中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Command Control and Simulation

Command Control and Simulation >

2020 , Vol. 42 >Issue 1: 83 - 88

DOI: https://doi.org/10.3969/j.issn.1673-3819.2020.01.016

Theory & Research

Analysis Method about Result of Training and Competition Based on SPSS

  • LIU Xue ,
  • LI Wo-dong
Expand
  • The PLA Rocker Force Command College, Wuhan 430012, China

Received date: 2019-07-31

  Revised date: 2019-08-14

  Online published: 2022-05-19

Fold

Abstract

Result is the most direct and intuitive reflection of training and competition effect. As a matter of fact, scores are more important than single numbers, but a data set composed of many indicators and factors. It is necessary to adopt scientific methods and tools to analyze the data, so as to grasp and apply it more scientifically and effectively. In this paper, the results of a battlefield rescue combat course are taken as samples, and the SPSS is used to describe the results from multiple dimensions. It is important to analyze and verify the influencing factors of the results, so as to apply this research method to the other military activities.

Key words： training and competition; result analysis; SPSS

Cite this article

LIU Xue , LI Wo-dong . Analysis Method about Result of Training and Competition Based on SPSS[J]. Command Control and Simulation, 2020 , 42(1) : 83 -88 . DOI: 10.3969/j.issn.1673-3819.2020.01.016

比武竞赛成绩是练兵备战效果最直观的反映,成绩不仅仅是最终的排名和得分,还需要通过合适的数据分析方法和工具,才能够更加全面、有效地反映比武竞赛情况。
SPSS(Statistical Product and Service Solutions)软件,又叫社会科学统计软件,它以数据管理、统计分析等为基本功能,集统计学分析运算、数据挖掘、预测分析和决策支持等于一体,其分析结果清晰、直观、易学易用,成为国际上最有影响的统计分析软件之一。借助于SPSS Statistics 22强大的统计分析功能,以某次参谋人员军事共同基础比武中的战场救护课目成绩为样本,通过5个具体的应用实例,介绍几种适应于比武成绩分析研究的方法。
战场救护课目在内容上设置了基础生命支持等4项任务,既包括了训练大纲明确的主要内容,又是模拟战场救护的一系列连贯动作。346名样本人员涵盖机关各部门和相关保障分队,在层次、岗位、年龄等方面具有广泛的代表性。通过SPSS的描述和分析,有助于发现这些得分之间隐含的逻辑关系和相互影响。

1 信度与效度检验

1.1 信度与效度检验的作用

对于任何一种比武考核而言,都会涉及这样一些基本问题:比武成绩能够在多大程度上反映真实的能力水平?比武成绩好与能力水平高之间的关联度有多大?当比武的时间、地点等环境条件发生改变时,比武成绩是否也会改变?这些问题可以通过信度和效度检验来分析和研究。
信度,是测量结果的可信程度,又称一致性、稳定性[1],反映的是参赛选手进行多次考核时,所得结果的一致程度。也就是说信度越高表示该测试的可靠性越高,测试的结果越稳定,被测试者在不同时间的测试成绩越趋于一致。任何比武竞赛都要求有较高的信度,是为了能够准确反映选手的真实水平,而不是偶然性的忽高忽低。
效度是测量的有效程度,也称为测量的有效性,其实质就是在测量中能够正确揭示所研究问题目标属性的有效程度。比武中的效度,指结果反映所想要考查内容的程度,例如比武成绩能否反映参谋人员的战场救护能力,能否反映部队真实训练水平。

1.2 应用实例:如何检验比武成绩的信度与效度

影响比武竞赛信度的因素有很多,比武课目的内容、数量、难度、区分度等都会产生一定的影响。一般可以通过重测法、复本法、分半法和科隆巴赫系数检验法来检验测试的信度系数[2]。对于要求公平公正、一个完整回合出成绩的比武竞赛而言,不会让选手多个回合重测,也缺少平时成绩来做复本检验,一个完整的比武课目又不便于分组折半,所以前3种方法不太适用,比较便捷有效的方法就是通过SPSS中的科隆巴赫系数来判断。其基本原理是反映相同特质的若干个测量项之间,客观存在着相关性,通过检验这些测量项之间的一致性水平——科隆巴赫信度系数α(Cronbach' alpha),来判断数据的信度[3],即0.3≤α<0.5时勉强可信;0.5≤α<0.7时基本可信,0.7≤α<0.9时比较可信,0.9≤α时非常可信。在SPSS软件中检验战场救护课目内部4项任务得分的一致性,得到基于标准化项目的科隆巴赫信度系数为0.789,这表明该课目比武成绩有较高的信度。
对效度的检验,可以从内容效度、结构效度等方面进行入手。在对本次比武竞赛考核的效度检验中,比较直观的方法是检查具体评分指标的覆盖度和科学性。即在SPSS软件中,将基础生命支持等4项任务的全部41个得分指标,做Bartlett球形检验和KMO检验,得到表1,来判断各项指标的结构效度[4]。
表1 KMO与Bartlett检验
Kaiser-Meyer-Olkin 测量取样适当性K 0.883
近似卡方 1762.045
Bartlett 球形检验 df 435
显著性Sig 0.001
对于Bartlett球形检验,主要通过其检验概率Sig值进行判定,当检验概率Sig<0.05时,表明该变量集具有较好的结构效度。对于KMO检验则主要通过度量值K的大小来判断变量集的结构效度[5-6]。K<0.6时效度很差,0.6≤K<0.8时效度一般,0.8≤K<0.9时效度较好,0.9≤K表示非常好。表1中Sig值为0.01,KMO度量值K为0.883,这两个指数都表明战场救护课目比武成绩有较高的效度。

1.3 信度与效度检验的相关应用

衡量一次比武竞赛是否成功,成绩的信度和效度是最基础、最重要的指标,但却往往因为不了解衡量数据的方法而被忽略。信度与效度都是一种相对量,主要是通过系数来体现“程度”。就二者的关系而言,信度是效度的必要条件,效度的实现必须以可靠的信度为基础。对练兵比武成绩进行定量分析研究,数据要有合适的信度和效度是基本前提。要通过对各个比武课目信度和效度检验,来优化和完善比武设计,既保证比武内容聚焦练兵备战,又保证比武成绩能够真实反映能力水平。

2 多维统计描述

2.1 多维统计描述的作用

在对比武成绩的分析中,有一个必然要回答的问题就是,不同单位、不同岗位或者不同年龄的参赛队员的成绩如何?即比武成绩在单位、岗位或者年龄上的分布是否有区别?这些通过对成绩的基本统计和描述就能够回答。实际上对任何数据的分析通常都是从基本统计、描述入手的。对各项得分等变量等指标从不同角度进行统计和描述,既是从不同维度掌握比武情况的重要手段,也是进一步合理选择研究方法的前提。以大量样本从不同维度对研究变量的统计分析,能够掌握变量的基本统计特征,把握成绩的整体分布形态,对进一步的数据检验、建模等,起到重要的指导和参考作用[7]。

2.2 应用实例:如何比较不同岗位的成绩

为回答不同岗位人员战场救护成绩是否有区别的疑问,在SPSS中描述、展现战场救护课目成绩在4类岗位上分布。通过SPSS中的图表构建器所得到的得分误差条形图如图1所示,从4类岗位的平均得分来看,参、政、保机关参谋平均得分之间的差距只有0.15分;分队干部要比机关参谋的平均得分高出0.6分左右,且分队的标准差只有0.79,也比机关参谋小很多。在SPSS中分别以各类岗位为子组,得到不同岗位人员在各个分数的比率,如图2所示,横轴表示的是从低到高的分数,纵轴表示比率,黑色折线表示的是全体选手在各个分数段的总体分布,蓝色阴影是该类人员的分布。通过图形对比可以非常直观地看到,分队干部在高分段比较密集,明显超过平均值,且几乎没有低分。两个描述图表清晰直观地说明,分队人员战场救护成绩普遍较好。
图1 不同岗位选手平均得分
图2 不同岗位得分的频率分布

2.3 多维统计的相关应用

从以上实例可以看出,通过SPSS构建的统计图表,能够非常直观、准确地对比武成绩进行描述,这也是成绩分析的一项基本要求。对比武成绩基本描述统计量大致可以分为三个类别[8-9]:一是刻画集中趋势的统计量,如均值、中位数、众数等;二是描述离散程度的统计量,如方差、标准差、均值标准误差、变异系数等;三是描述分布形态的统计量,如频率分布、偏度、峰度等。综合这三类统计量就能够比较准确和清晰地把握比武成绩的分布特点,为进一步的分析研究打下基础。

3 显著性检验

3.1 显著性检验的作用

数据差异的显著性检验,是面向两组或者多组数据的一种数据分析方式,其目的是对不同分组的数据之间是否存在显著差异进行判断。例如不同单位或者不同年龄段选手的成绩,是否有显著差别?一般而言,若干组比武成绩不可能完全相同,必然存在或多或少的差异,分析研究的目的在于判断这些差异在统计学上是否显著,并给出明确的结论。

3.2 应用实例:如何验证比武时刻与成绩是否相关

本次比武过程包含战场救护等8个课目的军事共同基础,需要参赛选手依次连续作业3小时以上,选手们担心不同的参赛时间体力和精力不一样,进而会影响成绩,也就是抽签得到的比武先后顺序是否影响成绩?此疑问就可归结为一个显著性检验问题,即不同时间上的参赛人员成绩是否有显著性差异?
通过SPSS软件描述统计得到的表2来看,在任一每半个小时的时间区间内,当样本达到一定数量时,战场救护的平均分和标准差都不大。将战场救护得分做以“结束时刻区间”为因子的单因素方差分析,得到表3,也就是各结束时刻区间群组之间的显著性(Sig)为0.049。当Sig明显小于0.05时,表示不同时刻区间的得分具有差异性[10],0.049处于一个临界值,还不能判断是否具有差异性。通过SPSS的单因素方差分析中的多重比较检验,整理数据得到表4,除1530完成时刻与其他时刻的Sig小于0.05外,其他的Sig都远大于0.05,也就是说在1530时刻区间内完成本课目的选手成绩有显著性差异,而在其他所有时刻完成的成绩没有显著性差异。
表2 得分在结束时刻分布
结束时刻
区间		 1030 1100 1130 1200 1230 1300 1330 1400 1430 1500 1530 总计
平均分 27.62 28.03 28.08 27.50 27.97 28.29 27.61 28.07 28.06 27.97 24.81 27.88
标准差 1.36 1.06 1.21 1.86 1.20 1.13 1.34 1.25 1.24 1.05 0.89 1.34
N 11 21 27 32 29 13 29 28 30 23 2 245
表3 完成时刻与得分差异卡方检验
平方和 df 平均值平方 F 显著性(Sig)
群组之间 32.598 10 3.260 1.875 0.049
在群组内 406.781 234 1.738
总计 439.379 244
表4 得分在不同时间段的显著性
交互
显著性		 1030 1100 1130 1200 1230 1300 1330 1400 1430 1500 1530
1030 0.398 0.325 0.802 0.456 0.213 0.984 0.337 0.340 0.462 0.006
1100 0.398 0.897 0.153 0.860 0.577 0.262 0.924 0.939 0.882 0.001
1130 0.325 0.897 0.093 0.742 0.637 0.180 0.971 0.953 0.772 0.001
1200 0.802 0.153 0.093 0.171 0.070 0.754 0.098 0.096 0.192 0.005
1230 0.456 0.860 0.742 0.171 0.459 0.302 0.768 0.781 0.983 0.001
1300 0.213 0.577 0.637 0.070 0.459 0.121 0.614 0.598 0.487 0.001
1330 0.984 0.262 0.180 0.754 0.302 0.121 0.188 0.188 0.321 0.004
1400 0.337 0.924 0.971 0.098 0.768 0.614 0.188 0.983 0.797 0.001
1430 0.340 0.939 0.953 0.096 0.781 0.598 0.188 0.983 0.810 0.001
1500 0.462 0.882 0.772 0.192 0.983 0.487 0.321 0.797 0.810 0.001
1530 0.006 0.001 0.001 0.005 0.001 0.001 0.004 0.001 0.001 0.001
至少有两个原因可解释:可能因为1530这一结束时间区间内只有两名选手,小样本的随机偶然性比较大;或者是最后到达战场救护比武场地的几名选手,在前面的按图行进等课目中也表现不佳,整体素质要弱一些,成绩也就有差异。如果排除1530的两个样本,可以得到Sig为0.560,远大于0.05,进一步说明在不同时刻完成比武的成绩没有显著差异。也就是说抽签得到的开始比武的先后顺序并不影响成绩,据此可以打消选手对抽签的顾虑。

3.3 显著性检验的相关应用

从以上分析过程可以看出,显著性检验是先基于原始数据对分析结果进行假设,然后通过统计量的计算,获取假设成立的可能性(概率值),再基于概率值判断假设是否成立。在对比武成绩的分析研究中,经常需要判断不同的条件设置是否会对比武成绩产生影响,这可以通过不同的显著性检验方式来判断。
一是基于均值的差异显著性检验,主要包括T检验和方差分析两类,适用于接近于正态分布的各项比武成绩。这实质上这是一种已经限定了数据分布形态的检验形式,即掌握了数据序列分布参数,所以也被称作为参数检验。
二是方差分析,又称“变异数分析”或者“F检验”,用于比较两个及两个以上样本均数差别的显著,依据考虑因素的个数可分为单因素方差分析和双因素方差分析[11]。它能将引起成绩变化的多种因素一一剖析出来,辨明哪些起重要作用,哪些起次要作用,从而判断在影响因素上的“显著性”。

4 降维分析

4.1 降维分析的作用

综合性的比武竞赛活动中,为全面反映选手的水平,一般都要从多个视角进行分析评价。即使是战场救护这一单课目,也是区分4项作业内容从41个具体的指标来评判的,难以避免的是不少指标的内容、要求有重叠。在分析研究时,就需要对这些指标进行归并、凝练,提取公共的、更有价值的信息来分析研究成绩的影响因素。SPSS中的降维分析是针对变量集的数据处理,从变量集中抽取出公共的因素,既能够减少评价指标的维数,使结论变得更加易于表述和理解,也能够排除细枝末节的影响,获得比较有价值的研究结论。

4.2 应用实例:如何探寻影响成绩的核心因素

如前所述,战场救护的成绩是41个评分指标累积得到的,其中有不少指标的属性是相同或者类似的。那么战场救护成绩主要取决于哪些方面?或者说注重哪些能力素质的提升才能够取得好的成绩?
以上问题可以通过SPSS中的因子分析来解决。多个评分指标所获得的数据可能指向相同的潜属性,潜属性隐藏于多个指标的众多取值及其相关联系之中。因子分析的作用就是从众多的指标中抽取出这些少量的潜属性,在本质上就是一种降维思想,旨在尽可能使用较少的独立因子表示原有变量中的绝大多数信息。
表1中的“KMO和Bartlett球形度检验”,除用来检验效度之外,还可用来判断数据是否适合做因子分析,即指标间是否有内在逻辑关系。一般认为KMO度量值K大于0.9非常合适,0.8合适,0.7一般,0.6不太合适,0.5以下不适宜做因子分析[12];Bartlett球形检验的Sig值小于0.05时适合做因子分析。由此可知,这41个指标适合于做因子分析,在SPSS中采取主成分抽取方法,抽取特征值大于1的主要因子,选取最大方差法旋转,得到表5。
表5 战场救护评价指标主成分表
成分 初始特征值 旋转平方和载入
合计 方差的% 累积% 合计 方差的% 累积%
1 7.530 25.101 25.101 4.408 14.693 14.693
2 3.723 12.410 37.511 3.631 12.103 26.796
3 1.980 6.601 44.112 3.272 10.905 37.701
4 1.524 5.746 49.858 2.923 9.742 47.443
5 1.277 4.922 54.781 1.986 6.621 54.064
6 1.076 4.587 59.368 1.591 5.304 59.368
从表5可以看出,抽取的6个主要因子,能够解释41个指标总方差量的59.368%,也就是说从统计学角度来看,这6个因子不同权重系数的组合,能够覆盖41个指标将近60%的信息,实际上就是将41个具体的指标,提取为6个主要因子,实现了数量上的降维。进一步通过SPSS分析41个指标在这6个主要因子上的载荷系数(略),可将这6个因子进行归纳和主观命名,解释方差由大到小依次为急救手法、完成效果、熟练程度、自我防卫、爱伤观念、伤情判断,也就是说这41个具体的指标,60%左右的信息点都是从以上6个方面来考察的,比武选手就可以有针对性地从这6个方面强化训练。

4.3 降维分析的相关应用

从以上实际分析原理和过程可以看出,因子分析产生的结果是构建出主要因子或者潜因素对考核指标更加凝练的描述。除因子分析之外,还有两种降维方法可以在比武成绩的分析中应用。
聚类分析是将样本或者集合分组成为由类似的对象组成的数个类别的过程。在对比武成绩的分析研究过程中,对样本的分类最常用的方式,就是按照得分区间进行划分,这是聚类分析中最简单的一种距离聚类,在SPSS中有最短距离、中间距离、重心法、类平均法、离差平方和法等多种聚类方法,可选择适用的方式对样本进行聚类。
对应分析是探索两个分类变量的不同取值之间对应关系的数据分析技术,它适用于变量分类值较多,取值比较复杂的情况,通过“降维”的思路方法,利用图示化的方式和检验参数,直观地解释变量的不同类别之间的对应关系。如本例中可以探索选手的所属部队与各个课目或总成绩之间,是否存在隐含的对应关系,有助于分析判断各部队训练情况。

5 关联性分析

5.1 关联性分析的作用

在对比武成绩数据分析中,为考察不同课目或者主要评分指标之间存在着的隐含关系,就需要探索它们之间是否存在相互关系,也就是不同课目或者指标数据序列之间是否存在关联性,这就需要进行关联性分析。关联性分析主要是通过数据计算来探寻两列数据内部隐含的关联性,进而发现所研究对象组成要素之间的内在联系,并且通过相关图形、相关系数或者回归方程来体现研究结论。

5.2 应用实例:如何考察单课目对总成绩的影响

比武组织方和参赛选手有一个共同关心的问题,各项单课目对总成绩有多大影响?如战场救护得分对军事共同基础总成绩的贡献率?
理论上讲,每个课目对总成绩的影响大小,应该与所占分值保持一致。但通过SPSS中的关联性分析得到表6所示的相关性矩阵,比较军事共同基础的8个课目与总分的相关系数,最小的是战场救护的0.283,最大的是按图行进的0.730。这表明总成绩很大程度上取决于按图行进,而战场救护在总成绩中的影响很微弱,显然这与预先设定的各课目分值权重不一致。通过SPSS中的多维统计描述方式,发现战场救护都集中在高分段,反映出本课目的区分度太小。按图行进得分两极分化明显,不是一种正态分布,在平均分为31.14的情况下标准差竟达到17.86,选手一旦在此课目上发挥失误,将全盘皆输。
表6 各课目之间的相关系数矩阵
课目 按图
行进		 通信器材使用 战术点标定 核生化防护 战场
救护		 手榴弹投掷 蛇形跑 手枪
射击		 总分
按图行进 1.000 0.001 0.275 0.112 0.045 0.127 0.223 0.073 0.730
通信器材 0.001 1.000 0.195 0.165 0.167 0.056 0.071 0.180 0.381
战术点标定 0.275 0.195 1.000 0.260 0.065 0.056 0.274 0.184 0.611
核生化防护 0.112 0.165 0.260 1.000 0.268 0.154 0.180 0.249 0.435
战场救护 0.045 0.167 0.065 0.268 1.000 0.214 0.194 0.259 0.283
手榴弹投掷 0.127 0.056 0.056 0.154 0.214 1.000 0.165 0.272 0.459
蛇形跑 0.223 0.071 0.274 0.180 0.194 0.165 1.000 0.168 0.409
手枪射击 0.073 0.180 0.184 0.249 0.259 0.272 0.168 1.000 0.463
总分 0.730 0.381 0.611 0.435 0.283 0.459 0.409 0.463 1.000

5.3 关联性分析的相关应用

相关系数只是关联性分析所得到的具体量化指标,它能够反映变量之间共同变化的一致性程度,也能够得到很多有用的结论,但还不能揭示出变量之间隐藏的数学规律。进一步深化的回归分析,就是通过分析分析变量之间隐藏的内在规律,来建立变量之间函数变化关系的一种分析方法。构建出回归方程后,还能够形成有意义的预测[13]。例如,练兵比武的综合成绩由许多项目、指标所组成,通过降维分析能够得到其主导作用的关键因素,再对这些关键因素进行回归分析,建立合适的回归方程,既能够把握决定综合成绩的关键因素,又能够通过回归值和残差来表示各个参赛选手的成绩,还可以将平时表现代入回归方程来预测选手成绩。

6 结束语

只有采用合适的方法对练兵比武成绩进行系统、全面的分析,把握比武成绩的内在构成和关键因素,才能更加科学、有效地组织和开展这项全军性的重大活动。比武组织者要在信度和效度两个方面下功夫;要对比武成绩进行客观、全面、系统的分析,掌握部队练兵备战水平和官兵能力素质,为决策提供准确的依据;还要分析和检验哪些因素会对比武成绩产生影响,改进和完善考评方式方法,保证比武成绩的科学性、稳定性与可甄别性。以上几个SPSS在分析研究战场救护成绩时的具体应用实例,受样本数据类型和成绩分析需求等因素的制约,还不足以体现该软件在统计分析、数据挖掘、决策支持等方面的作用。只有在实际应用过程中,才会逐步发现它在数据统计分析上的优长和强大的功能。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
风笑天. 社会研究方法[M]. 北京: 中国人民大学出版社, 2013.

[2]
马秀麟. 数据分析方法及应用[M]. 北京: 人民邮电出版社, 2015.

[3]
冯国生. SPSS统计分析与应用[M]. 北京: 机械工业出版社, 2016.

[4]
薛薇. 基于SPSS的数据分析[M]. 北京: 中国人民大学出版社, 2014.

[5]
袁晓蕾. 基于数据挖掘的高校课堂教学多维度分析与评价[D]. 哈尔滨: 哈尔滨师范大学, 2015.

[6]
林淑贤. SPSS统计分析法在调查研究中的应用[J]. 南方论刊, 2016(12):57-58.

[7]
潘爽亮, 刘志峰. 统计学[M]. 武汉: 武汉大学出版社, 2005.

[8]
谢龙汉, 尚涛. SPSS统计分析与数据挖掘[M]. 北京: 电子工业出版社, 2012.

[9]
王波. SPSS软件在提高统计学教学效果中的应用[J]. 黑龙江科学, 2019(1):26-29.

[10]
杨梦钰. 本科国际学生汉语阅读成绩测试质量分析[D]. 天津: 天津师范大学, 2018.

[11]
徐兴阳, 张廷金, 端永明, 等. 基于IBM SPSS的DMP生产应用交互作用分析[J]. 昆明学院学报, 2018, 40(3):1-10.

[12]
尹江丽, 杨晓丹. SPSS软件在导弹武器系统费用预测中的应用[J]. 兵器装备工程学报, 2018, 39(5):151-153.

[13]
许开成, 毕丽苹, 陈梦成. 基于SPSS回归分析的锂渣混凝土抗压强度预测模型[J]. 建筑科学与工程学报, 2017, 34(1):15-24.

Options
Outlines

/

〈 〉