如何確定spss分析方法

① 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

② spss的5種常用的統計學方法

spss數據分析的五種方法如下：

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是世界上最早的統計分析軟體，由美國斯坦福大學的三位研究生Norman H. Nie、C. Hadlai (Tex) Hull 和 Dale H. Bent於1968年研究開發成功，同時成立了SPSS公司，並於1975年成立法人組織、在芝加哥組建了SPSS總部。

2009年7月28日，IBM公司宣布將用12億美元現金收購統計分析軟體提供商SPSS公司。如今SPSS已出至版本22.0，而且更名為IBM SPSS。迄今，SPSS公司已有40餘年的成長歷史。

可以預見，該模塊的推出將會大大促進國內對復雜抽樣時統計推斷模型的正確應用。

③ spss的5種常用的統計學方法

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。

④ 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。

⑤ 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）

⑥ spss數據分析方法五種是什麼

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。

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。

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。

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。

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。

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。

⑦ spss分析方法-判別分析（轉載）

判別分析是在分組已知的情況下，根據已經確定分類的對象的某些觀測指標和所屬類別來判斷未知對象所屬類別的一種統計學方法。 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

判別分析最初應用於考古學, 例如要根據挖掘出來的人頭蓋骨的各種指標來判別其性別年齡等.。慢慢的成為一種常用的分類分析方法，其通過已知的分類情況，根據數據的特徵對其他研究對象進行預測歸類。

在實際生活中，判別分析也被廣泛用於預測事物的類別歸屬。

[if !supportLineBreakNewLine]

[endif]

企業營銷中，營銷人員可通過已有的客戶特徵數據（如消費金額、消費頻次、購物時長、購買產品種類等），預測當前的消費者屬於哪種類型的顧客（款式偏好型、偏重質量型、價格敏感型...），並根據其特點有針對性的採取有效的營銷手段。或是根據各成分含量指標，判斷白酒的品牌或水果的產地等。

除此以外，判別分析還可與聚類分析結合使用。比如，銀行的貸款部門想要在發放貸款之前，可通過此方法判斷申請人是否具有良好的信用風險。

[if !supportLineBreakNewLine]

[endif]

二、理論思想

判別分析首先需要對研究的對象進行分類，然後選擇若干對觀測對象能夠較全面描述的變數，接著按照一定的判別標准建立一個或多個判別函數，使用研究對象的大量資料確定判別函數中的待定系數來計算判別指標。對一個未確定類別的個案只要將其代入判別函數就可以判斷它屬於哪一類總體。

[if !supportLineBreakNewLine]

[endif]

常用的判別分析方法有距離判別法、費舍爾判別法和貝葉斯判別法。

[if !supportLineBreakNewLine]

[endif]

費舍爾判別法：

費舍爾判別法利用投影的方法使多維問題簡化為一維問題來處理。其通過建立線性判別函數計算出各個觀測量在各典型變數維度上的坐標並得出樣本距離各個類中心的距離，以此作為分類依據。

[if !supportLineBreakNewLine]

[endif]

貝葉斯判別法：

貝葉斯判別法通過計算待判定樣品屬於每個總體的條件概率並將樣本歸為條件概率最大的組。其主要思想如下：首先利用樣本所屬分類的先驗概率通過貝葉斯法則求出樣本所屬分類後驗概率，並依據該後驗概率分布作出統計推斷。

[if !supportLineBreakNewLine]

[endif]

距離判別法：

距離判別思想是根據各樣品與各母體之間的距離遠近作出判別的。其通過建立關於各母體的距離判別函數式，得出各樣品與各母體之間的距離值，判別樣品屬於距離值最小的那個母體。

[if !supportLineBreakNewLine]

[endif]

[if !supportLineBreakNewLine]

[endif]

三、建立模型

[if !supportLineBreakNewLine]

[endif]

一般判別分析法的思路：

首先建立判別函數；

然後通過已知所屬分類的觀測量確定判別函數中的待定系數；

最後通過該判別函數對未知分類的觀測量進行歸類。

逐步判別分析法的思路： 逐步判別分析分為兩步

首先根據自變數和因變數的相關性對自變數進行篩選，

然後使用選定的變數進行判別分析。

逐步判別分析是在判別分析的基礎上採用有進有出的辦法，把判別能力強的變數引入判別式的同時，將判別能力最差的變數別除。最終在判別式中只保留數量不多而判別能力強的變數。

數據條件：

[if !supportLists]§ [endif]用戶使用的分組變數必須含有有限數目的不同類別，且編碼為整數。名義自變數必須被重新編碼為啞元變數或對比變數。

[if !supportLists]§ [endif]個案獨立的

[if !supportLists]§ [endif]預測變數應有多變數正態分布，組內方差-協方差矩陣在組中應等同。

[if !supportLists]§ [endif]組成員身份假設為互斥的（不存在屬於多個組的個案），且全體為窮舉的（所有個案均是組成員）。如果組成員身份為真正的分類變數時，則此過程最有效；如果組成員身份基於連續變數的值（如高智商與低智商），則用戶需要考慮使用線性回歸以利用由連續變數本身提供的更為豐富的信息。

一般判別分析案例：

[if !supportLineBreakNewLine]

[endif]

題目：以下3種不同種類豇豆豆莢的質量、寬度和長度的統計表，每種類型都為20個樣本，共60個樣本。根據不同種類豇豆豆莢的特徵，建立鑒別不同種類豇豆的判別方程。

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」|「分類 」|「判別式」命令2、選擇進行判別分析的變數。在「判別分析」對話框的左側列表框中，選擇「類型」進入「分組變數」列表框。單擊「定義范圍」按鈕，在「最小值」和「最大值」中分別輸入1和3，單擊「繼續」按鈕返回「判別分析」對話框。分別選擇「質量」「寬度」「長度」3個變數進入「自變數」列表框，選中「使用步進法」單選按鈕。

[if !vml]

[endif]

3、設置判別分析的統計輸出結果。

單擊「判別分析」對話框中的「統計」按鈕。在「函數系數」選項組中，選中「費希爾」和「未標准化」復選框；在「矩陣」選項組中，選中「組內協方差」復選框。設置完畢後，單擊「繼續」按鈕返回「判別分析」對話框。

[if !vml]

[endif]

4、設置輸出到數據編輯窗口的結果。單擊「保存」按鈕，選中「預測組成員」復選框。

[if !vml]

[endif]

5、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、組統計量表可以看出，每一種豇豆豆莢的質量、寬度和長度的均值和標准差，也可以知道總樣本的均值和標准差。

[if !vml]

[endif]2、匯聚的組內矩陣表可以知道，各因素之間的協方差和相關系數。可以發現，各因素之間的相關性都較小，因此在判別方程中不需要剔除變數。

[if !vml]

[endif]

3

、輸入和刪除變數情況統計表可以知道，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。

[if !vml]

[endif]

4、典型判別方程的特徵值可以知道，特徵根數為2，其中第一個特徵根為77.318，能夠解釋所有變異的89.4%。

[if !vml]

[endif]

5、判別方程的有效性檢驗可以看出，顯著性均為0，因此兩個典型方程的判別能力都是顯著的。

[if !vml]

[endif]

6、標准化的典型判別方程可以知道，本例中的兩個標准化的典型判別方程表達式分別為：Y1=0.681*質量-0.674*寬度+0.612*長度Y2=0.363*質量+0.777*寬度+0.302*長度

[if !vml]

[endif]

7、未標准化的典型判別方程可以知道，本例中的兩個未標准化的典型判別方程表達式為：Y1=-11.528+0.210*質量-1.950*寬度+0.186*長度Y2=-15.935+0.112*質量+2.246*寬度+0.092*長度

[if !vml]

[endif]

8、貝葉斯的費希爾線性判別方程可以得到3個分類方程。在這里我們只寫出第一個分類方程。Y1=-90.708+2.557*質量+18.166*寬度+1.922*長度[if !vml]

[endif]9、判別分析在數據編輯窗口的輸出結果新產生的變數記錄是每一樣品的判別分類結果，可以看出，樣品判別分類結果與實際類別是一致的。

[if !vml]

[endif]

分析結論：

[if !supportLineBreakNewLine]

[endif]

通過判別分析可以知道，在本案例中，3種豇豆豆莢的樣品判別分類結果與實際類別是一致的。另外，我們可以得到不同的判別方程，分別包括標准化的典型判別方程、未標准化的典型判別方程和貝葉斯的費希爾線性判別方程，方程的表達式見上面的結果分析。

[if !supportLineBreakNewLine]

[endif]

參考案例數據：

[if !supportLineBreakNewLine]

[endif]

【1】spss統計分析與行業應用案例詳解(第四版)  楊維忠,張甜,王國平  清華大學出版社

（獲取更多知識，前往gz號程式解說）

原文來自https://mp.weixin.qq.com/s/Yapg-5jwMK6cITG_FZsfVA

⑧ 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

⑨ 怎麼用spss分析數據

1、選取在理論上有一定關系的兩個變數，如用X，Y表示，數據輸入到SPSS中。

⑩ spss分析方法-卡方檢驗

參數檢驗的前提是 關於總體分布的假設成立 ，但很多情況下我們無法獲得有關總體分布的相關信息。

非參數檢驗正是一類基於這種考慮，在總體方差未知或知道甚少的情況下，利用樣本數據對總體分布形態等進行推斷的方法。

卡方檢驗是一種用於 判斷樣本是否來自於特定分布的總體 的 非參數檢驗 方法，其根據樣本的頻數來推斷總體分布與理論分布是否有顯著差異。

下面我們主要從下面四個方面來解說：

實際應用

理論思想

操作過程

分析結果

一、實際應用

例如抽取某學校的學生的數據，推斷性別比例是否4：6；醫學家在研究心臟病人猝死人數與日期的關系時發現：一周之中，星期一心臟病人猝死者較多，其他日子則基本相當。當天的比例近似為2.8：1：1：1：1：1：1。現收集到心臟病人死亡日期的樣本數據，推斷其總體分布是否與上述理論分布相吻合。

二、理論思想

卡方檢驗方法可以根據樣本數據，推斷總體分布與期望分布或某一理論分布是否存在顯著差異，是一種吻合性檢驗，通常適於對有多項分類值的總體分布的分析。H0原假設是： 樣本來自的總體分布與期望分布或某一理論分布無差異 。

三、操作過程

卡方檢驗的數據條件：

條件寬松、對樣本數據要求較低、計算相對簡單

卡方檢驗案例：

題目：隨機抽取的100名山東省某地區新出生嬰兒的性別情況。試用卡方檢驗方法研究該地區新出生嬰兒的男女比例是否存在明顯的差別。

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」「|非參數檢驗」「|舊對話框」|「卡方」命令

2.選擇進行卡方檢驗的變數。在「卡方檢驗」對話框的左側列表框中，選擇「性別」進入「檢驗變數列表」列表框。

3.設置期望范圍和期望值。在「卡方檢驗」對話框內的「期望范圍」選項組中，選中「從數據中獲取」單選按鈕，也就是根據數據本身的最大值和最小值來確定檢驗值范圍；在「期望值」選項組中，選中「所有類別相等」單選按鈕，因為本例中各類別的構成比相同。

4.設定卡方檢驗的計算方法。單擊「卡方檢驗」對話框中的「精確」按鈕，選中「僅漸進法」單選按鈕，單擊「繼續」按鈕返回「卡方檢驗」對話框。

選擇相關統計量的輸出和缺失值的處理方法。

5.單擊「卡方檢驗」對話框中的「選項」按鈕，在「統計」選項組中選中「描述」復選框，也就是輸出變數的描述性統計量，包括平均值、標准差、最大值、最小值等；在「缺失值」選項組中選中「按檢驗排除個案」單選按鈕，即排除掉含有缺失值的記錄後再進行卡方檢驗。設置完畢後，單擊「繼續」按鈕返回「卡方檢驗」對話框。

6.其餘設置採用系統默認值即可。

7.單擊「確定」按鈕，等待輸出結果。

四、結果分析

1.   描述性統計量表接受檢驗的樣本共100個，樣本平均值是1.49，標准差是0.502，最小值是1，最大值是2。

2.  卡方檢驗頻數表參與檢驗的男性嬰兒共51個，女性嬰兒共49個，期望數都是50.0，殘差分別是1.0和-1.0。

3.   卡方檢驗統計量表卡方值是0.040，自由度是1，漸近顯著性水平為0.841，遠大於0.05，檢驗結果接受原假設。

分析結論：

綜上所述，通過卡方檢驗，該地區新出生嬰兒的男女比例沒有明顯的差別。

（獲取更多知識，前往前往我的wx ————公z號 （程式解說）

原文來自https://mp.weixin.qq.com/s/4HW9cWF96yG7GKre5OFNHQ