查方式

全体调查人员亲自到南北校区教学楼发放问卷并收集,网上制作问卷并征集答卷。5.调查表

具体调查项目及调查表详见附录。6.调查时间

5月25日—6月25日完成数据收集工作 7.调查人员

全体调查小组成员,共5位。8.调查项目预算

共200份调查表,打印每张0.2元,共40元。

二、调查问卷

关于湖南大学本科生暑假规划的调查问卷

大家好,为了解同学们的暑期安排情况,我们小组研究的课题是湖大本科生的暑期规划。请帮忙填写以下问卷,谢谢!

年级_____ 性别_____ 院系_________________

1、您对自己的暑期生活是否有具体的计划安排? a、有,且很具体 b、有,但只是方向 c、没有,顺其自然

2、您暑期打算做什么?

a、旅游 b、兼职 c、学习d、休息

3、如果旅游,您的目的是? a、丰富阅历,增长社会经验 b、培养和提高与人交流能力

c、调剂心情以更好地投入生活学习中 d、不打算旅游

4、如果旅游,您将去往?

a、湖南省 b、外省 c、国外d、不打算旅游

5、如果旅游,您向往的主题类型是? a、自然风光b、海滨度假 c、繁华都市

d、民俗古镇e、其他_________________

6、如果旅游,您打算花费大约多长时间? a、1周 b、半个月 c、1个月

d、1个半月 e、2个月 f、不打算旅游

7、如果兼职,您的目的是? a、体验生活,增加社会经验 b、锻炼自己为人处事的能力

c、增加收入,为自己和父母减轻负担 d、不打算兼职

8、如果兼职,您希望做哪些工作? a、家教 b、餐厅服务员

c、促销员 d、与专业相关的工作 e、其他________________ f、不打算兼职

9、如果兼职,您打算花费大约多长时间? a、半个月 b、1个月 c、1个半月 d、2个月e、不打算兼职

10、如果学习,您主要打算学习或复习什么? a、英语培训或复习b、电脑培训或复习

c、驾校培训 d、自己感兴趣的___________________ e、不打算学习

11、如果学习,您打算花费大约多长时间? a、半个月 b、1个月 c、1个半月 d、2个月e、不打算兼职

12、如果休息,您的目的是? a、放松心情,调养身体 b、陪伴家人和朋友 c、在家休闲,省钱省力 d、不打算长时期休息

13、如果休息,您愿意怎样安排时间给学习? a、每天1-2小时b、每星期1-2天

c、每月1-2星期d、不打算花时间学习e、其他_____________________

14、如果休息,您打算怎样安排时间给睡眠? a、每天6-8小时 b、每天8-10小时

c、每天10-12小时 d、每天12小时以上

15、您对自己的暑期生活安排满意吗? a、非常满意 b、基本满意 c、不太满意 d、不满意

谢谢配合!祝大家暑期愉快!

由此表数据可知:打算旅游的与打算做兼职的同学人数相差不多,分别占百分比24%、27%;而将假期时间主要花费在学习上的学生最多,达到了35%;与此相反,打算长时期在家休息的人数最少,只有14%。考虑到大学生暑假旅游与兼职的动机,主要即丰富阅历、增加社会经验,以及锻炼自己为人处世的能力等,学生们的选择情有可原。然而,由学习与休息的人数反差可见,作为新时代大学生,同学们依然坚持学习是自己的第一要务,此点值得欣慰。由以下关于学习内容的数据又得知,大学生的学习不再局限于课本知识,来源也趋于丰富多样化,说明大学的确是汲取知识的黄金阶段,因此,也希望同学们都能珍惜青春,抓住机遇,在大学打造出一个多功能的优秀的自己。从上面的暑期打算调查中,我们可以看到,选择旅游的同学所占的比例占总比例的很大部分。可见,同学们对旅游是比较重视的。那么,同学们又会选择去哪儿旅游呢?如表3,我们可以清晰的看到,选择外省旅游的比例高达67%,次之的是选择在湖南省游玩,有极少部分选择出国游玩,部分同学则不会出去游玩。从下面饼状图可以一目了然,选择外省的比例独占鳌头。总的来说,暑假中绝大多数同学都会选择外出旅游,而旅游的同学中又有绝大多数同学选择外省旅游。这也不难理解。一方面,同学们在长沙呆了这么久,作为地区优势,早就把湖南省可以玩的地方统统玩遍了;另一方面,就算湖南省还没有玩遍,呆在长沙的时间还很长,可以留着以后玩,趁着这个长假好好感受异区文化,体味别样风情。在外省旅游也会增长更多在课本上学不到的东西,拓展自己的见闻,丰富自己的知识面,体会不一样的文化风情,也不失为一种明智的选择。饼状图如下:

4——

既然上面分析的大部分同学都会出去旅游,那么,他们一般会选择游玩写什么地方呢?是繁华都市还是民俗古镇?是自然风光还是浪漫海滨?

不妨来看看表4。从表中所显示的比例我们可以看出,同学们的选择都倾向于自然风光和民俗古镇。从图4中更可以直观的看到。从中可以得出,同学们都倾向于比较优雅的环境去游玩而不是那些喧嚣繁华的都市。在城市生活中压抑太久,同学们为自己找了一个清新脱俗又生机盎然的旅游环境是势在必行的。一方面,同学们可以在大自然的怀抱中无拘无束的敞开自己的胸怀,放松自己的心情,感受大自然的魅力;另一方面,美丽的自然风光加上清新优雅的民俗古镇,伴着景美、人美、情美,畅玩我们这美丽的暑假,不失为一种别样的暑假选择。当然,也有少部分同学选择了阳光灿烂的海滨。

总的来说,清净、优雅、宁静、自然还是同学们旅游的主体倾向。

10——

从这次调查我们可以得出看出:

一、大部分学生都有令自己基本满意的暑期计划安排,但都只是方向而不够具体、明确;二:部分学生没有能按预期中的安排去度过暑假,主要原因是缺少自制力;

三、多数学生有着充分利用暑假的意识,懂得在学习之余,做一些兴趣之内的事,或是体验生活从而丰富阅历,但缺少一个正确的引导。因此,我们小组有以下建议: 1:在放暑假之前,老师可以根据自己的经验给学生提出建议,正确的引导学生; 2:老师可以适当布置少量暑期综合实践作业,如暑期实践论文、暑期生活总结等; 3:很多学生在暑期愿意从事一些兼职,但大学生应该在确保安全的前提下根据自己的实际情况去选择,适合大学生短期兼职的是家教和销售;

SPSS时间序列一点总结 篇6

4.Seasonal Decomposition季节分散法

(一)Exponential Smoothing指数平滑中的Model有四种:Simple、Holt、Winters、Custom.Simple法是在移动平均法基础上发展而来的一次指数平滑法,它假定所研究的时间序列数据集无趋势和季节变化.Simple法基本过程: 1.首先定义变量、输入数据,至少要有一个变量,点出Data菜单中的Define Dates对话框,定义时间序列的周期.Define Dates可用来建立时间序列的周期性.共有20种可用来定义时间日期的变量.2.指定需要进行指数平滑处理的变量.从左侧变量名列表中选中需要进行指数平滑处理的变量,单击右面一个右箭头按钮,使变量名移到Variables框中.如果变量为多个,则计算完一个后,再输入另一个变量.3.“Parameters”参数设定,选定指数平滑中的参数,误差修正权数 a(General(Alpha))的取值在默认状态下为0.1,其取值大小依赖于已知时间序列的性质,通常都使用在0.1至0.3之间的数值并产生一个依赖于大量的过去观测资料的预测.接近于1的值较少用,它将给出更加依赖于新近观察资料的预测.当a=1时,预测值等于最新的观测值.单击Grid Search选项,如不加改动,可让程序自动计算a从0.1到1的10个指数平滑结果,并将误差平方和最小的平滑结果暂时存放在数据库中,当然,在这里可重新设置a的开始值,以后每次的增加值及终止值.在本程序中,确定Initial Values初始值栏中的选择有两种方式,选择Automatic项,初始值用自动方式生成,程序自动取时间序列的总平均值为初始值:选择Custom项,可手工输入初始值及趋势值.单击“Save”,最后单击“OK”并执行.Holt双参数线性指数平滑法适用于有线性趋势及无季节变化的时间序列的趋势.它可以用不同的参数对原时间序列的趋势进行平滑,具有很大的灵活性.在此法中要用到两个参数a、g(从0到1之间取值)和三个方程(略).Holt法基本过程

统计学SPSS软件实操实习报告 篇7

本学期专业开设了统计学课程,通过一学期的学习我们对统计学应用领域及

其类型基本概念有了基本了解,掌握了数据的收集、展示、分析的技术。但这都

是些书本上的理论知识,是纸上谈兵。

然而通过一学期统计学的学习,由最初对

spss学习心得 篇8

实验报告

班级: 姓名: 学号:

大学生恋爱观问卷调查与SPSS分析

一、实验目的与要求

1、实验目的

通过上机实验,使学生掌握统计学的基本原理、问卷的设计与调查,熟悉统计软件SPSS操作过程,能对统计软件SPSS的输出结果进行分析。

通过使用统计软件SPSS,加强学生对统计思想的理解,并提高解决实际问题的能力。

通过上机实验,指导学生设计调查问卷、深入社会调查访问,学会搜集第一手资料,掌握调查技巧和数据汇总、整理、分析方法,培养和锻炼学生创新与实践能力,为进一步学习其他相关课程奠定扎实的基础。

通过上机实验,希望能有助于提高学生设计调查问卷、采集数据和处理调查数据的基本能力,培养学生熟练掌握SPSS统计软件的基本操作,获得对实际数据进行统计和分析的能力,使学生能够撰写出规范的统计分析报告。

2、实验要求

要求学生理论联系实际,初步掌握运用统计方法解决实际问题的能力和运用统计软件SPSS处理数据的能力。

第一,确定调查方案、设计调查问卷、收集数据,并录入SPSS;要求学生熟悉SPSS操作环境,能够进行SPSS的窗口操作,并熟练掌握问卷变量的定义、数据的输入;

第二,利用SPSS,对问卷进行描述性统计分析或探索性统计分析,解释输出结果,写出相应的结论;

第三,利用SPSS,对问卷进行多选项分析,解释输出结果,写出相应的结论; 第四,利用SPSS,对问卷进行列联表分析,解释输出结果,写出相应的结论;

第五,利用SPSS,对问卷进行参数检验(T-TEST、单因素方差分析)或非参数检验,解释输出结果,写出相应的结论;

第六,利用SPSS,对问卷进行相关分析或回归分析,熟悉相关分析过程的软件操作过程,解释输出结果,写出相应的结论。

二、实验环境

硬件环境:微机

软件环境:SPSS11.5及SPSS16.0。

三、实验类型

综合性实验 第一部分 实验内容

1、探索性分析:是否谈恋爱与每天上自习时间的关系

(一)操作步骤

1.打开数据文件“问卷.sav”。

2.选择Transform→Recode→Into different variables,打开重新编码对话框。

从左侧选择q13“您现在是否谈恋爱”进入Numeric Variable,定义新的变量名q13_1,标题是”是否谈恋爱”。

3.选择Old and new Values,如下图定义新变量.其它选项采用系统默认状态。

4.选择Continue,点击OK,提交运行。

5.选择Analyze→Descriptive Statistics→Explore,如下图将选项选入相应List。

6.上述选项做完以后,单击OK 按钮,提交运行。

(二)输出结果与分析

Stem-and-Leaf Plots

Boxplot

(三)结果分析:

⑴集中趋势指标:首先可以看出62位没有恋爱的同学平均每天的自习时间是2.121小时,去掉两侧各5%的极端值后,截尾均数是2.078,中位数是2.000小时,其中,均数、截尾均数和中位数应当基本相同,因此从上述指标及可推测数据应当是符合对称分布的;37位谈恋爱的同学每天的平均自习时间是2.081小时,去掉两侧各5%的极端值后,截尾均数是2.047,中位数是2.000,也符合对称分布。

⑵离散趋势分析:没谈恋爱的同学自习的标准差是1.2102,最大值是5,最小值是0,两者差即全距5小时;谈恋爱的同学自习的标准差是1.0834,最大值是5.0,最小值是0,两者差即全距5小时.⑶分布特征分析:没有恋爱的数据的偏度系数是a=0.653,峰度系数是b=0.309,表示数据右偏,且形状比正态分布的峰要稍陡峭。恋爱者的数据的偏度系数是a=0.628,峰度系数是b=0.541,表示数据右偏,且形状比正态分布的峰要陡峭。

2、多选项分析:选择恋爱对象的主要因素分析

(一)操作步骤

1.打开数据文件“问卷.sav”

2.选择Analyze→ Multiple Response→ Define Variable Sets,再进行如下操作定义多选项变量集。

3.定义好后点Add, 然后关闭当前对话框。

Ⅰ、频数分析:

1.选择Analyze→ Multiple Response→Frequencies进行频数分析。2.将左侧的$q9选人右侧,点击OK,提交运行。

(二)输出结果与分析

(三)结果分析

这道多选题限选三项,由上表可得,比例从高到低排在前三项的分别是“人品好”78.0%,“和自己志趣相投”53.0%,“能力好”42.0%,大学生谈恋爱对经济状况的考虑较少,大多是以人品定位自己的对象。

在大学生人群中,把理想爱人的条件转向注重有内涵,注重人品,是普遍的一个大趋势。在本次调查中,男、女生均把“人品”作为了第一要素,而经济状况等已不再是择偶的主要因素。这反映了广大同学成熟的爱情心理。

Ⅱ、列联表分析:选择恋爱对象的主要因素与性别之间的关系分析

1.选择Analyze→ Multiple Response→Crosstabs进行列联表分析。

2.将多选项选入Rows,影响因素性别选入Columns,并定义变量集Define Ranges,范围是1到2,continue。

3.上述选项做完以后,单击OK 按钮,提交运行。

(二)输出结果与分析

(三)结果分析

其中,我们可以看到男、女生的一些不同:对于相貌的要求,男生18/46要高于女生16/54;而对于知识能力的要求方面,女生35/54又要比男生7/46看中的多。

但是从总的方面来说,当代的大学生在恋爱问题上是非常理性的,而且愈加趋向于成熟化。这些变化的方向无疑是社会所期望的,而且对于大学生本身来说是非常有意义的。

3、列联表分析:大学生谈恋爱时对相貌看重程度与性别关系的分析

(一)操作步骤

1、打开数据文件“问卷.sav”。

2、选择Analyze→Descriptive Statistics→Crosstabs,将“相貌的选择”和“性别”分别输入到Row和Column。

3、选择Cells,Counts框组:选中复选框Expected:Continue;

4、点击Statistics:复选框Chi-square:Continue

5、上述选项做完以后,单击OK 按钮,提交运行。

(二)输出结果与分析

(三)结果分析:

原假设:男女生在选择朋友是对相貌的看重程度没有差别 备择假设:男女生在选择朋友是对相貌的看重程度有差别

X=4.845,P值=0.184>0.05,不能拒绝原假设,所以性别在男女生选择对象相貌的看重程度没有差别。22%男生和21%女生选择“虽然知道相貌不重要,但还是想尽量找个漂亮的”,可见,相貌在男女生选择对象的时间仍然占着很重要的部分.24、单个样本的非参数假设检验——二项检验

分析背景:《中国青年报》近日发表文章,据调查大学生谈恋爱的人数为四成以上,为验证其数据是否真实,用样本数据进行非参数检验。

(一)操作步骤

1.打开数据文件“问卷.sav”。

2.选择Transform→Recode→Into different variables,打开重新编码对话框。

从左侧选择q13“您现在是否谈恋爱”进入Numeric Variable,定义新的变量名q13_1,标题是”是否谈恋爱”。

3.选择Old and new Values,如下图定义新变量.其它选项采用系统默认状态。

4.选择非参数假设检验的单个样本的二项检验.Analyze→Nonparametric Tests→Binomial,将q13_1题选入Test Variable List, Test Proportion:0.60。(《中国青年报》前不久在有关大学生恋爱的四成以上)

5.上述选项做完以后,单击OK 按钮,提交运行。

(二)输出结果与分析

Binomial TestCategory否是N6238100ObservedProp..6.41.0Test Prop..6Asymp.Sig.(1-tailed).382a是否谈恋爱Group 1Group 2Totala.Based on Z Approximation.(三)结果分析:

原假设:大学生谈恋爱的比例≥40% 备择假设:大学生谈恋爱的比例<40% N=100, 单尾P值等于0.382>0.05,所以不能拒绝原假设,大学生谈恋爱的比例在四成以上。可见,大学校园内谈恋爱已经是很普遍的现象。大学生谈恋爱对我们现在的学生来说,并不是什么新奇的事情,而且大学生谈恋爱的比例也在逐年增加,这不得不引起我们足够的重视。面当今的大学校园,以及这些未来的祖国栋梁,他们对自己的爱情究竟报以什么样的态度,这是我们都很期待的。这也是我们此次调查大学生恋爱观的问题的初衷。

5、相关分析:恋爱期间在对方身上的花费与每月生活费之间的关系

(一)操作步骤

1、打开数据文件“问卷.sav”

2、选择Graphs→Scatter Plot→选择Simple,点击Define,制作散点图,做进一步观察。

3、选择Analyze→Correlate(相关)→Bivariate(双变量),打开双变量相关分析对话框,从左侧的源变量中选择“您每月的生活费用大约是__元”和“你恋爱期间每个月在对方身上的花费大约是___元”进入Variable 窗口。其它选项采用系统默认状态。

4、选择相关系数。Correlation Coefficient 是相关系数的选项栏,选择Pearson(皮尔逊相关系数);确定显著性检验类型,在Test of Significance 选择Two-tailed(双尾检验); 确定输出相关系数的显著性水平,选中Flag significant Correlations。

5、选择输出的统计量,单击Options 打开对话框,选择Means and standard deviations 选项和Cross-product deviations and covariances 选项。

6.上述选项做完以后,单击Continue 按钮,返回双变量相关分析对话框。7.单击OK 按钮,提交运行。

(二)输出结果与分析

Descriptive StatisticsMean您每月的生活费用大约是__元你恋爱期间每个月在对方身上的花费大约是__元541.08112.00Std.Deviation159.64975.036N10030

Correlations你恋爱期间每个月在对方身上的花费大约是__元.513**.004160300.0005527.586301.163280.0005630.34530您每月的生活费用大约是__元你恋爱期间每个月在对方身上的花费大约是__元Pearson CorrelationSig.(2-tailed)Sum of Squares andCross-productsCovarianceNPearson CorrelationSig.(2-tailed)Sum of Squares andCross-productsCovarianceN您每月的生活费用大约是__元1.2523307.36025487.953100.513**.004160300.0005527.58630**.Correlation is significant at the 0.01 level(2-tailed).(三)结果分析:

原假设:ρ=0,谈恋爱的人在对方身上每月的平均花费与他(她)的生活费的多少不相关 备择假设:ρ≠0,谈恋爱的人在对方身上每月的平均花费与他(她)的生活费的多少相关

有效数据N=30,从输出的情况来看,“您每月的生活费用大约是__元”和“你恋爱期间每个月在对方身上的花费大约是___元”呈正相关,其相关系数为0.513,在总体中这个相关系数在0.05 的水平上是显著的。

6、回归分析

(一)操作步骤 1.打开数据文件“问卷.sav”。

2.选择Analyze→Regression→Linear,打开回归分析对话框,其他操作如图(散点图见相关分析)。

3.单击OK 按钮,提交运行。

(二)输出结果与分析

Variables Entered/RemovedbVariablesVariablesModelEnteredRemovedMethod1你恋爱期间每个月在对方身上的花费.Enter大约元a是__a.All requested variables entered.b.Dependent Variable: 您每月的生活费用大约是__元

Model SummaryAdjustedStd.Error ofModelRR SquareR Squarethe Estimate1.513a.263.237125.505a.Predictors:(Constant), 你恋爱期间每个月在对方身上的花费大约是__元 ANOVAbModel1Sum ofSquares157374.4441042.3598416.7df12829Mean Square157374.38815751.510F9.991Sig..004aRegressionResidualTotala.Predictors:(Constant), 你恋爱期间每个月在对方身上的花费大约是__元b.Dependent Variable: 您每月的生活费用大约是__元

CoefficientsaUnstandardizedCoefficientsBStd.Error451.71141.655.982.311StandardizedCoefficientsBetaModel1(Constant)你恋爱期间每个月在对方身上的花费大约是__元t10.8443.161Sig..000.004.513a.Dependent Variable: 您每月的生活费用大约是__元

(三)结果分析:

H0: 回归系数为0 H1: 回归系数不为0

2由以上图表和数据可知,N为30,决定系数R=0.263,它的含义是自变量“恋爱期间每个月在对方身上的花费”所能解释的方差在总方差中所占的百分比,说明恋爱在生活费用的所占比例大约为1/5,拟合度不高,还要再增加其他因素进一步分析对生活费用的影响。

方差分析的结果F值为9.991,近似P值=0.004<0.05,自变量的回归系数是具有统计学意义的。

从最后一张表可得,回归方程常数项a=451.711,回归系数的估计值b=0.982,通过它就可以得出回归方程如下:

∧每月的生活费用预测值y=451.711+0.982*恋爱期间你在对方身上的花费

这表明“恋爱是你在对方身上每增加一个单位的花费,每月的生活费用会增加0.982个单位。回归系数的显著性检验P值为0.004<0.05,所以拒绝原假设,回归系数不为0.第三部分 附录

附录一:调查方案

课题背景:近年来,大学校园内谈恋爱已经是很普遍的现象。大学生谈恋爱对我们现在的学生来说,并不是什么新奇的事情。但是对于身处象牙塔的大学生来说,对于恋爱多多少少都有一些应付不来,当然这不是指大多数的人。因此在大学校园里面,因为谈恋爱,而使学业突飞猛进的不再少数,但是那些应为爱情而从此堕落的也大有人在!

直面当今的大学校园,以及这些未来的祖国栋梁,他们对自己的爱情究竟报以什么样的态度,这是我们都很期待的。因此我们针对大学生恋爱观的问题作了《关于大学生恋爱观的调查》的调查。课题意义:

通过本调研,让人们了解当代在校大学生对恋爱的看法及其中存在的问题。从而帮助大学生树立正确的恋爱观,使之拥有健康的恋爱心态。这对大学生更好的学习和生活有重要的意义。调查方法:

问卷法为主。问卷调查采取随机抽样的方式进行,访问是选取一些有典型调查意义个体大学生进行。调查范围:

大学生为样本,对各个年级各个专业各个班进行抽样调查。抽样方案:

研究总体是*****大学生,此次调查共发放问卷100份,收回有效问卷100份,有效问卷比率为100%。在收回的有效问卷中男生46人,女生54人。此次问卷调查涉及大学生的恋爱态度、恋爱动机、择偶标准、爱情观教育等方面的内容,采取随机发放问卷和无记名答卷的方式进行。问卷中的数据基本上能反映出学生的恋爱心理及其现状。

附录三:变量定义与数据编码

List of variables on the working file Name Position ID 问卷编号 1 Measurement Level: Nominal Column Width: 8 Alignment: Right SEX 性别 2 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 男 2 女

GRADE 年级 3 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 大一 2 大二 Q3 您每月的生活费用大约是__元 4 Measurement Level: Scale Column Width: 8 Alignment: Right Q4 您平均每天课余时间大约是__小时 5 Measurement Level: Scale Column Width: 8 Alignment: Right Q5 您每天的自主学习时间是____小时 6 Measurement Level: Scale Column Width: 8 Alignment: Right Q6 您欣赏您父母的婚姻吗? 7 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 非常欣赏 2 欣赏 3 Q7 对你恋爱观影响最大的是 8 Measurement Level: Nominal Column Width: 8 Alignment: Right

大三 4 大四

有些欣赏 4 不太欣赏 5 不欣赏

Value Label 1 父母2 伟人的爱情3 爱情小说4 好友的爱情5 自己 Q8 你觉得影响你恋爱的最主要因素是 9 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 父母影响 2 有无遇到合适的对象3 是否有时间4 自我经济状况 Q9_1 相貌好 10 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 是 2 否

Q9_2 人品好 11 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是 2 否

Q9_3 能力好 12 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q9_4 和自己志趣相投 13 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 是 2 否

Q9_5 经济状况好 14 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q9_6 其他 15 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q10 你认为大学生谈恋爱合适吗 16 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 挺合适的,大家年纪相当,共同点多2 顺其自然,不是一定要谈,但遇到合适的也不反对 3 不怎么合适,大家还没有经济基础,没条件谈4 一点都不合适,上大学是学习的,又不是谈恋爱的Q11 你认为大学生谈恋爱最初的原因是 17 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 恋爱双方有共同的理想追求,彼此对对方的优点吸引2 看到别人都谈恋爱,觉得自己单身没面子 3 弥补内心空虚,寻找精神寄托4 对方追求激烈,自己不好意思拒绝5 其他 Q12 你认为相貌在你选择男(女)朋友是重要吗 18 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 重要,找一个漂亮的自己脸上也有光彩2 只要两个人谈得来,还是不太重要的

相貌会随时间改变,我一点也不在乎4 虽然知道相貌不重要,但还是想尽量找个漂亮的

Q13 你现在是否在谈恋爱 19 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是,双方在同一学校或城市2 是,异地恋3 否

Q14 你每天与对方相处(异地恋通电话)的时间是__小时 20 Measurement Level: Scale Column Width: 8 Alignment: Right Q15 你父母对于大学期间谈恋爱的态度是 21 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 坚决反对2 默认3 同意4 支持

Q16 你是通过什么渠道认识你的恋人的 22 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 校友或同学关系2 朋友介绍3 社会活动中认识4 5 本来不认识,偶然邂逅,觉得好就主动追6 其他

Q17 你恋爱期间每个月在对方身上的花费大约是__元 23 Measurement Level: Scale Column Width: 8 Alignment: Right Q18_1 吃饭 24 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q18_2 游玩 25 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是 2 否

Q18_3 买礼物 26 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 是 2 否

Q18_4 买零食 27 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q18_5 打电话 28 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q18_6 其他 29 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q19 你在以上几种花销中哪个占的比例最大 30

网络 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 吃饭2 游玩3 买礼物4 买零食5 打电话6 其他 Q20 你认为恋爱的花销给你的经济压力大吗 31 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 不大,恋爱的花销在我的生活费中所占的比例很小2 不是很大,但有时需要省吃俭用一下 3 很大,难以承担,但有碍于面子不好意思告诉对方4 我们花钱不分彼此,所以不觉得有经济压力 Q21 你对现在的恋情有怎样的期待 32 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 希望能走向红地毯,“王子和公主过着幸福的生活” 走一步是一步,说不定什么时候就分手了3 没抱多大希望,毕业那天就失恋了4 Q22 你对自己的恋情是否经过慎重考虑 33 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 是的,我是经过深思熟虑才决定发展恋情的 2 是的,但现在看来那时的考虑还不够慎重和深刻 3 没有,我想当时是被突如其来的爱情冲昏头了 4 没有,当时对方追求猛烈就答应了

Q23 就业时,你有可能获得一份理想工作,但是必须在恋人和工作之间做 34 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 以工作为重,终止爱情2 以爱情为重,牺牲工作 3 不知道该怎么办4 其他

Q24 您现在没有恋爱的原因是 35 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 没有遇到合适的 2 家长不让谈

想毕业后工作稳定了再谈 4 不愿意接触异性

Q25 你对那些热恋中的同学在大庭广众之下的亲昵举动 36 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 反感2 羡慕3 不太雅观4 无所谓

Q26 你认为学校应该做些什么 37 Measurement Level: Nominal Column Width: 8 Alignment: RightValue Label 1 引导正确的恋爱观2 放任自由3 积极鼓励4 严格限制男女同学的接触 Q27 您觉得大学恋人走到婚姻殿堂的概率有 38 Measurement Level: Nominal

其他期待 Column Width: 8 Alignment: Right Value Label 1 小于10% 2 10%~30% 3 30~50% 4 大于50% Q28_1 学习、生活更有动力 39 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q28_2 分散精力、浪费时间、成绩下降 40 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 是2 否

Q28_3 只有“两人”的世界,脱离集体 41 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q28_4 影响正常的同学交往 42 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q28_5 因人而异 43 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 是2 否

Q29 你经历过失恋的吗 44 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label1 经历过2 还没有

Q30 你认为失恋后有什么变化 45 Measurement Level: Nominal Column Width: 8 Alignment: Right Value Label 1 不敢付出真感情了 2 更加珍惜身边的人 3 学会圆滑地对待感情了

既然被别人欺骗了感情,作为报复也要欺骗别人,让别人尝尝被骗的 5 其他变化

上一篇:国庆节主题班会小学下一篇:酒店管理实习生个人简历