发布时间：
论文数据方法有多选题研究、聚类分析和权重研究三种。
1、多选题研究：多选题分析可分为四种类型包括：多选题、单选-多选、多选-单选、多选-多选。
2、聚类分析：聚类分析以多个研究标题作为基准，对样本对象进行分类。如果是按样本聚类，则使用SPSSAU的进阶方法模块中的“聚类”功能，系统会自动识别出应该使用K-means聚类算法还是K-prototype聚类算法。
3、权重研究：权重研究是用于分析各因素或指标在综合体系中的重要程度，最终构建出权重体系。权重研究有多种方法包括：因子分析、熵值法、AHP层次分析法、TOPSIS、模糊综合评价、灰色关联等。
拓展资料：
一、回归分析
在实际问题中，经常会遇到需要同时考虑几个变量的情况，比如人的身高与体重，血压与年龄的关系，他们之间的关系错综复杂无法精确研究，以致于他们的关系无法用函数形式表达出来。为研究这类变量的关系，就需要通过大量实验观测获得数据，用统计方法去寻找他们之间的关系，这种关系反映了变量间的统计规律。而统计方法之一就是回归分析。
最简单的就是一元线性回归，只考虑一个因变量y和一个自变量x之间的关系。例如，我们想研究人的身高与体重的关系，需要搜集大量不同人的身高和体重数据，然后建立一个一元线性模型。接下来，需要对未知的参数进行估计，这里可以采用最小二乘法。最后，要对回归方程进行显著性检验，来验证y是否随着x线性变化。这里，我们通常采用t检验。
二、方差分析
在实际工作中，影响一件事的因素有很多，人们希望通过实验来观察各种因素对实验结果的影响。方差分析是研究一种或多种因素的变化对实验结果的观测值是否有显著影响，从而找出较优的实验条件或生产条件的一种数理统计方法。
人们在实验中所观察到的数量指标称为观测值，影响观测值的条件称为因素，因素的不同状态称为水平，一个因素可能有多种水平。
在一项实验中，可以得到一系列不同的观测值，有的是处理方式不同或条件不同引起的，称为因素效应。有的是误差引起的，称做实验误差。方差分析的主要工作是将测量数据的总变异按照变异原因的不同分解为因素效应和试验误差，并对其作出数量分析，比较各种原因在总变异中所占的重要程度，作为统计推断的依据。
例如，我们有四种不同配方下生产的元件，想判断他们的使用寿命有无显著差异。在这里，配方是影响元件使用寿命的因素，四种不同的配方成为四种水平。可以利用方差分析来判断。
三、判别分析
判别分析是用来进行分类的统计方法。我来举一个判别分析的例子，想要对一个人是否有心脏病进行判断，可以取一批没有心脏病的病人，测其一些指标的数据，然后再取一批有心脏病的病人，测量其同样指标的数据，利用这些数据建立一个判别函数，并求出相应的临界值。
这时候，对于需要判别的病人，还是测量相同指标的数据，将其带入判别函数，求得判别得分和临界值，即可判别此人是否属于有心脏病的群体。
四、聚类分析
聚类分析同样是用于分类的统计方法，它可以用来对样品进行分类，也可以用来对变量进行分类。我们常用的是系统聚类法。首先，将n个样品看成n类，然后将距离最近的两类合并成一个新类，我们得到n-1类，再找出最接近的两类加以合并变成n-2类，如此下去，最后所有的样品均在一类，将上述过程画成一张图。在图中可以看出分成几类时候每类各有什么样品。
比如，对中国31个省份的经济发展情况进行分类，可以通过收集各地区的经济指标，例如GDP，人均收入，物价水平等等，并进行聚类分析，就能够得到不同类别数量下是如何分类的。
五、主成分分析
主成分分析是对数据做降维处理的统计分析方法，它能够从数据中提取某些公共部分，然后对这些公共部分进行分析和处理。
在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。
主成分分析是对于原先提出的所有变量，将重复的变量（关系紧密的变量）删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。
最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。
如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1, F2)=0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第P个主成分。
六、因子分析
因子分析是主成分分析的推广和发展，它也是多元统计分析中降维的一种方法。因子分析将多个变量综合为少数几个因子，以再现原始变量与因子之间的相关关系。
在主成分分析中，每个原始变量在主成分中都占有一定的分量，这些分量（载荷）之间的大小分布没有清晰的分界线，这就造成无法明确表述哪个主成分代表哪些原始变量，也就是说提取出来的主成分无法清晰的解释其代表的含义。
因子分析解决主成分分析解释障碍的方法是通过因子轴旋转。因子轴旋转可以使原始变量在公因子（主成分）上的载荷重新分布，从而使原始变量在公因子上的载荷两级分化，这样公因子（主成分）就能够用哪些载荷大的原始变量来解释。以上过程就解决了主成分分析的现实含义解释障碍。
例如，为了了解学生的学习能力，观测了许多学生数学，语文，英语，物理，化学，生物，政治，历史，地理九个科目的成绩。为了解决这个问题，可以建立一个因子模型，用几个互不相关的公共因子来代表原始变量。我们还可以根据公共因子在原始变量上的载荷，给公共因子命名。
例如，一个公共因子在英语，政治，历史变量上的载荷较大，由于这些课程需要记忆的内容很多，我们可以将它命名为记忆因子。以此类推，我们可以得到几个能评价学生学习能力的因子，假设有记忆因子，数学推导因子，计算能力因子等。
接下来，可以计算每个学生的各个公共因子得分，并且根据每个公共因子的方差贡献率，计算出因子总得分。通过因子分析，能够对学生各方面的学习能力有一个直观的认识。
七、典型相关分析
典型相关分析同样是用于数据降维处理，它用来研究两组变量之间的关系。它分别对两组变量提取主成分。从同一组内部提取的主成分之间互不相关。用从两组之间分别提取的主成分的相关性来描述两组变量整体的线性相关关系。
一般常用的统计检验方法有：t 检验、卡方检验、方差分析和相关回归分析。统计检验方法的选择主要依据数据的类型(计量、计数) 、组数的多少(两组、多组) 、样本量的大小以及对比的方式(相互比较、配对比较) ,此外计量数据还要考虑分布形态和方差齐性等问题。
论文数据来源有：
1、专业行业网站或统计网站(年鉴)。 主要依据主题的相关专业行业网站获取数据，同时注意记录各种数据源。
2、相关的新闻报导，或者是学术文献文献作为数据的来源。 但需要对最新的数据进行整理。
3、上市公司的年报或者市政府门户统计的经济数据，这种数据相对来说比较宏观的数据，准确一点。
4、相应的内部员工提供。 通过访谈、问卷调查、运营数据收集等获得。
资料：
论文是一个汉语词语，拼音是lùn wén，古典文学常见论文一词，谓交谈辞章或交流思想。 当代，论文常用来指进行各个学术领域的研究和描述学术研究成果的文章，简称之为论文。
它既是探讨问题进行学术研究的一种手段，又是描述学术研究成果进行学术交流的一种工具。它包括学年论文、毕业论文、学位论文、科技论文、成果论文等。
SPSS软件及教程百度网盘免费下载
链接：
SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有Windows和Mac OS X等版本。包含各版本SPSS软件及相关基础和进阶视频教程及资料，涉及统计，医学，机器学习等方向。
软件下载可搜索“ spss软件下载地址及安装介绍 百度经验 ”，希望对你有用。毕业论文还是自写好！
网站查询。论文里的图表和数据统计图是学生所写论文里重要的信息参考依据，具有证明解释问题的作用。毕业论文里的图表和数据统计图是通过网站搜索毕业论文找到并下载。
常用的统计图有扇形统计图，折线统计图，和条形统计图，分别的画图步骤如下：
1、扇形统计图，扇形统计图一般用在百分比比较明确的数据中，可以清楚的看到占比率。
2、折线统计图，折线统计图一般用在变化规律上，可以清楚的看到数据变化规律。
3、条形统计图，条形统计图一般用在数值对比中，可以看到每条数据的高低大小。
基本类型（1）条图：又称直条图，表示独立指标在不同阶段的情况，有两维或多维，图例位于右上方。（2）百分条图和圆图：描述百分比（构成比）的大小，用颜色或各种图形将不同比例表达出来。（3）线图：用线条的升降表示事物的发展变化趋势，主要用于计量资料，描述两个变量间关系。（4）半对数线图：纵轴用对数尺度，描述一组连续性资料的变化速度及趋势。（5）直方图：描述计量资料的频数分布。（6）散点图：描述两种现象的相关关系。（7）统计地图：描述某种现象的地域分布。条形图用一个单位长度(如1厘米)表示一定的数量，根据数量的多少，画成长短相应成比例的直条，并按一定顺序排列起来，这样的统计图，称为条形统计图。条形统计图可以清楚地表明各种数量的多少。条形图是统计图资料分析中最常用的图形。按照排列方式的不同，可分为纵式条形图和横式条形图;按照分析作用的不同，可分为条形比较图和条形结构图。条形统计图的特点：(1)能够使人们一眼看出各个数据的大小。(2)易于比较数据之间的差别。(3）能清楚的表示出数量的多少。扇形图以一个圆的面积表示事物的总体，以扇形面积表示占总体的百分数的统计图，叫作扇形统计图。也叫作百分数比较图。扇形统计图可以比较清楚地反映出部分与部分、部分与整体之间的数量关系。扇形统计图的特点：(1)用扇形的面积表示部分在总体中所占的百分比。(2)易于显示每组数据相对于总数的大小。折线图折线统计图以折线的上升或下降来表示统计数量的增减变化的统计图，叫作折线统计图。与条形统计图比较，折线统计图不仅可以表示数量的多少，而且可以反映同一事物在不同时间里的发展变化的情况。折线图在生活中运用的非常普遍，虽然它不直接给出精确的数据，但只要掌握了一定的技巧，熟练运用“坐标法”也可以很快地确定某个具体的数据。折线统计图的特点：（1）能够显示数据的变化趋势，反映事物的变化情况。网状图网状统计图的特点是：母代表的意义，在具体的答题过程中就可以脱离字母，较简便找出答案。统计图的意义：表示现象间的对比关系；揭露总体结构；检查计划的执行情况；揭示现象间的依存关系，反映总体单位的分配情况；说明现象在空间上的分布情况。茎叶统计图茎叶图又称“枝叶图”，它的思路是将数组中的数按位数进行比较，将数的大小基本不变或变化不大的位作为一个主干（茎），将变化大的位的数作为分枝（叶），列在主干的后面，这样就可以清楚地看到每个主干后面的几个数，每个数具体是多少。茎叶图有三列数：左边的一列数统计数，它是上（或下）向中心累积的值，中心的数（带括号）表示最多数组的个数；中间的一列表示茎，也就是变化不大的位数；右边的是数组中的变化位，它是按照一定的间隔将数组中的每个变化的数一一列出来，象一条枝上抽出的叶子一样，所以人们形象地叫它茎叶图。茎叶图是一个与直方图相类似的特殊工具，但又与直方图不同，茎叶图保留原始资料的资讯，直方图则失去原始资料的讯息。将茎叶图茎和叶逆时针方向旋转90度，实际上就是一个直方图，可以从中统计出次数，计算出各数据段的频率或百分比。从而可以看出分布是否与正态分布或单峰偏态分布逼近。茎叶图在质量管理上用途与直方图差不多，但它通常是作为更细致的分析阶段使用。由于它是用数字组成直方图，所以在做的时候比直方图时，通常我们常使用专业的软件进行绘制。茎叶图的特征1、用茎叶图表示数据有两个优点：一是从统计图上没有原始数据信息的损失，所有数据信息都可以从茎叶图中得到；二是茎叶图中的数据可以随时记录，随时添加，方便记录与表示。2、茎叶图只便于表示两位有效数字的数据，而且茎叶图只方便记录两组的数据，两个以上的数据虽然能够记录，但是没有表示两个记录那么直观、清晰。统计图的意义：表示现象间的对比关系；揭露总体结构；检查计划的执行情况；揭示现象间的依存关系，反映总体单位的分配情况；说明现象在空间上的分布情况。网状统计图的特点是这类统计图中只有一些字母，字母所代表的意义都在题外，在答题前必弄清这些字母代表的意义，在具体的答题过程中就可以脱离字母，较简便地得出答案。统计表是由纵横交叉线条所绘制的表格来表现统计资料的一种形式.根据《中国小学教学百科全书》介绍，它是用原始数据制成的一种表格．为了实际需要，人们常常要把工农业生产、科学技术和日常工作中所得到的相互关联的数据，按照一定的要求进行整理、归类，并按照一定的顺序把数据排列起来，制成表格，这种表格叫做统计表．它的作用是：①用数量说明研究对象之间的相互关系．②用数量把研究对象之间的变化规律显著地表示出来．③用数量把研究对象之间的差别显著地表示出来．这样便于人们用来分析问题和研究问题．统计表的形式繁简不一，通常按项目的多少，分为单式统计表和复式统计表两种．只对某一个项目的数据进行统计的表格，叫做单式统计表，也叫做简单统计表．统计项目在两个或两个以上的统计表格，叫做复式统计表．统计表的内容一般都包括总标题、横标题、纵标题、数字资料、单位、制表日期．总标题是指表的名称，它要能简单扼要地反映出表的主要内容，横标题是指每一横行内数据的意义；纵标题是指每一纵栏内数据的意义；数字资料是指各空格内按要求填写的数字；单位是指表格里数据的计量单位．在数据单位相同时，一般把单位放在表格的左上角．如果各项目的数据单位不同时，可放在表格里注明．制表日期放在表的右上角，表明制表的时间．各种统计表都应有“备考”或“附注”栏，以便必要时填入不属于表内各项的事实或说明．直方图直方图(Histogram)又称柱状图、质量分布图。是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。直方图法的涵义在质量管理中，如何预测并监控产品质量状况?如何对质量波动进行分析?直方图就是一目了然地把这些问题图表化处理的工具。它通过对收集到的貌似无序的数据进行处理，来反映产品质量的分布情况，判断和预测产品质量及不合格率。直方图又称质量分布图，柱状图，它是表示资料变化情况的一种主要工具。用直方图可以的资料，解析出规则性，比较直观地看出产品质量特性的分布状态，对於资分布状况一目了然，便於判断其总体质量分布情况。在制作直方图时，牵涉学的概念，首先要对资料进行分组，因此如何合理分组是其中的关键问题。按组距相等的原则进行的两个关键数位是分组数和组距。是一种几何形图表，它是根据从生产过程中收集来的质量数据分布情况，画成以组距为底边、以频数为高度的一系列连接起来的直方型矩形图，如图所示。作直方图的目的就是通过观察图的形状，判断生产过程是否稳定，预测生产过程的质量。具体来说，作直方图的目的有：①判断一批已加工完毕的产品；②验证工序的稳定性；③为计算工序能力搜集有关数据。直方图将数据根据差异进行分类，特点是明察秋毫地掌握差异。直方图的绘制方法①集中和记录数据，求出其最大值和最小值。数据的数量应在100个以上，在数量不多的情况下，至少也应在50个以上。我们把分成组的个数称为组数，每一个组的两个端点的差称为组距。②将数据分成若干组，并做好记号。分组的数量在6－20之间较为适宜。③计算组距的宽度。用组数去除最大值和最小值之差，求出组距的宽度。④计算各组的界限位。各组的界限位可以从第一组开始依次计算，第一组的下界为最小值减去最小测定单位的一半，第一组的上界为其下界值加上组距。第二组的下界限位为第一组的上界限值，第二组的下界限值加上组距，就是第二组的上界限位，依此类推。⑤统计各组数据出现频数，作频数分布表。⑥作直方图。以组距为底长，以频数为高，作各组的矩形图。
常用的统计图主要有圆饼图、条形图、直方图和折线图四种。不同层次的变量其统计图的制作也不相同。一般情况下，定类变量用圆饼图或条形图；定序变量用条形图；定距变量用直方图或曲线图。
（1）圆饼图。
圆饼图又称饼状图、圆形图等，它可以显示一个整体怎样分成几个部分。要画圆饼图，先要画个圆，圆代表总体100%，圆里面的扇形就代表各个部分，各扇形的圆心角和各部分的大小成比例，用圆心角360°乘以各个部分的百分比就得到了这个部分的扇形度数。
圆饼图的好处是让人们看到：所有部分合起来的确是全体。但是圆饼图只能用来比较一个整体的各个部分，不能用来比较并不属于同一个整体的数量。
（2）条形图。
条形图又称矩形图，是最常用的图形。
它是以宽度相等、长度不等的长条图的用途比圆饼图要广泛得多。圆饼图只能用来比较一个整体的各个部分；条形图既可以比较一个整体，又可以用来比较不属于同一个整体的数量。
（3）直方图。
直方图看上去和条形图类似，实际上它与条形图不同，它的宽度是有意义的。一般而言，直方图是以长条的面积表示频次或相对频次；而条形图的高度表示的是频次密度或相对频次密表示不同的统计数字，如表示频数或百分比的多少。它既可以是水平的，也可以是垂直的（垂直的又叫柱形图），可以用来显示事物的大小、内部结构或动态变动等情况。
不难看出，条形度，其宽度为组距。
直方图条形与条形之间没有空隙，除非有一组是空的，此时它对应的条形高度是零。
直方图仅适用于定距变量，常用来表示数量变量的分布，如学生高考分数、家庭收入等。因为这些变量的可能值太多，如果把比较接近的值归为一组，画出的直方图就会清楚一些。我们用下面一个例子来说明如何画直方图。
（4）折线图（曲线图）
曲线图又称折线图，它是通过上下变化的线段来反映所研究现象随时间变化的过程和发展趋势的图形。如果一个图中只含有一条曲线，人们把这种图形称为单式曲线图；如果一个图中含有两条以上的曲线，人们则称其为复式曲线图。
许多变量都是隔一段时间测量一次。比如，人们也许会度量成长中儿童的身高，或者每个月的月底记录某只股票的股价。
毕设论文学校都会有自己的格式要求，直接按照学校的模板文件要求进行调整即可。
一般毕设论文各级标题格式设置要求：
一级标题， 二号黑体加粗居中，单列一行，段前行，段后行；
二级标题， 三号黑体加粗居中，单列一行，段前行，段后行；
三级标题， 四号黑体加粗左对齐，单列一行，段前行，段后行；
四级标题，小四黑体加粗左对齐，单列一行。
扩展资料：
毕设论文格式一般要求：
一、文章标题（一号，黑体，居中）
二、摘 要（同一级标题， 二号黑体加粗居中，单列一行，段前行，段后行）
三、Abstract（同一级标题， 二号黑体加粗居中，单列一行，段前行，段后行）
四、目录（同二级标题，居中，上下各空行，倍行距）
五、图目录（同二级标题，居中，上下各空行，倍行距）:
图1-1 XXXXXX……………………6（小四号宋体，两端对齐，倍行距）
六、表目录（同二级标题，居中，上下各空行，倍行距）
表2-1 XXXXX……………………13（小四号宋体，两端对齐，倍行距）
七、第一章 XXX(一级标题， 二号黑体加粗居中，单列一行，段前行，段后行)
XXXXXXX (二级标题， 三号黑体加粗居中，单列一行，段前行，段后行)
XXXXXXXXXXXXXXXXXXXXXXXXX(正文：宋体小四号字，倍行距)
XXXXX (三级标题， 四号黑体加粗左对齐，单列一行，段前行，段后行)
XXXXXX （四级标题，小四黑体加粗左对齐，单列一行）
图1-1技术路线图（五号黑体，居中，倍行距）
表1-1 数据统计表（五号黑体，居中，倍行距）
这个还是需要一些相关资料吧不然不好做的
3-1的图是要自己画的三线表啦~你用频率分析或者统计量分析，得出关于平均数和标准差的值，然后自己在word里面画这个表！
一般没有，主要是看你的指导老师
统计分析方法从根本上说有两大类，一是逻辑思维方法，二是数量关系分析方法逻辑思维方法是指辩证唯物主义认识论的方法。统计分析必须以马克思主义哲学作为世界观和方法论的指导。唯物辩证法对于事物的认识要从简单到复杂，从特殊到一般，从偶然到必然，从现象到本质。坚持辨证的观点、发展的观点，从事物的发展变化中观察问题，从事物的相互依存、相互制约中来分析问题，对统计分析具有重要的指导意义。数量关系分析方法是运用统计学中论述的方法对社会经济现象的数量表现，包括社会经济现象的规模、水平、速度、结构比例、事物之间的联系进行分析的方法。如对比分析法、平均和变异分析法、综合评价分析法、结构分析法、平衡分析法、动态分析法、因素分析法、相关分析法等。
一、描述统计描述统计是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。描述统计分为集中趋势分析和离中趋势分析和相关分析三大部分。集中趋势分析：集中趋势分析主要靠平均数、中数、众数等统计指标来表示数据的集中趋势。例如被试的平均成绩多少？是正偏分布还是负偏分布？离中趋势分析：离中趋势分析主要靠全距、四分差、平均差、方差（协方差：用来度量两个随机变量关系的统计量）、标准差等统计指标来研究数据的离中趋势。例如，我们想知道两个教学班的语文成绩中，哪个班级内的成绩分布更分散，就可以用两个班级的四分差或百分点来比较。相关分析：相关分析探讨数据之间是否具有统计学上的关联性。这种关系既包括两个数据之间的单一相关关系——如年龄与个人领域空间之间的关系，也包括多个数据之间的多重相关关系——如年龄、抑郁症发生率、个人领域空间之间的关系；既包括A大B就大(小)，A小B就小(大)的直线相关关系，也可以是复杂相关关系（A=Y-B*X）；既可以是A、B变量同时增大这种正相关关系，也可以是A变量增大时B变量减小这种负相关，还包括两变量共同变化的紧密程度——即相关系数。实际上，相关关系唯一不研究的数据关系，就是数据协同变化的内在根据——即因果关系。获得相关系数有什么用呢？简而言之，有了相关系数，就可以根据回归方程，进行A变量到B变量的估算，这就是所谓的回归分析，因此，相关分析是一种完整的统计研究方法，它贯穿于提出假设，数据研究，数据分析，数据研究的始终。例如，我们想知道对监狱情景进行什么改造，可以降低囚徒的暴力倾向。我们就需要将不同的囚舍颜色基调、囚舍绿化程度、囚室人口密度、放风时间、探视时间进行排列组合，然后让每个囚室一种实验处理，然后用因素分析法找出与囚徒暴力倾向的相关系数最高的因素。假定这一因素为囚室人口密度，我们又要将被试随机分入不同人口密度的十几个囚室中生活，继而得到人口密度和暴力倾向两组变量（即我们讨论过的A、B两列变量）。然后，我们将人口密度排入X轴，将暴力倾向分排入Y轴，获得了一个很有价值的图表，当某典狱长想知道，某囚舍扩建到N人/间囚室，暴力倾向能降低多少。我们可以当前人口密度和改建后人口密度带入相应的回归方程，算出扩建前的预期暴力倾向和扩建后的预期暴力倾向，两数据之差即典狱长想知道的结果。推论统计：推论统计是统计学乃至于心理统计学中较为年轻的一部分内容。它以统计结果为依据，来证明或推翻某个命题。具体来说,就是通过分析样本与样本分布的差异，来估算样本与总体、同一样本的前后测成绩差异，样本与样本的成绩差距、总体与总体的成绩差距是否具有显著性差异。例如，我们想研究教育背景是否会影响人的智力测验成绩。可以找100名24岁大学毕业生和100名24岁初中毕业生。采集他们的一些智力测验成绩。用推论统计方法进行数据处理，最后会得出类似这样儿的结论：“研究发现，大学毕业生组的成绩显著高于初中毕业生组的成绩，二者在水平上具有显著性差异，说明大学毕业生的一些智力测验成绩优于中学毕业生组。”其中，如果用EXCEL 来求描述统计。其方法是：工具-加载宏-勾选"分析工具库"，然后关闭Excel然后重新打开，工具菜单就会出现"数据分析"。描述统计是“数据分析”内一个子菜单，在做的时候，记得要把方格输入正确。最好直接点选。2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。二、假设检验1、参数检验参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。1）U验 ：使用条件：当样本含量n较大时，样本值符合正态分布2）T检验 使用条件：当样本含量n较小时，样本值符合正态分布A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别；B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。2、非参数检验非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。A 虽然是连续数据，但总体分布形态未知或者非正态；B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。三、信度分析介绍：信度（Reliability）即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度指标多以相关系数表示，大致可分为三类：稳定系数（跨时间的一致性），等值系数（跨形式的一致性）和内在一致性系数（跨项目的一致性）。信度分析的方法主要有以下四种：重测信度法、复本信度法、折半信度法、α信度系数法。方法：（1）重测信度法编辑：这一方法是用同样的问卷对同一组被调查者间隔一定时间重复施测，计算两次施测结果的相关系数。显然，重测信度属于稳定系数。重测信度法特别适用于事实式问卷，如性别、出生年月等在两次施测中不应有任何差异，大多数被调查者的兴趣、爱好、习惯等在短时间内也不会有十分明显的变化。如果没有突发事件导致被调查者的态度、意见突变，这种方法也适用于态度、意见式问卷。由于重测信度法需要对同一样本试测两次，被调查者容易受到各种事件、活动和他人的影响，而且间隔时间长短也有一定限制，因此在实施中有一定困难。（2）复本信度法编辑：让同一组被调查者一次填答两份问卷复本，计算两个复本的相关系数。复本信度属于等值系数。复本信度法要求两个复本除表述方式不同外，在内容、格式、难度和对应题项的提问方向等方面要完全一致，而在实际调查中，很难使调查问卷达到这种要求，因此采用这种方法者较少。（3）折半信度法编辑：折半信度法是将调查项目分为两半，计算两半得分的相关系数，进而估计整个量表的信度。折半信度属于内在一致性系数，测量的是两半题项得分间的一致性。这种方法一般不适用于事实式问卷（如年龄与性别无法相比），常用于态度、意见式问卷的信度分析。在问卷调查中，态度测量最常见的形式是5级李克特（Likert）量表（李克特量表(Likert scale)是属评分加总式量表最常用的一种，属同一构念的这些项目是用加总方式来计分，单独或个别项目是无意义的。它是由美国社会心理学家李克特于1932年在原有的总加量表基础上改进而成的。该量表由一组陈述组成，每一陈述有"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五种回答，分别记为5、4、3、2、1，每个被调查者的态度总分就是他对各道题的回答所得分数的加总，这一总分可说明他的态度强弱或他在这一量表上的不同状态。）。进行折半信度分析时，如果量表中含有反意题项，应先将反意题项的得分作逆向处理，以保证各题项得分方向的一致性，然后将全部题项按奇偶或前后分为尽可能相等的两半，计算二者的相关系数（rhh，即半个量表的信度系数），最后用斯皮尔曼-布朗（Spearman-Brown）公式：求出整个量表的信度系数（ru）。（4）α信度系数法编辑：Cronbachα信度系数是目前最常用的信度系数，其公式为：α=(k/(k-1))*(1-(∑Si^2)/ST^2)其中，K为量表中题项的总数， Si^2为第i题得分的题内方差， ST^2为全部题项总得分的方差。从公式中可以看出，α系数评价的是量表中各题项得分间的一致性，属于内在一致性系数。这种方法适用于态度、意见式问卷（量表）的信度分析。总量表的信度系数最好在以上，之间可以接受；分量表的信度系数最好在以上，还可以接受。Cronbach 's alpha系数如果在以下就要考虑重新编问卷。检査测量的可信度，例如调查问卷的真实性。分类：1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。四、列联表分析列联表是观测数据按两个或更多属性（定性变量）分类时所列出的频数表。简介：一般，若总体中的个体可按两个属性A、B分类，A有r个等级A1,A2,…，Ar，B有c个等级B1,B2,…，Bc,从总体中抽取大小为n的样本，设其中有nij个个体的属性属于等级Ai和Bj，nij称为频数，将r×c个nij排列为一个r行c列的二维列联表，简称r×c表。若所考虑的属性多于两个，也可按类似的方式作出列联表，称为多维列联表。列联表又称交互分类表，所谓交互分类，是指同时依据两个变量的值，将所研究的个案分类。交互分类的目的是将两变量分组，然后比较各组的分布状况，以寻找变量间的关系。用于分析离散变量或定型变量之间是否存在相关。列联表分析的基本问题是，判明所考察的各属性之间有无关联，即是否独立。如在前例中，问题是：一个人是否色盲与其性别是否有关？在r×с表中，若以pi、pj和pij分别表示总体中的个体属于等级Ai，属于等级Bj和同时属于Ai、Bj的概率（pi，pj称边缘概率，pij称格概率）,“A、B两属性无关联”的假设可以表述为H0：pij=pi·pj，(i=1，2，…，r；j=1,2,…，с)，未知参数pij、pi、pj的最大似然估计（见点估计）分别为行和及列和（统称边缘和）为样本大小。根据K.皮尔森(1904)的拟合优度检验或似然比检验（见假设检验）,当h0成立，且一切pi>0和pj>0时，统计量的渐近分布是自由度为(r－1)(с－1) 的Ⅹ分布，式中Eij=(ni·nj)/n称为期望频数。当n足够大，且表中各格的Eij都不太小时，可以据此对h0作检验：若Ⅹ值足够大，就拒绝假设h0，即认为A与B有关联。在前面的色觉问题中，曾按此检验，判定出性别与色觉之间存在某种关联。需要注意：若样本大小n不很大,则上述基于渐近分布的方法就不适用。对此，在四格表情形，.费希尔(1935)提出了一种适用于所有n的精确检验法。其思想是在固定各边缘和的条件下，根据超几何分布（见概率分布），可以计算观测频数出现任意一种特定排列的条件概率。把实际出现的观测频数排列，以及比它呈现更多关联迹象的所有可能排列的条件概率都算出来并相加，若所得结果小于给定的显著性水平，则判定所考虑的两个属性存在关联，从而拒绝h0。对于二维表，可进行卡方检验，对于三维表，可作Mentel-Hanszel分层分析。列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。五、相关分析研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。1、单相关： 两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量；2、复相关 ：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关；3、偏相关：在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量之间的相关关系称为偏相关。六、方差分析使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。分类1、单因素方差分析：一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系2、多因素有交互方差分析：一顼实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系3、多因素无交互方差分析：分析多个影响因素与响应变量的关系，但是影响因素之间没有影响关系或忽略影响关系4、协方差分祈：传统的方差分析存在明显的弊端，无法控制分析中存在的某些随机因素，使之影响了分祈结果的准确度。协方差分析主要是在排除了协变量的影响后再对修正后的主效应进行方差分析，是将线性回归与方差分析结合起来的一种分析方法，七、回归分析分类：1、一元线性回归分析：只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布。2、多元线性回归分析使用条件：分析多个自变量与因变量Y的关系，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布 。1）变呈筛选方式：选择最优回归方程的变里筛选法包括全横型法（CP法）、逐步回归法，向前引入法和向后剔除法2）横型诊断方法：A 残差检验： 观测值与估计值的差值要艰从正态分布B 强影响点判断：寻找方式一般分为标准误差法、Mahalanobis距离法C 共线性诊断：• 诊断方式：容忍度、方差扩大因子法(又称膨胀系数VIF)、特征根判定法、条件指针CI、方差比例• 处理方法：增加样本容量或选取另外的回归如主成分回归、岭回归等3、Logistic回归分析线性回归模型要求因变量是连续的正态分布变里，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况分类：Logistic回归模型有条件与非条件之分，条件Logistic回归模型和非条件Logistic回归模型的区别在于参数的估计是否用到了条件概率。4、其他回归方法 非线性回归、有序回归、Probit回归、加权回归等八、聚类分析聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如SPSS、SAS等。从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法（如分类和定性归纳算法）的预处理步骤。定义：依据研究对象（样品或指标）的特征，对其进行分类的方法，减少研究对象的数目。各类事物缺乏可靠的历史资料，无法确定共有多少类别，目的是将性质相近事物归入一类。各指标之间具有一定的相关关系。聚类分析(clusteranalysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。聚类分析区别于分类分析(classificationanalysis) ，后者是有监督的学习。变量类型：定类变量、定量（离散和连续）变量样本个体或指标变量按其具有的特性进行分类，寻找合理的度量事物相似性的统计量。1、性质分类：Q型聚类分析：对样本进行分类处理，又称样本聚类分祈使用距离系数作为统计量衡量相似度，如欧式距离、极端距离、绝对距离等R型聚类分析：对指标进行分类处理，又称指标聚类分析使用相似系数作为统计量衡量相似度，相关系数、列联系数等2、方法分类：1）系统聚类法：适用于小样本的样本聚类或指标聚类，一般用系统聚类法来聚类指标，又称分层聚类2）逐步聚类法：适用于大样本的样本聚类3）其他聚类法：两步聚类、K均值聚类等九、判别分析1、判别分析：根据已掌握的一批分类明确的样品建立判别函数，使产生错判的事例最少，进而对给定的一个新样品，判断它来自哪个总体2、与聚类分析区别1）聚类分析可以对样本逬行分类，也可以对指标进行分类；而判别分析只能对样本2）聚类分析事先不知道事物的类别，也不知道分几类；而判别分析必须事先知道事物的类别，也知道分几类3）聚类分析不需要分类的历史资料，而直接对样本进行分类；而判别分析需要分类历史资料去建立判别函数，然后才能对样本进行分类3、进行分类 ：1）Fisher判别分析法 ：以距离为判别准则来分类，即样本与哪个类的距离最短就分到哪一类，适用于两类判别；以概率为判别准则来分类，即样本属于哪一类的概率最大就分到哪一类，适用于适用于多类判别。2）BAYES判别分析法 ：BAYES判别分析法比FISHER判别分析法更加完善和先进，它不仅能解决多类判别分析，而且分析时考虑了数据的分布状态，所以一般较多使用；十、主成分分析介绍：主成分分析（PrincipalComponent Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。主成分分析首先是由K.皮尔森（Karl Pearson）对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。将彼此梠关的一组指标变适转化为彼此独立的一组新的指标变量，并用其中较少的几个新指标变量就能综合反应原多个指标变量中所包含的主要信息。原理：在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，将重复的变量（关系紧密的变量）删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上用来降维的一种方法。缺点： 1、在主成分分析中，我们首先应保证所提取的前几个主成分的累计贡献率达到一个较高的水平（即变量降维后的信息量须保持在一个较高水平上），其次对这些被提取的主成分必须都能够给出符合实际背景和意义的解释（否则主成分将空有信息量而无实际含义）。2、主成分的解释其含义一般多少带有点模糊性，不像原始变量的含义那么清楚、确切，这是变量降维过程中不得不付出的代价。因此，提取的主成分个数m通常应明显小于原始变量个数p（除非p本身较小），否则维数降低的“利”可能抵不过主成分含义不如原始变量清楚的“弊”。十一、因子分析一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法与主成分分析比较：相同：都能够起到治理多个原始变量内在结构关系的作用不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法用途：1）减少分析变量个数2）通过对变量间相关关系探测，将原始变量进行分类十二、时间序列分析动态数据处理的统计方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题；时间序列通常由4种要素组成：趋势、季节变动、循环波动和不规则波动。主要方法：移动平均滤波与指数平滑法、ARIMA横型、量ARIMA横型、ARIMAX模型、向呈自回归横型、ARCH族模型时间序列是指同一变量按事件发生的先后顺序排列起来的一组观察值或记录值。构成时间序列的要素有两个：其一是时间，其二是与时间相对应的变量水平。实际数据的时间序列能够展示研究对象在一定时期内的发展变化趋势与规律，因而可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效地预测。时间序列的变动形态一般分为四种：长期趋势变动，季节变动，循环变动，不规则变动。时间序列预测法的应用：系统描述：根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述；系统分析：当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理；预测未来：一般用ARMA模型拟合时间序列，预测该时间序列未来值；决策和控制：根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。特点：假定事物的过去趋势会延伸到未来；预测所依据的数据具有不规则性；撇开了市场发展之间的因果关系。①时间序列分析预测法是根据市场过去的变化趋势预测未来的发展，它的前提是假定事物的过去会同样延续到未来。事物的现实是历史发展的结果，而事物的未来又是现实的延伸，事物的过去和未来是有联系的。市场预测的时间序列分析法，正是根据客观事物发展的这种连续规律性，运用过去的历史数据，通过统计分析，进一步推测市场未来的发展趋势。市场预测中，事物的过去会同样延续到未来，其意思是说，市场未来不会发生突然跳跃式变化，而是渐进变化的。时间序列分析预测法的哲学依据，是唯物辩证法中的基本观点，即认为一切事物都是发展变化的，事物的发展变化在时间上具有连续性，市场现象也是这样。市场现象过去和现在的发展变化规律和发展水平，会影响到市场现象未来的发展变化规律和规模水平；市场现象未来的变化规律和水平，是市场现象过去和现在变化规律和发展水平的结果。需要指出，由于事物的发展不仅有连续性的特点，而且又是复杂多样的。因此，在应用时间序列分析法进行市场预测时应注意市场现象未来发展变化规律和发展水平，不一定与其历史和现在的发展变化规律完全一致。随着市场现象的发展，它还会出现一些新的特点。因此，在时间序列分析预测中，决不能机械地按市场现象过去和现在的规律向外延伸。必须要研究分析市场现象变化的新特点，新表现，并且将这些新特点和新表现充分考虑在预测值内。这样才能对市场现象做出既延续其历史变化规律，又符合其现实表现的可靠的预测结果。②时间序列分析预测法突出了时间因素在预测中的作用，暂不考虑外界具体因素的影响。时间序列在时间序列分析预测法处于核心位置，没有时间序列，就没有这一方法的存在。虽然，预测对象的发展变化是受很多因素影响的。但是，运用时间序列分析进行量的预测，实际上将所有的影响因素归结到时间这一因素上，只承认所有影响因素的综合作用，并在未来对预测对象仍然起作用，并未去分析探讨预测对象和影响因素之间的因果关系。因此，为了求得能反映市场未来发展变化的精确预测值，在运用时间序列分析法进行预测时，必须将量的分析方法和质的分析方法结合起来，从质的方面充分研究各种因素与市场的关系，在充分分析研究影响市场变化的各种因素的基础上确定预测值。需要指出的是，时间序列预测法因突出时间序列暂不考虑外界因素影响，因而存在着预测误差的缺陷，当遇到外界发生较大变化，往往会有较大偏差，时间序列预测法对于中短期预测的效果要比长期预测的效果好。因为客观事物，尤其是经济现象，在一个较长时间内发生外界因素变化的可能性加大，它们对市场经济现象必定要产生重大影响。如果出现这种情况，进行预测时，只考虑时间因素不考虑外界因素对预测对象的影响，其预测结果就会与实际状况严重不符。
1.统计方法：测量的尺度：统计学一共有四种测量的尺度或是四种测量的方式。 2.这四种测量，即名目、顺序、等距、等比在统计过程中具有不等的实用性。 3.等比尺度拥有零值及资料间的距离是相等被定义的。 4.等距尺度资料间的距离是相等被定义的但是它的零值并非绝对的无而是自行定义的，如智力或温度的测量。 5.顺序尺度的意义并非表现在其值而是在其顺序之上。 6.名目尺度的测量值则不具量的意义。 7.统计学是关于认识客观现象总体数量特征和数量关系的科学。 8.它是通过搜集、整理、分析统计资料，认识客观现象数量规律性的方法论科学。 9.由于统计学的定量研究具有客观、准确和可检验的特点，所以统计方法就成为实证研究的最重要的方法，广泛适用于自然、社会、经济、科学技术各个领域的分析研究。