SPSS軟件在煤質指標分析中的應用探索

楊青文

摘 要：文章列舉了若干使用SPSS軟件進行煤質指標分析的案例，通過對統計分析結果的。

關鍵詞：SPSS；控制圖；正態分布；線性回歸

1 引言

SPSS是IBM公司推出的一系列用于統計學分析運算、數據挖掘、預測分析和決策支持任務的軟件產品及相關服務的總稱，具有自動統計繪圖、數據的深入分析、使用方便、功能齊全的數理統計分析軟件。本文以版本IBM SPSS Statistics 19為例，就其在煤質指標分析中的應用進行一些探索。

2 控制圖

SPSS支持直接的Excel數據表導入功能，打開SPSS軟件，在文件一欄選擇打開數據，點開之后在文件類型中選擇Excel（*.xls， *xlsx， *xlsm）。

2.1數據前處理

先進入描述統計的頻率子菜單，選擇變量Mt，統計量選擇偏度和峰度，點擊確定。看偏度系數和峰度系數，如果均小于1，那么符合正態分布，可以進行下一步控制圖分析。

2.2選則過程度量和定義子組

過程度量為全水分，定義子組為批次編號。

2.3設定選項、控制規則

選項sigma的數目為3，最小子組大小為2.不顯示由缺失值定義的子組。X條形圖、R圖、s圖的控制規則，勾選所有選項，在實際應用中可根據分析需求確定所需要的控制規則。

2.4繪出控制圖

可以觀察出倒數兩個點以及倒數第四個點是違反規則的異常點，違反規則見下表X條形圖規則違反。

3 個點違反控制規則。

3 發熱量回歸分析與正態分布檢驗

3.1 數據操作

某礦煤質統計指標；選中描述統計-頻率-選擇變量Mt、Aar、Ad、Qgr，d、Qnet，ar，統計量選擇偏度和峰度，點擊確定。看偏度系數和峰度系數，如果均小于1，那么符合正態分布。

對于新礦點：累積6組以上用該模型，6組之前用相近的礦點公式進行診斷。

3.2 線性擬合

正態分布檢驗完畢，進行線性擬合，參數選擇如下：

（1）線性回歸統計量。回歸系數選擇“估計”，選擇“模擬擬合度”，殘差選擇“Durbin - Watson（U）”和個案診斷，離群值填“3”標準差。其他選項均不選。

（2）線性回歸繪制。Y（Y）選擇DEPENDENT，X2（X）選擇DRESID。

（3）線性回歸保存。預測值選擇“未標準化”，殘差選擇“未標準化”，預測區間選擇“均值”、“置信區間95%”，勾選“包含協方差矩陣”。系數統計、影響統計量、距離等參數不選。

（4）線性回歸選項。使用F的概率，進入0.05，刪除0.10；勾選“在等式中包含常量”和“按對排除個案”。

3.3 數據分析

Qgr，d與Ad，Qnet，ar與Mt、Aar的擬合結果為：

①Qgr，d = 34.241 - 0.388Ad；

②Qnet，ar = 33.762 - 0.390Mt - 0.390Aar；

以公式②為例：

（1）相關系數檢驗觀察調整R方值，為0.985，非常接近1，表示自變量對因變量的解釋很好，能達到98.5%。

a. 預測變量： （常量）， 收到基灰分Aar， 全水分Mt。

b. 因變量： 收到基低位熱值Qnet，ar

（2）F檢驗。F檢驗是對擬合的回歸模型整體的方差檢驗值，觀察回歸曲線的F檢驗sig值，如果小于0.05說明整個回歸模型有顯著作用，F統計量值與Fα（1，n-2）進行比較（顯著性水平，一般取0.05），F>Fα（1，n-2），拒絕H0，表明回歸效果顯著，F≤Fα（1，n-2），接受H0，此時回歸效果不顯著。

（3）各個自變量的t檢驗sigma值，t統計量值的正負表示該自變量對因變量的影響是正還是負。|t|>tα（n-2），拒絕H0，回歸效果顯著；|t|≤tα（n-2），接受H0，回歸效果不顯著。

（4）計算出Qgr，d = 24.200MJ/kg，實際測量值為Qgr，d = 24.388MJ/kg，相差-188J/g。計算值Qnet，ar = 20.978MJ/kg，實際測量值為Qnet，ar = 21.147MJ/kg，相差-169J/g。

4 結語

煤質指標間其他指標也存在較強的聯系，如發熱量和水分、揮發分、灰分、硫分、氫值間的關系，碳值與氫值的關系，以及其他，本文只是冰山一角，拋磚引玉。借助SPSS這樣強大的數理統計軟件，可以以更具體量化的方式去衡量已知的物理關系，并啟發幫助我們尋找更多的未知的潛在聯系。