1. 文件-新建-数据
2. 修改变量信息
在这里插入图片描述
3.查看数据基本情况
分析-描述统计-描述
4.相关性分析
相关-双变量
结果显示Pearson相关系数为”0.902“，P值小于0.01，相关关系具有统计学意义
但实际上它们不一定相关。
例如：冷饮销售量增加和游泳人数地增加都可能与“天气热”相联系，所以，很有可能是因为天气热导致吃冷饮的人和游泳的人同时增加。所以要去掉天气热的影响。
偏相关—-
统计学上我们得到的相关关系，即使具有统计学意义，也不能完全说明两者就一定存在内在关联，计算“偏相关系数”时可以再引入其他的变量，这些变量我们称之为**“控制变量**”。
这里我加入了呼吸这个控制变量
5.回归
y=ax+b x y需要有很强的相关性
因此 NEP=-0.318GPP+3.982
6.T检验(两组数据的检验)。
-单样本T检验:一组数据和某个值的比较 (A班的成绩与50比较）
-独立样本T检验:男女分别的数据，因此要定义1和2 男女或者是12岁和 14 岁组的身高差异。
-相关样本T检验:一批人前后做的 一组被试的前后侧。
-菜单栏-分析-比较平均值
7、 方差分析(三组数据及以上的检验)。
-一个自变量两个以上水平(两个水平用T检验) 比较均值一单因素
灯光的亮度是否会影响工作效率:高中低三个水平的数据，
-两个自变量一个因变量的被试内设计 几种水平结合就是几列变量(每列变量都是数据且是a1b1a1b2.…)。
一般线性模型_重复度量 工厂的大小和灯光的亮度是否会影响工作效率:大小*高中低。
-两个自变量一个因变量的被试间设计 输入三列变量(两列变量需要定义，一列变量为数据)
一般线性模型-单变量 丁厂的大小和灯光的亮度是否会影响工作效率，大小*高中低，
-两个自变量的混合实验设计，变量输入时是以上两种方法的结合 一般线性模型二重复度量，
