SPSS中常用的數據分析方法試驗設計的基本原理試驗設計：用盡可能少的試驗獲取足夠有效的資料，從中得出較為可靠結論，從這一要求出發(fā)考慮問題，安排試驗三個基本原則：（1）重復估計試驗誤差和降低試驗誤差（2）隨機化試驗配置和處理順序隨機確定；無偏向的試驗誤差（3）局部控制

分區(qū)域分時間地控制非試驗因素，使試驗處理的影響除試驗因素不一致外，其余條件盡量一致，其作用也是為降低試驗誤差

試驗設計三個基本原則和作用重復降低試驗誤差無偏的試驗誤差設計局部控制隨機SPSS軟件在生物統(tǒng)計學中的應用SPSS（StatisticePackageforSocialScience）是由美國SPSS公司自20世紀80年代開發(fā)的大型統(tǒng)計學軟件包SPSS軟件能覆蓋統(tǒng)計分析的各個方面：

基礎統(tǒng)計分析：描述性統(tǒng)計、各種簡單的方差分析、回歸分析、相關分析···

專業(yè)統(tǒng)計分析：因子分析、聚類分析、距離分析···

高級分析：多變量方差分析、重復測量方差分析、非線性回歸分析、曲線估計···一、方差分析方差分析的概念在科學實驗中常常要探討不同實驗條件或處理方法對實驗結果的影響。方差分析是檢驗多組樣本均值間的差異是否具有統(tǒng)計意義的一種方法方差分析基本原理不同處理組的均值間差別基本來源有兩個:（1）隨機誤差，如測量誤差造成的差異或個體間的差異，稱為組內差異，用變量在各組的均值與該組內變量值之偏差平方和的總和表示，記作SSw，組內自由度dfw（2）實驗條件，即不同的處理造成的差異，稱為組間差異。用變量在各組的均值與總均值之偏差平方和表示，記作SSb，組間自由度dfb方差分析基本原理（續(xù)）組內SSw

、組間SSb除以各自的自由度(組內dfw=n-m，組間dfb=m-1，其中n為樣本總數，m為組數)，得到其均方MSw和MSb，一種情況是處理沒有作用，即各組樣本均來自同一總體，MSb/MSw≈1。另一種情況是處理確實有作用，那么，MSb>>MSw

(遠遠大于)MSb/MSw比值構成F分布，用F值與其臨界值比較，推斷各樣本是否來自相同的總體方差分析的假設檢驗零假設H0：m組樣本均值都相同，即μ1=μ2=....=μm如果經過計算結果組間均方遠遠大于組內均方（MSb>>MSw

），F>F0.05(dfb,dfw),p<0.05，拒絕零假設，說明樣本來自不同的正態(tài)總體，說明處理造成均值的差異有統(tǒng)計意義；否則,F<F0.05((dfb,dfw),p>0.05不能拒絕零假設，說明樣本來自相同的正態(tài)總體，處理間無差異。方差分析單因素方差分析多因素方差分析單因素方差分析一維方差分析檢驗由單一因素影響的一個（或幾個相互獨立的）分析變量在該因素各水平分組間的均值差異是否有統(tǒng)計意義在SPSS中的操作運算模塊:AnalyzeCompareMeansOne-WayANOVA在SPSS中的實現步驟運算結果運算結果最適溫度下的光合速率（Aopt）在7個云杉屬物種間存在顯著差異其中，對5號種而言，除與6號云杉種間的Aopt不存在顯著差異外，Aopt均顯著高于其他5個去杉種;6號云杉種的Aopt除與5和4號不存在顯著差異外，皆顯著高于其他4個種，1，2，3，7四個去杉種的Aopt間不存在顯著差異多因素方差分析多因素方差分析中的控制變量在兩個或兩個以上，它的研究目的是要分析多個控制變量的作用、多個控制變量的交互作用以及其他隨機變量是否對結果產生了顯著影響將觀察變量總的離差平方和分解為3個部分：多個控制變量單獨作用引起的離差平方和多個控制變量交互作用引起的離差平方和其他隨機因素引起的離差平方和在SPSS中的操作GeneralLinearModel:UnivariateMultivariateRepeatedMeasuresUnivariate命令說明光合最適溫度在處理間、種間以及溫度處理和種間交互作用下均存在顯著差異Multivariate說明溫度處理、種和兩者的交互作用都對Topt和Aopt產生了顯著的影響二、相關性分析相關性分析描述變量之間線性相關程度的強弱，并用適當的統(tǒng)計指標表示出來的過程為相關分析。可根據研究的目的不同，或變量的類型不同，采用不同的相關分析方法

相關系數（r）的取值范圍在?1和1之間，即?1≤r≤1。其中：若0＜r≤1，表明變量之間存在正相關關系，即兩個變量的相隨變動方向相同；若?1≤r＜0，表明變量之間存在負相關關系，即兩個變量的相隨變動方向相反在SPSS中的操作

運算模塊:AnalyzeCorrelate

BivariatePearson積差相關，計算連續(xù)變量或是等間距測量的變量間的相關性分析Kendall等級相關，計算分類變量間的秩相關Spearman等級相關，計算斯皮爾曼相關Two-tailed雙尾檢驗選項One-tailed單尾檢驗選項相關性分析結果從表中可知，Topt與Aopt間不存在顯著的相關性三、回歸分析回歸分析的概念尋求相關變量之間的關系主要內容：從一組樣本數據出發(fā)，確定這些變量間的定量關系式對這些關系式的可信度進行各種統(tǒng)計檢驗從影響某一變量的諸多變量中，判斷哪些變量的影響顯著，哪些不顯著利用求得的關系式進行預測和控制回歸分析的模型按是否線性分：線性回歸模型和非線性回歸模型按自變量個數分：簡單的一元回歸，多元回歸利用SPSS得到模型關系式，是否是我們所要的，要看回歸方程的顯著性檢驗（F檢驗）和回歸系數b的顯著性檢驗(T檢驗)，還要看擬合程度R2(相關系數的平方,一元回歸用RSquare，多元回歸用AdjustedRSquare)回歸分析的過程在回歸過程中包括：Liner：線性回歸CurveEstimation：曲線估計BinaryLogistic：二分變量邏輯回歸MultinomialLogistic：多分變量邏輯回歸Ordinal序回歸Probit：概率單位回歸Nonlinear：非線性回歸WeightEstimation：加權估計2-StageLeastsquares：二段最小平方法OptimalScaling最優(yōu)編碼回歸3.1線性回歸(Linear)一元線性回歸方程:y=a+bxa稱為截距b為回歸直線的斜率用R2擬合系數判定一個線性回歸直線的擬合程度：用來說明用自變量解釋因變量變異的程度（所占比例）多元線性回歸方程:y=b0+b1x1+b2x2+…+bnxnb0為常數項b1、b2、…、bn稱為y對應于x1