spss各分析方法的聯系

1. spss分析方法（轉載）

效度分析指尺度量表達到測量指標准確程度的分析。 下面我們主要從下面四個方面來解說：

[if !supportLineBreakNewLine]

[endif]

實際應用

理論思想

建立模型

[if !supportLineBreakNewLine]

[endif]

分析結果

[if !supportLineBreakNewLine]

[endif]

一、實際應用

[if !supportLineBreakNewLine]

[endif]

效度分析用於研究題是否有效地表達研究變數或維度的概念信息，通俗地講，即研究題設計是否合理或題表示某個變數是否合適。通常情況下，效度分析只能分析量表題。

[if !supportLineBreakNewLine]

[endif]

二、理論思想

效度（Validity）即有效性，它是指測量工具或手段能夠准確測出所需測量的事物的程度。效度分為三種類型。 內容效度（ Face Validity ）：

內容效度又稱表面效度或邏輯效度，它是指所設計的題項能否代表所要測量的內容或主題。對內容效度常採用邏輯分析（專家法）與統計分析相結合的方法進行評價。

准則效度（ Criterion Validity ）：

准則效度又稱為效標效度或預測效度。准則效度分析是根據已經得到確定的某種理論，選擇一種指標或測量工具作為准則（效標），分析問卷題項與准則的聯系，若二者相關顯著，或者問卷題項對准則的不同取值、特性表現出顯著差異，則為有效的題項。評價准則效度的方法是相關分析或差異顯著性檢驗。在調查問卷的效度分析中，選擇一個合適的准則往往十分困難，使這種方法的應用受到一定限制。

結構效度（ Construct Validity ）：

結構效度是指測量結果體現出來的某種結構與測值之間的對應程度。架構效度分析採用的方法是因子分析。有學者認為，效度分析最理想的方法是利用因子分析測量表或整個問卷的架構效度。因子分析的主要功能是從量表全部變數（題項）中提取一些公因子，各公因子分別與某一群特定變數高度關聯，這些公因子即代表了量表的基本架構。透過因子分析可以考查問卷是否能夠測量出研究者設計問卷時假設的某種架構。

在因子分析的結果中，用於評價架構效度的主要指標有 累積貢獻率、共同度和因子負荷。累積貢獻率反映公因子對量表或問卷的累積有效程度，共同度反映由公因子解釋原變數的有效程度，因子負荷反映原變數與某個公因子的相關程度。 為了提升調查問卷的質量，進而提升整個研究的價值，問卷的信度和效度分析絕非贅疣蛇足，而是研究過程中必不可少的重要環節。

效度分析有多種方法，其測量結果反映效度的不同方面。 一般來說，學科測驗主要看內容效度，心理測驗主要看結構效度。

[if !supportLineBreakNewLine]

[endif]

三、建立模型

[if !supportLineBreakNewLine]

[endif]

效度分析評估步驟：

[if !supportLineBreakNewLine]

[endif]

第一：KMO系數，取值范圍在0-1之間，越接近1說明問卷的結構效度越好。 

第二：巴特利球形檢驗的顯著性，如果小於0.05，我們也可以認為問卷具有良好的結構效度。

第三：如果整體問卷有效，仍然需要進一步評估問題合理性，評估問題合理性需要藉助成分矩陣。

效度分析案例1：

[if !supportLineBreakNewLine]

[endif]

題目：以下是一個醫學生職業精神量表，該量表包括7個方面，29道題目，測試了不同專業的100名大學生，試對該量表進行信度分析。

一、數據輸入

二、操作步驟 1、進入SPSS，打開相關數據文件，選擇「分析」|「相關」|「雙變數」命令2、選擇進行信度分析的變數。在將V1—V29及總分放入變數框中，選擇「皮爾遜」（Pearson）相關系數，點擊「確定」即可。

3、其餘設置採用系統默認值即可。單擊「確定」按鈕，等待輸出結果。

效度分析案例 2 ：

題目：以下某研究者在一項中學知識管理與學校效能關系的研究中，自編「學校知識管理量表」，此表共有19題，為探究量表的可信效度及題項的適切性，隨機抽取200人進行測試，求此19題的結構效度如何？試對結構效度進行分析。

一、數據輸入

二、操作步驟 1、進入SPSS，打開相關數據文件，選擇「分析」|「降維」|「因子分析」命令2、選擇進行信度分析的變數。在將c1—c19及總分放入變數框中。

3、點擊「描述」，勾選「系數」和「KMO和巴特利特球形度檢驗」。

4、點擊「提取」，選中基於特徵值大於1。

5、點擊「旋轉」，勾選最大方差法與旋轉後的解。

6、其餘設置採用系統默認值即可。單擊「確定」按鈕，等待輸出結果。

[if !supportLineBreakNewLine]

[endif]

四、結果分析

一、案例1分析如果量表的內容效度較高，則每題得分與總得分的相關性均應該較高，判定標准為r>0.4，本例V1—V29中，V4與總分的相關性r=0.362<0.4，V8與總分的相關性r=0.373<0.4，V8與總分的相關性r=0.364<0.4......以此類推，因此建議考慮刪除V4，V8，V10.....。

二、案例2分析

1、KMO檢驗和巴特利特檢驗結果KMO=0.855>0.5，樣本量足夠，球形度檢驗，P=0.000<0.05，符合球形度檢驗。結合兩項指標，本例適合進行因子分析

2、解釋的總方差可以知道，第一步納入的變數是質量，到第三步所有變數全部納入，且從顯著性值均為0可以看出，逐步判別沒有剔除變數。

3、旋轉後的成分矩陣旋轉後成分矩陣，結果發現19道題目在結構上分成4類，其中c12自成1類，因此c12應該刪除。

4、刪除c12後的總方差解釋和旋轉後的成分矩陣結果可見旋轉後成分矩陣正好落在3個成分之上，並且每個成分裡面的題目設置符合設置預期。

（獲取更多知識，前往gz號程式解說）

2. spss數據分析方法有哪些

1、線性模型

點擊分析，一般線性模型，單變數，設置因變數和固定因子，點擊確定，在結果窗口中查看線性模型的具體構建情況。

2、圖表分析

點擊菜單欄圖形打開舊對話框，選擇一種圖表類型，選擇簡單散點圖，點擊定義，設置XY軸的數據列，點擊確定，在輸出窗口中查看圖表結果。

3、回歸分析

點擊分析，打開回歸，設置自變數和因變數數據，點擊確定，在輸出窗口中查看回歸分析的結果。

4、直方圖分析

點擊圖形，打開舊對話框，點擊直方圖，選擇某一列變數，點擊確定，在結果窗口中查看數據的分布趨勢。

5、統計分析

點擊分析，打開描述統計，進入描述，選擇要分析的數據列，點擊確定即可在輸出窗口中查看數據的整體情況。

3. spss數據五種分析方法是什麼

spss數據分析的五種方法：

1、線性模型；點擊分析，一般線性模型，單變數，設置因變數和固定因子，點擊確定即可。

2、圖表分析。

3、回歸分析，點擊分析，打開回歸，設置自變數和因變數數據，點擊確定即可。

4、直方圖分析。

5、統計分析。

SPSS（Statistical Proct and Service Solutions），是一款「統計產品與服務解決方案」軟體。

軟體產品特點：

操作簡便：

界面非常友好，除了數據錄入及部分命令程序等少數輸入工作需要鍵盤鍵入外，大多數操作可通過滑鼠拖曳、點擊「菜單」、「按鈕」和「對話框」來完成。

編程方便：

具有第四代語言的特點，告訴系統要做什麼，無需告訴怎樣做。只要了解統計分析的原理，無需通曉統計方法的各種演算法，即可得到需要的統計分析結果。

對於常見的統計方法，SPSS的命令語句、子命令及選擇項的選擇絕大部分由「對話框」的操作完成。因此，用戶無需花大量時間記憶大量的命令、過程、選擇項。

功能強大：

具有完整的數據輸入、編輯、統計分析、報表、圖形製作等功能。自帶11種類型136個函數。

SPSS提供了從簡單的統計描述到復雜的多因素統計分析方法，比如數據的探索性分析、統計描述、列聯表分析、二維相關、秩相關、偏相關、方差分析、非參數檢驗、多元回歸、生存分析、協方差分析、判別分析、因子分析、聚類分析、非線性回歸、Logistic回歸等。

數據介面

能夠讀取及輸出多種格式的文件。比如由dBASE、FoxBASE、FoxPRO產生的*.dbf文件，文本編輯器軟體生成的ASCⅡ數據文件，Excel的*.xls文件等均可轉換成可供分析的SPSS數據文件。能夠把SPSS的圖形轉換為7種圖形文件。結果可保存為*.txt及html格式的文件。

模塊組合：

SPSS for Windows軟體分為若干功能模塊。用戶可以根據自己的分析需要和計算機的實際配置情況靈活選擇。

針對性強：

SPSS針對初學者、熟練者及精通者都比較適用。並且很多群體只需要掌握簡單的操作分析，大多青睞於SPSS，像薛薇的《基於SPSS的數據分析》一書也較適用於初學者。而那些熟練或精通者也較喜歡SPSS，因為他們可以通過編程來實現更強大的功能。

4. 如何用spss分析選項與結果的聯系

用什麼分析方法，由數據確定
數據指的是阿拉伯數字，你要提供數據才能判斷統計方法
而你現在說了一大堆話，全是中文，所以沒法給你准確的回答

5. spss分析中，顯著性差異分析和相關性分析的區別和聯系

差異是指不同樣本組的某個指標的差異，例如男生和女生的智力差異；相關分析是兩個變數之間的關系，和樣本分組無關，例如智力和學習成績是否相關。（南心網SPSS心理學統計）

6. 簡述spss相關分析的三大類方法及其邏輯關系,進一步詳述各類分析方法包括的內容,特點及適用范圍

Pearson針對連續性變數，Spearman和肯德爾相關分析屬於等級相關。只要有一個變數是等級變數，就不能用Pearson相關分析方法，肯德爾往往用在多個評價者數據一致性的分析。（南心網SPSS與結構方程模型統計分析）

7. spss分析方法-相關分析（轉載）

相關性分析是指對兩個或多個具備相關性的變數元素進行分析，從而衡量兩個變數因素的相關密切程度。相關性的元素之間需要存在一定的聯系或者概率才可以進行相關性分析。

[if !supportLineBreakNewLine]

[endif]

相關分析是不考慮變數之間的因果關系而只研究分析變數之間的相關關系的一種統計分析方法，包括簡單相關分析、偏相關分析、距離分析等。

下面我們主要從下面四個方面來解說：

[if !supportLineBreakNewLine]

[endif]

實際應用

理論思想

操作過程

分析結果

[if !supportLineBreakNewLine]

[endif]

一、實際應用

[if !supportLineBreakNewLine]

[endif]

相關性不等於因果性，也不是簡單的個性化，相關性所涵蓋的范圍和領域幾乎覆蓋了我們所見到的方方面面，相關性在不同的學科裡面的定義也有很大的差異。

1、簡單相關分析

[if !supportLineBreakNewLine]

[endif]

生活中常需要我們對 兩個變數間的相關關系 進行分析，即通過計算兩個變數之間的相關系數，是否顯著相關作出判斷。

2、偏相關分析相關分析通過計算兩個變數之間的相關系數分析變數間線性相關的程度。在多元相關分析中，由於受到其他變數的影響，兩變數相關系數只是從表面上反映了兩個變數的性質，往往不能真實地反映變數間的線性相關程度，此時就需要用到偏相關分析，這時候就 需要把其他變數控制住，然後輸出控制其他變數影響後的相關系數，得以從中剔除其他變數的線性影響 。3、距離分析偏相關分析通過控制一些被認為次要的變數的影響得到兩個變數間的實際相關系數，但實際問題中，變數可能會多到無法一一關心的地步，每個變數都攜帶了一定的信息，但彼此又有所重疊，此時 最直接的方法就是將所有變數按照一定的標准進行分類，即進行聚類分析。

[if !supportLineBreakNewLine]

[endif]

[if !supportLineBreakNewLine]

[endif]

二、理論思想

相關分析研究現象之間是否存在某種依存關系，並對具體有依存關系的現象探討其相關方向及相關程度，是研究隨機變數之間相關關系的一種統計方法。

現象與現象之間的依存關系，從數量聯繫上看，可以分為兩種不同的類型，即函數關系和相關關系。

[if !supportLineBreakNewLine]

[endif]

函數關系是從數量上反映現象間嚴格的依存關系，即當一個或幾個變數取一定的值時，另一個變數有確定值與之相對應。相關關系是現象間不嚴格的依存關系，即各變數之間不存在確定性的關系。

[if !supportLineBreakNewLine]

[endif]

在相關關系中，當一個或幾個相互聯系的變數取一定數值時，與之相對應的另一變數值也相應發生變化，但其關系值不是固定的，往往按照某種規律在一定的范圍內變化。

[if !supportLineBreakNewLine]

[endif]

回歸方程的確定系數在一定程度上反映了兩個變數之間關系的密切程度，並且確定系數的平方根就是相關系數。但確定系數一般是在擬合回歸方程之後計算的，如果兩個變數間的相關程度不高，擬合回歸方程便沒有意義， 因此相關分析往往在回歸分析前進行。

[if !supportLineBreakNewLine]

[endif]

對不同類型的變數，相關系數的計算公式也不同。在相關分析中，常用的相關系數主要有皮爾遜簡單相關系數、斯皮爾曼等級相關系數、肯德爾等級相關系數和偏相關系數。

[if !supportLineBreakNewLine]

[endif]

皮爾遜簡單相關系數適用於等間隔測度，而斯皮爾曼等級相關系數和肯德爾等級相關系數都是非參測度。 一般用ρ和r分別表示總體相關系數和樣本相關系數。

（1）皮爾遜簡單相關系數簡單相關系數r有如下性質：①-1≤r≤1，r絕對值越大，表明兩個變數之間的相關程度越強。②0<r≤1，表明兩個變數之間存在正相關。若r=1，則表明變數間存在著完全正相關的關系。③-1≤r<0，表明兩個變數之間存在負相關。r=-1表明變數間存在著完全負相關的關系。④r=0，表明兩個變數之間無線性相關。應該注意的是，簡單相關系數所反映的並不是任何一種確定關系，而僅僅是線性關系。另外，相關系數所反映的線性關系並不一定是因果關系。（2）斯皮爾曼等級相關系數   

    等級相關用來考察兩個變數中至少有一個為定序變數時的相關系數，例如，學歷與收入之間的關系。（3）肯德爾等級相關系數   

   肯德爾等級相關系數利用變數等級計算一致對數目U和非一致對數目V，採用非參數檢驗的方法度量定序變數之間的線性相關關系 若p值小於顯著性水平，則拒絕原假設，即認為兩個變數之間的相關關系顯著；否則，接受原假設，即認為變數之間不存在顯著相關性。

[if !supportLineBreakNewLine]

[endif]

三、操作過程

相關分析的數據條件：

條件寬松

偏相關分析案例：

題目：隨機抽取的山東省某學校的12名學生的IQ值、語文成績和數學成績。因為語文成績和數學成績都受IQ的影響，所以試用偏相關分析研究學生語文成績和數學成績的相關關系。

一、數據輸入

[if !vml]

[endif]

二、操作步驟 1、進入SPSS，打開相關數據文件，選擇「分析」|「相關」|「偏相關」命令2、選擇進行偏相關分析的變數和控制變數。在「偏相關性」對話框的左側列表框中，同時選中「語文成績」和「數學成績」進入「變數」列表框，然後選中IQ進入「控制」列表框。

[if !vml]

[endif]

3、設置顯著性檢驗的類型。在「顯著性檢驗」選項組中選中「雙尾」單選按鈕。

[if !supportLineBreakNewLine]

[endif]

4、選擇是否標記顯著性相關性，也就是是否在輸出結果中把有統計學意義的結果用「*」表示出來。這里我們選中「標記顯著性相關性」復選框。

[if !vml]

[endif]

5、選擇相關統計量的輸出和缺失值的處理方法。單擊「偏相關性」對話框中的「選項」按鈕。選中」統計」選項組中的「平均值和標准差」和「零階相關性」兩個復選框在「缺失值」選項組中選中「成對排除個案」單選按鈕。也就是說，如果我們在分析時遇到缺失值的情況就將缺失值排除在數據分析之外。設置完畢後，單擊「繼續」按鈕返回「偏相關性」對話框。

[if !supportLineBreakNewLine]

[endif]

[if !vml]

[endif]

6、其餘設置採用系統默認值即可。單擊「確定」按鈕，等待輸出結果。

[if !supportLineBreakNewLine]

[endif]

四、結果分析

1、描述性統計量表參與偏相關分析的兩個變數的樣本數都是12，語文成績的平均值是77.50，標准差是19.019，數學成績的平均值是76.17，標准差是22.811，IQ的平均值是98.33，標准差是22.960。[if !vml]

[endif]

2、偏相關分析結果表不控制IQ時語文成績和數學成績的相關系數為0.991，顯著性水平為0.000，小於0.01，控制IQ後語文成績和數學成績的相關系數為0.893，顯著性水平也為0.000，所以語文成績和數學成績的相關關系為正向且相關性很強。[if !vml]

[endif]

分析結論： 綜上所述，通過控制IQ，語文成績和數學成績的相關系數為0.893， 顯著性水平也為0.000遠遠小於0.01，拒絕原假設，語文成績和數學成績的相關關系為正向且相關性很強。

（獲取更多知識，前往gz號程式解說）

原文來自：https://mp.weixin.qq.com/s/g8ttH9LDunqKYTuFs_k7nw

8. SPSS常用的相關性分析方法解析（轉載）

相關性分析旨在分析兩組數據之間是否相互影響，彼此是否獨立的變動。SPSS內部提供了多種分析數據相關性的方法：卡方檢驗（Chi-SquareTest），Pearson相關系數計算，Spearman相關系數計算和Kendall的tau-b（K）相關系數計算。這四種分析方法適用於不同的數據類型，下面向大家介紹常用的SPSS相關性分析方法。

   1.卡方檢驗（Chi-SquareTest）

   卡方檢驗（Chi-SquareTest）是由Pearson提出的一種統計方法，在一定的置信水平和自由度下，通過比較卡方統計量和卡方分布函數概率值，判斷實際概率與期望概率是否吻合，進而分析兩個分類變數的相關性。

   卡方檢驗（Chi-SquareTest）適用於不服從正態分布的數據，兩組變數是無序的。使用SPSS進行卡方檢驗的操作方法，大家可以登錄SPSS中文網站進行學習，這里僅作原理性的介紹。如圖1是某種葯物單獨使用和葯物與放療同時使用時，治療是否有效的卡方檢驗結果。

圖1某地某種疾病發病人數統計

   個案處理摘要顯示了有效數據和無效數據的數量。VAR00001*VAR00002交叉表顯示各變數對應的頻數，VAR00001列1代表單獨使用葯物，2代表葯物與放療同時使用，VAR00002行1代表有療效的人數，2代表無療效的人數。

   行列變數為各為二組，自由度為（2-1）×（2-1）=1，Pearsonχ2值為22.475，顯著性數值為0.000小於0.05，有顯著性差異，不能接受無關假設，即單獨使用葯物與葯物放療同時進行有顯著性差異。

   2.Pearson相關系數計算

   Pearson相關系數用於評估兩組數據是否符合線性關系，不能用於符合曲線關系的數據，線性相關越強，Pearson相關系數就越接近1（線性遞增）或-1（線性遞減）。圖2為一組數據的線性相關性檢驗，可以看出，Peason相關系數0.984，表明兩者有較強的線性相關性，一般認為<0.3無相關性，0.3～0.7弱相關性，>0.7較強的相關性。

圖2Pearson檢驗結果

   3.Spearman相關系數計算

   Spearman相關系數適用於不滿足線性關系，且不滿足正態分布的數據，如圖3所示，實際這是兩組隨機產生的數據，用Spearman相關系數計算時，結果為0.257，<0.3無相關性，與Pearson相關系數類似，<0.3不相關，0.3～0.7為弱相關，>0.7為強相關。

圖3Spearman相關系數計算

   4.Kendall的tau-b（K）相關系數計算

   進行Kendall的tau-b（K）相關分析，需要滿足下列3個條件：

   1.兩個變數是有序分類變數；

   2.兩個變數相對應的研究對象是一定的。

   例如調查工資與學歷之間的關系，兩個變數學歷和收入都是等級變數，符合條件1；兩個變數均對應同一研究對象：一個區域內的所有工作的成年人。符合條件2。收入等級分別為1高收入，2中收入，3低收入，學歷等級分別為1高學歷，2中等學歷，3低學歷。結果分析如圖4所示。相關系數為0.480，有弱的相關性。

圖4Kendalltau-b系數計算

   對於不同種類的數據，應採用不同的統計方法進行相關性分析，SPSS內置了豐富的統計計算功能，可以充分滿足不同統計數據的使用需求。

9. spss分析方法-對應分析（轉載）

對應分析也稱關聯分析、R-Q型因子分析，通過分析由定性變數構成的交互匯總表來揭示變數間的聯系。對應分析法是在R型和Q型因子分析的基礎上發展起來的一種多元統計分析方法。 下面我們主要從下面四個方面來解說：

[if !supportLineBreakNewLine]

[endif]

實際應用

理論思想

建立模型

[if !supportLineBreakNewLine]

[endif]

分析結果

[if !supportLineBreakNewLine]

[endif]

一、實際應用

對應分析法 可以揭示同一變數的各個類別之間的差異，以及不同變數各個類別之間的對應關系 。當所涉及的 分類變數類別較多或者分類變數的個數較多 的時候，我們就需要用到對應分析。主要應用在市場細分、產品定位、地質研究以及計算機工程等領域中。原因在於，它是一種視覺化的數據分析方法，它能夠將幾組看不出任何聯系的數據，通過視覺上可以接受的定點陣圖展現出來。

[if !supportLineBreakNewLine]

[endif]

二、理論思想

由於指標型的因子分析和樣品型的因子分析反映的是一個整體的不同側面，因此它們之間一定存在內在的聯系。如果能夠有效利用這種內在聯系所提供的信息，對更全面合理地分析數據具有很大的幫助。在因子分析中，如果研究的對象是樣品，可採用Q型因子分析；如果研究的對象是變數，則需採用R型因子分析。但是，因為這兩種因子分析方法必須分別對樣品和變數進行處理，所以這兩種分析方法往往存在著相互對立的關系，為我們發現和尋找它們的內在聯系製造了困難。而對應分析通過一個過渡矩陣Z將兩者有機地結合了起來。 對應分析的基本思想是將一個聯列表的行和列中各元素的比例結構，以點的形式在較低維的空間中表示出來。 首先，給出指標變數點的協差陣A=Z，Z和樣品點的協差陣B=ZZ』，由於兩者有相同的非零特徵根，所以可以很方便地藉助指標型因子分析而得到樣品型因子分析的結論。如果對每組變數選擇前兩列因子載荷，那麼兩組變數就可以畫出兩個因子載荷的散點圖。由於這兩個圖所表示的載荷可以配對，於是就可以把這兩個因子載荷的兩個散點圖畫到同一張圖中，並以此來直觀地顯示各行變數和各列變數之間的關系。

[if !supportLineBreakNewLine]

[endif]

三、建立模型

[if !supportLineBreakNewLine]

[endif]

數據條件：

[if !supportLists]§ [endif]不能用於相關關系的假設檢驗

對應分析案例：

[if !supportLineBreakNewLine]

[endif]

題目：費希爾在1940年首次介紹列聯表資料時使用的是一份關於眼睛顏色與頭發顏色的調查研究數據。該研究數據包含了5387名蘇格蘭北部的凱斯納斯郡的小學生的眼睛顏色與頭發顏色，如下表所示。試用對應分析方法研究眼睛顏色與頭發顏色之間的對應關系。

一、數據輸入

二、操作步驟 1、進入SPSS，打開相關數據文件，因為本例中是以頻數格式錄入數據的（相同取值的觀測只錄入一次，另加一個頻數變數用於記錄該數值共出現了多少次），所以進入SPSS後，首先要對數據進行預處理，以頻數變數進行加權，從而將數據指定為該種格式。選擇「數據」|「個案加權」命令。首先在「個案加權」對話框的右側選中「個案加權系數」單選按鈕，然後在左側的列表框中選擇「頻數」進入「頻率變數」列表框。單擊「確定」按鈕，完成數據預處理。

2、選擇「分析」|「降維」|「對應分析」命令。先定義行變數及其取值范圍，即在「對應分析」對話框的左側選擇「眼睛顏色」進入右側的「行」列表框，然後單擊下方的「定義范圍」按鈕，在「最小值」中輸入「1」，「最大值」輸入「4」，單擊「更新」按鈕，最後單擊「繼續」按鈕返回「對應分析」對話框。利用同樣的方法定義列變數及其取值范圍。列變數選擇「頭發顏色」，設置「最小值」為「1」，「最大值」為「5」。

3、其餘設置採用系統默認值即可。單擊「確定」按鈕，等待輸出結果。

[if !supportLineBreakNewLine]

[endif]

四、結果分析

1、對應分析表下表是按照原始數據整理而成的行列表，反映的是眼睛顏色和頭發顏色不同組合下的實際樣本數。

2、對應分析摘要在下表中，第一列是維度，其個數等於變數的最小分類數減1，本例中的最小分類數是眼睛顏色的種類（為4類），所以維度是3；第2～5列分別表示奇異值、慣量、卡方值和顯著性；隨後的列給出了各個維度所能解釋的兩個變數關系的百分比，容易發現，前兩個維度就累計解釋了99.6%的信息。

3

、對應分析坐標值及貢獻值下表給出了行變數（眼睛顏色）和列變數（頭發顏色）在各個維度上的坐標值，以及各個類別對各維數的貢獻值。以本表上部分概述行點為例，對表中各列含義做一下簡要說明。 「 數量」列表示各種類別的構成比 ，如深色眼睛的人占總數的構成比例是0.244。 「維得分」列表示各類別在相關維數上的評分 ，首先給出的是默認提取的兩個維數上各類別的因子負荷值。 「慣量」列給出了總慣量（0.23）在行變數中的分解情況，數值越大表示該類別對慣量的貢獻越大。「點對維的慣量」表示在各個維數上，信息量在各類別間的分解狀況 ，本例中第一維數主要被深色、藍色、淺色所攜帶，也就是說這3個類別在第一維數上的區分比較好，第二維數主要被深色、棕色、藍色所攜帶，說明這3個類別在第二維數上的區分比較好。 「維對點的慣量」表示各類別的信息在各維數上的分布比例 ，本例中深色、藍色、淺色都主要分布在第一維數上，棕色主要分在第二維數上。 「總計」表示各維數的信息比例之和 ，可見紅色這一類別在前兩位中只提出了80.3%的信息，效果最差。

4、對應分析圖下表是對應分析圖，是對應分析中最主要的結果，從圖中可以看出兩個變數不同類別之間的關系。我們可以從兩個方面來閱讀本圖：一方面可以分別從橫坐標和縱坐標方向考察變數不同類別之間的稀疏，如果靠得近，則說明在該維數上這些類別之間差別不大；另一方面可以把平面劃分為以（0,0）為原點的4個象限，位於相同象限的不同變數的分類點之間的關聯較強。容易發現本例中：棕色頭發和棕色眼睛，深色頭發、黑色頭發和深色眼睛，金色頭發和藍色眼睛、淺色眼睛存在著比較強的聯系。

分析結論： 通過分析，我們可以知道：由結果分析1可知，眼睛顏色和頭發顏色在不同組合下的實際樣本數。由結果分析2可知，提取的前兩個維數累計就已解釋了99.6%的信息。由結果分析3可知，眼睛顏色和頭發顏色在各個維數上的坐標值，以及各個類別對各個維數的貢獻值。由結果分析4可知，棕色頭發和棕色眼睛，深色頭發、黑色頭發和深色眼睛，金色頭發和藍色眼睛、淺色眼睛存在著比較強的聯系。

（獲取更多知識，前往 gz 號程式解說）

原文來自 https://mp.weixin.qq.com/s/Bt4IzRvcDRAtHKUtmuO57w

10. spss常用的分析方法

SPSS基本常用分析方法總結
第一章均值比較檢驗與方差分析
在經濟社會問題的研究過程中，常常需要比較現象之間的一些指標有無顯著差異，特別當考察的樣本容量n比較大時，由隨機變數的中心極限定理知，樣本均值近似他服從正態分布、所以，均值的比較檢驗主要研究關於正態總體則均值有關的假設是否成立的問題。
本章主要內容：
1．單個總體均值的t檢驗(One-Sample T Test)；
2．兩個獨立總樣本均值的I檢驗(Independent- Samples T Test );
3．兩個有聯系總體均值的t檢驗(Paired-Samples T Test )；
4．單因素方差分析(0ne-Way ANOVA)；
5．雙因素方差分析(General Linear Model→Univariate)。
假設條件：研究的數據服從正態分布或近似地服從正態分布。
在Aanlyze菜單中，均值比較檢驗可以從菜單Compare Means 和General Linear Model得出。
第一節 單個總體均值的t檢驗(One-Sample T Test)
單個總體的t檢驗也稱為單一樣本的t檢驗，也就是檢驗單個變數的均值是否與假定的均值之間存在差異。將單個變數的樣本均值與假定的常數相比較，通過檢驗得出預先的假設是否正確的結論。
例2.1 根據2002年我國不同行業的工資水平，檢驗國有企業的職工平均年工資收入是否等於10000元，假設數據近似地服從止態分布。
首先建立假設：H0：國有企業工資為10000元。
H1：國有企業工資不等於10000元。

第二節 兩個總體的t檢驗 (Two-Samples T Test)
一、兩個獨立樣本的t檢驗 (Independent -Samples T Test)
Independent -Samples T Test是檢驗兩個沒有聯系的總體樣本均值間是否存在顯著的差異，兩個沒有聯系的總體樣也稱獨立樣本，如兩個無聯系的企業生產的同樣產品之間的某項指標的均值的比較，不同地區的兒童身高、體重的比較等，都可以通過抽取樣本檢驗兩個總體的均值是否存在顯著的差異。 例2. 2 某醫葯研究所考察—種葯品對男性和女性的治療效果是否有顯著差異，調查了10名男性服用者及7名女性服用者，對他們服葯後的各項指標進行綜合評分，服用的效果越好，分值就越高，每人所得的總分見表2-2，試根據表在一聲聲哀嚎聲中，數學老師帶著一摞試捲走了進來。

好像是因為冬天天冷，體育老師凍感冒了。

所以變成了兩節數學課，順便考個試。

數學老師名叫歐島，一個很富有數學氣息的名字，常年帶著一個黑框眼睛。

卷子陸續分發。

作為一個學渣，蘇牧無奈的拿出了數學參考資料，想碰碰運氣看能不能找到原題。

「叮！查看了數學題目，數學積分+1，當前積分1/100，等級：一級」

突然，從腦海中冒出來的聲音，將他嚇了一大跳，差點沒從凳子上滑落下來。

一旁的同桌顏小珂忍住沒有笑場。

歐島則是狠狠的瞪了蘇牧一眼。

「？？？…」

蘇牧瞪大了眼睛，有些不可置信。

「這是什麼鬼東西？這是系統？？居然真的有系統這種東西？」

蘇牧繼續翻動，又出現了同樣的聲響。

「叮！您查看了數學題目，數學積分+1，當前積分2/100，等級：一級」

他只是瞟了一眼，居然就增加了積分？

蘇牧覺得自己的腦子清明了些。

這些陌生的數學題目，似乎看起來也熟悉了幾分。

他越發的激動起來。

這些都是真正出現在他眼前的變化！

蘇牧翻書的動作越來越快，積分也越來越多，直到歐島走過來站到了他的面前，才反應過來迅速收了回去。

這個時候，他的積分已經達到了81/100。

他並沒有慌張，而是繼續將試卷上的題目查看了一遍。

終於，系統迎來了新的提示音。

「叮，您的數學積分已經足夠，等級：二級，當前積分0/1000！」

這一瞬間，蘇牧彷彿像醍醐灌頂一般，曾經那些陌生的數學題，彷彿變成了多年的好友！

他居然！

看懂了！

看懂了！！

居然看懂了！！

蘇牧的內心頓時內流滿面，頗有苦盡甘來的感覺。

彷彿是要檢驗自己的成果，蘇牧的心思完全沉寂在了試卷之中，這是一個學渣對於知識的渴望。

時間一點一滴的過去，就連蘇牧自己都沒有發現。

可惜的是，雖然他的數學已經達到了二級，但還是有些題目沒辦法運算出來。

「叮…..」

這一次不是系統的提示音，而是下課的鈴聲。

蘇牧真的是頭一次感受到了時間過的如此之快。

曾經漫長的兩個小時，現在居然還讓他有些意猶未盡。

這就是學霸的感覺嗎？他默默的想到。

這張試卷，蘇牧覺得自己應該是103分。

因為不會的題目他都空著。

而那些簡單一點的題目，蘇牧有一種迷之自信。

他得出的答案，一定是正確答案！

……

「我要好好學習了。」

強忍住內心的激動，蘇牧擺正了