SPSS在药学科研数据处理中的应用
一课题解决的问题
统计学是研究数据的科学。统计学所研究的是数据而不是抽象的数和形，而是客观世界与现实生活中发生的数据，具体是指那些会经常发生变化的数据，他们往往是和偶然现象联系在一起的，或称随机会发生变化的数据。统计学与大部分学科都有密切联系，具有广阔的应用领域。随着统计学的发展和科学研究的需求，现在已经很难找到一个不应用统计学的学科领域。本文主要阐述统计学在医药领域如何让处理数据及进行数据分析，在统计应用中统计方法可以分为描述统计和推断统计两大类。Spss是一个组合式软件包，集数据处理，数据分析，统计图表生成及统计编程诸多功能于一身，涵盖了统计学所有常用统计方法。初学者可根据下拉菜单中命令完成分析工作，或者使用编程的操作方式。
二理论基础
主要采用了散点图、饼图、相关性分析、线性回归分析（一元）等方法解决问题，而用到的SPSS主要预测模型只有线性回归模型。SPSS主要的预测模型有：指数平滑模型、ARIMA模型、线性回归模型、非线性回归模型、Logistic回归模型、对数线性模型、广义线性模型、混合线性模型等。回归分析的基本原理:一元线性回
归需要满足的条件：e满足条件：（1）E（e）=0；（2）D（ei）=sigma;2；（3）Cov(ei,ej)=0,i
二、ne;j(4)Cov(ei,ej)=0。条件（1）表示平均干扰为0；条件（2）表示随机干扰项等方差；条件（3）表示随机干扰项不存在序列相关；条件（4）表示干扰项与
解释变量无关。在假定条件（4）成立的情况下，随机变量y～N（a bx，sigma;2）。一般情况下，ε～N（0，sigma;2）。多元线性回归模型必须满足如下的条件：第一、有正确的期望函数。即在线性回归模型中没有遗漏任何重要的解释变量，也没有包含任何多余的解释变量。第二、被解释变量等于期望函数与随机干扰项之和。第三、随机干扰项独立于期望函数。即回归模型中的所有解释变量与随机干扰项不相关。第四、解释变量矩阵X是非随机矩阵，且其秩为列满秩的。
散点图有五种类型：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
