SPSS分析方法报告

㈠ spss分析方法-缺失值分析

 

spss 分析方法 - 缺失值分析

缺失值可能会导致严重的问题。如果带有缺失值的个案与不带缺失值的个案有着根本的不同，则结果将被误导。此外，缺失的数据还可能降低所计算的统计量的精度，因为计算时的信息比原计划的信息要少。

另一个问题是， 很多统计过程背后的假设都基于完整的个案，而缺失值可能使所需的理论复杂化。

下面我们主要从下面四个方面来解说：

[if !supportLineBreakNewLine]

[endif]

实际应用

理论思想

建立模型

[if !supportLineBreakNewLine]

[endif]

分析结果

[if !supportLineBreakNewLine]

[endif]

一、实际应用

[if !supportLineBreakNewLine]

[endif]

众所周知，在诸如收入、交通事故等问题的研究中，因为被调查者拒绝回答或者由于调查研究中的损耗，会存在一些未回答的问题。

例如在一次人口调查中，15%的人没有回答收入情况，高收入者的回答率比中等收入者要低，或者在严重交通事故报告中，诸如是否使用安全带和酒精浓度等关键问题在很多个案中都没有记录，这些缺失的个案值便是缺失值。缺失值主要表现为以下3种： （1）完全随机缺失（Missing Completely At Random，MCAR），表示缺失和变量的取值无关。 例如，假设在研究年龄和收入的关系，如果缺失的数据和年龄或收入数值无关，则缺失值方式为MCAR。要评估MCAR是否为站得住脚的假设，可以通过比较回答者和未回答者的分布来评估观察数据。也可以使用单变量t-检验或Little's MCAR多变量检验来进行更正规的评估。如果MCAR假设为真，可以使用列表删除（listwise deletion）（完整个案分析），无须担心估计偏差，尽管可能会丧失一些有效性。如果MCAR不成立，列表删除、均值置换等逼近方法就可能不是好的选择。 （2）随机缺失（Missing At Random，MAR） ， 缺失分布中调查变量只依赖于数据组中有记录的变量。 继续上面的例子，考虑年龄全部被观察，而收入有时有缺失，如果收入缺失值仅依赖于年龄，缺失值就为MAR。 （3）非随机缺失。 这是研究者最不愿意看到的情形，数据的缺失不仅和其他变量的取值有关，也和自身有关。如果收入缺失值依赖于收入值，则既不是MCAR，也不是MAR。

[if !supportLineBreakNewLine]

[endif]

二、理论思想

SPSS主要对MCAR和MAR两种缺失值情况进行分析。

区别MCAR和MAR的含义在于：由于MCAR实际上很难遇到，应该在进行调查之前就考虑哪些重要变量可能会有非无效的未回答，还要尽量在调查中包括共变量，以便用这些变量来估算缺失值。

[if !supportLineBreakNewLine]

[endif]

针对不同情况的缺失值，SPSS操作给出了以下3种处理方法：

（ 1 ）删除缺失值， 这种方法适用于缺失值非常少的时候，它不需要专门的步骤，通常在相应的分析对话框的“选项”子对话框中进行设置。

（ 2 ）替换缺失值 ，利用“转换”菜单中的“替换缺失值”命令将所有的记录看成一个序列，然后采用某种指标对缺失值进行填充。

（ 3 ）缺失值分析过程 ，缺失值分析过程是SPSS专门针对缺失值分析而提供的模块。

缺失值分析过程有以下3个主要功能： （ 1 ）描述缺失值的模式。 通过缺失值分析的诊断报告，用户可以明确地知道缺失值所在位置及其出现的比例是多少，还可以推断缺失值是否为随机缺失等。 （ 2 ）利用列表法、成对法、回归法或 EM （期望最大化）法等为含缺失值的数据估算平均值、标准误差、协方差和相关性，成对法还可显示成对完整个案的计数。（ 3 ）使用回归法或 EM 法用估算值填充（插补）缺失值，以此提高统计结果的可信度。 缺失数据可以是分类数据或定量数据（刻度或连续），尽管如此，SPSS只能为定量变量估计统计数据并插补缺失数据。对于每个变量，必须将未编码为系统缺失值的缺失值定义为用户缺失值。舍尔判别法利用投影的方法使多维问题简化为一维问题来处理。其通过建立线性判别函数计算出各个观测量在各典型变量维度上的坐标并得出样本距离各个类中心的距离，以此作为分类依据。

[if !supportLineBreakNewLine]

[endif]

[if !supportLineBreakNewLine]

[endif]

三、建立模型

缺失值分析案例：

[if !supportLineBreakNewLine]

[endif]

题目：下表的某些人口统计数据值已被缺失值替换。该假设数据文件涉及某电信公司在减少客户群中的客户流失方面的举措，每个个案对应一个单独的客户，并记录各类人口统计和服务用途信息。下面将结合本数据文件详细说明如何得到数据文件的缺失值，从而认识SPSS的缺失值分析过程。

一、数据输入

二、操作步骤 1、进入SPSS，打开相关数据文件，“分析”|“缺失值分析”命令2、选择“婚姻状况[marital]”“受教育水平[ed]”“退休[retire]”及“性别[gender]”4个变量进入“分类变量”列表框；选择“服务月数[tenure]”“年龄[age]”“在现住址居住年数[address]”“家庭收入（千）[income]”“现职位工作年数[employ]”及“家庭人数[reside]”6个变量进入“定量变量”列表框。

3、在“缺失值分析”对话框中单击“模式”按钮，弹出“缺失值分析：模式”对话框，选中“显示”选项组中的“个案表（按缺失值模式分组）”复选框，从“以下对象的缺失模式”列表框中选中income、ed、retire和gender 4个变量进入“以下对象的附加信息”列表框中。

其他采用默认设置。设置完毕后，单击“继续”按钮，回到“缺失值分析”对话框。

4、单击“描述”按钮，弹出“缺失值分析：描述”对话框。选中“单变量统计”复选框及“指示符变量统计”选项组中的“使用由指示符变量构成的组执行t检验”和“生成分类变量和指示符变量的交叉表”复选框，其他采用默认设置。

5、勾选EM，其余设置采用系统默认值即可。单击“确定”按钮，等待输出结果。

[if !supportLineBreakNewLine]

[endif]

四、结果分析

1、单变量统计表下表给出了所有分析变量未缺失数据的频数、平均值和标准差，同时给出了缺失值的个数和百分比以及极值的统计信息。通过这些信息，我们可以初步了解数据的概貌特征，以employ一栏为例，employ变量的有效数据有904个，它们的平均值为11，标准差为10.113，缺失数据有96个，占数据总数的比例为9.6%，有15个极大值。

2、估算表下两个表使用EM法进行缺失值的估算后，总体数据的均值和标准差的变化情况，其中“所有值”为原始数据的统计特征，EM为使用EM法后总体数据的统计特征。

3

、独立方差t检验表独立方差t测试结果，用户可以从中找出影响其他定量变量的变量的缺失值模式， 即通过单个方差 t 统计量结果，检验缺失值是否为完全随机缺失。 可以看出，年龄大的人倾向于不报告收入水平，当收入值缺失时，age的均值是49.73，当收入值完整时，age的均值为40.01。通过income一栏的t统计量可以看出，income的缺失将明显影响其他定量变量，这就说明income的缺失不是完全随机缺失。

4、分类变量和定量变量交叉表以marital为例给出了分类变量与其他定量变量间的交叉表。该表给出了在不同婚姻情况下，各分类变量非缺失的个数和百分比，以及各种缺失值的个数和百分比，图中标识了系统缺失值的取值，以及各变量在不同婚姻情况中的分布情况。

5、表格模式输出结果下表给出了表格模式输出结果（缺失值样式表），它给出了缺失值分布的详细信息，X为使用该模式下缺失的变量。由图可以看出，所有显示的950个个案中，9个变量值都完整的个案数有475个，缺失income值的个案有109个，同时缺失address和income值的个案有16个，其他数据的解释类似。

6、EM估算统计表下面三个表给出了EM算法的相关统计量，包括EM平均值、协方差和相关性。从EM平均值输出结果中可知，age变量的平均值为41.91，从EM协方差输出结果中可知，age和tenture间的协方差值为135.326，从EM相关性输出结果中可知，age与tenture的相关系数为0.496。另外，从三个表格下方的 利特尔的MCAR检验可知，卡方检验的显着性值明显小于0.05，因此，我们拒绝了缺失值为完全随机缺失（MCAR）的假设 ，这也验证了3、独立方差t检验表所得到的结论。

[if !supportLineBreakNewLine]

[endif]

参考案例数据：

[if !supportLineBreakNewLine]

[endif]

[if !supportLists]【1】    [endif]spss统计分析从入门到精通 (第四版)  杨维忠,陈胜可,刘荣  清华大学出版社

（获取更多知识，前往gz号程式解说）

原文来自https://mp.weixin.qq.com/s/CsMIoA_vu8HJoPvW16oNFg

㈡ 如何用SPSS分析问卷

1、定义变量

打开SPSS后，进入变量设置可以看到变量名、变量类型、变量值的宽度等等，这些都是对变量进行细化定义的。我们可以把问卷中的一个问题理解为一个变量，那么一个答案也就与一个变量取值相对应。

2、录入数据

录入数据大体分为四种：即读取SPSS格式的数据;读取ESCEL表格数据;读取文本数据;读取相对应的数据库。录入数据的方法很简单，打开SPSS数据录入的窗口直接进行录入即可。

3、分析统计

录入数据后，就是进行数据分析了，但要选择分析方法，也就是说用什么分析统计过程，来获得正确的分析结果。此时，就要具体结合我们调查问卷的具体情况而定。SPSS分析方法主要有两种，一是作图分析法，特点是分析简单直观易懂;二是数值分析法，特点选择性强，分析结果细致。

4、保存结果

SPSS分析软件可以把多个分析结果保存在同一个窗口中——结果输出窗口。但一般情况下，我们需要把分析结果复制到分析报告中，而不在窗口内进行保存，而是只保存数据，因为这样我们随时可以根据数据，采取不同的分析法进行重新分析，也就会随时有不同的结果。

㈢ spss数据怎么分析

首先，要了解数据分析的一般流程是什么？

可以将一个完整的数据分析项目分为以下五个流程：

数据获取

外部数据主要有三种获取方式，一种是获取国内一些网站上公开的数据资料，例如国家统计局；一种是通过爬虫等工具获取网站上的数据。还有一种是通过企业内部的数据库，SPSS有丰富的数据库接口，可以便捷地从数据库中读取数据。

数据存储

对于数据量不大的项目，可以使用excel来处理数据，但对于数据量过万的项目，使用数据库来存储与管理会更高效便捷。SPSS也有自己的用作数据储存的数据格式，sav文件。用户可以将经过SPSS处理的数据保存为sav格式，同时也可以非常方便地将sav文件转换为其他数据格式文件。

数据预处理

数据预处理也称数据清洗。大多数情况下，我们拿到手的数据是格式不一致，存在异常值、缺失值等问题的，而不同项目数据预处理步骤的方法也不一样。数据分析有80%的工作都在处理数据，可见数据预处理在数据分析的重要性。

建模与分析

这一阶段首先要清楚数据的结构，结合项目需求来选取模型。

可视化分析

数据分析最后一步是撰写数据分析报告，一般包括数据可视化分析。

其次，掌握了数据分析的一般流程后，便要以SPSS为工具，根据以下流程对一个完整项目进行以下细分并掌握：

㈣ SPSS回归分析结果该怎么解释，越详细越好

对模型整体情况进行分析：包括模型拟合情况（R²），是否通过F检验等。

回归的检验首先看anova那个表，也就是F检验，那个表代表的是对你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05，说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以不报告。

分析X的显着性（P值），如果呈现出显着性，则说明X对Y有影响关系。如果不显着，则应剔除该变量。结合回归系数B值，对比分析X对Y的影响程度。B值为正数则说明X对Y有正向影响，为负数则说明有负向影响。

回归分析研究的主要问题是：

（1）确定Y与X间的定量关系表达式，这种表达式称为回归方程；

（2）对求得的回归方程的可信度进行检验；

（3）判断自变量X对因变量Y有无影响；

（4）利用所求得的回归方程进行预测和控制。

以上内容参考：网络-回归分析

㈤ spss数据分析报告的结论怎么写

数据处理是一个非常重要的环节，第一次分析的人很容易忽略这部分。

在数据收集完成后可以使用SPSSAU无效样本和异常值两个功能对数据无效性进行处理。

无效样本：SPSSAU提供两种设置：一种是完全相同数字超过一定比例时设置成无效样本。不认真填写者通常为了方便会选择相同的答案，一般以量表题选择相同数字超过70%作为标准。​另一种是缺失一定比例设为无效样本。

异常值：如果存在缺失数据或在异常值的判断标准上，可设置数字为null，即异常值处理。

常用的统计方法有：频数分析、描述分析、卡方分析、二元logit回归等。我们按照提纲依次进行分析即可。同时重点注意下表格格式，专业的调研报告(和论文一样)对格式有着严格的要求。建议统一修改表格格式，避免有遗漏。

涉及重点数据，比如占比非常高的选项，可以用不同颜色标出。

也可以适当添加图表的使用。一图胜万言，多用图表来呈现所想表达的内容，更有直观性。

spss数据分析报告通常是先描述分析结果，然后结合结果和背景信息进行总结。

如果内容较多，建议在每部分最后添加一小节作为总结部分，同时可以针对结论给出建议或解决方案等。最后别忘了添加附录。通常将调查问卷、统计结果等作为附件内容。方便读者查询。

㈥ spss回归分析结果解读

第一步：首先对模型整体情况进行分析

包括模型拟合情况（R²），是否通过F检验等。

第二步：分析X的显着性

分析X的显着性（P值），如果呈现出显着性，则说明X对Y有影响关系。如果不显着，则应剔除该变量。

第三步：判断X对Y的影响关系方向及影响程度

结合回归系数B值，对比分析X对Y的影响程度。B值为正数则说明X对Y有正向影响，为负数则说明有负向影响。

第四步：写出模型公式

第五步：对分析进行总结

SPSSAU也会提供智能分析建议，方便分析人员快速得出分析结果。

㈦ spss数据分析方法五种是什么

线性模型；点击分析，一般线性模型，单变量，设置因变量和固定因子，点击确定即可。图表分析。回归分析；点击分析，打开回归，设置自变量和因变量数据，点击确定即可。直方图分析。统计分析。

软件功能：

SPSS是世界上最早采用图形菜单驱动界面的统计软件，它最突出的特点就是操作界面极为友好，输出结果美观漂亮。它将几乎所有的功能都以统一、规范的界面展现出来，使用Windows的窗口方式展示各种管理和分析数据方法的功能，对话框展示出各种功能选择项。

用户只要掌握一定的Windows操作技能，精通统计分析原理，就可以使用该软件为特定的科研工作服务。SPSS采用类似EXCEL表格的方式输入与管理数据，数据接口较为通用，能方便的从其他数据库中读入数据。

其统计过程包括了常用的、较为成熟的统计过程，完全可以满足非统计专业人士的工作需要。输出结果十分美观，存储时则是专用的SPO格式，可以转存为HTML格式和文本格式。

㈧ 怎样用SPSS做调查问卷的分析

选择什么分析方法，主要依据研究数据的数据类型以及研究目标选择。

可以分为几个步骤：1）确定分析目标、2）判断数据类型、3）选择分析方法。

一、 确定分析目标

确定研究目标，即确定研究的思路，也就是你想研究什么，从哪些题中得到什么结果？

一般在开始分析前都需要先对自己的问卷确定一个大致的研究思路，这也是最重要的部分。

缺少思路，或者不知道从哪里开始入手，可以查看spssau关于问卷思路框架的总结。

㈨ 干货 | 利用SPSS进行高级统计分析第四期

Hello，

这里是 行上行下 ，我是 喵君姐姐 ~

本期就是SPSS高级统计教程的最后一期啦！在前三期中，我们分别介绍了：

(1) 描述性统计表格模板、卡方&T检验、相关&回归分析

(2) 中介、多重中介、链式中介、调节分析、有中介的调节分析

(3) 单因素方差分析、多因素方差分析、重复测量方差分析

在本期中，我们将为大家介绍 EFA、CFA分析 以及 结构方程模型 。

一、EFA【报告KMO、球形检验、提取方法、正/斜交、题目、解释变异量+画因子载荷表

1. Spss操作

一、EFA【报告KMO、球形检验、提取方法、正/斜交、题目、解释变异量+画因子载荷表

1. Spss操作

2.图表解读

2.1 KMO 和巴特利特检验

KMO: Keiser-Meyer-OlkinMeasure of sample adaquacy：探查观测变量间的偏相关性，比较简单相关系数和偏相关系数的大小，0-1之间

•KMO较小：变量不适合作因素分析

•0.9以上：非常好superb

•0.8以上：好great

•0.7：一般good

•0.6：差(0.5-0.7 mediocre)

•0.5以下：不能接受

Bartlett’s test of sphericity(球形检验)，一般相关矩阵中的相关系数必须显着高于0

•相关系数偏低：因素抽取不容易，主成分数量与原变量差不多

•用来检验相关矩阵是否单位矩阵（相关系数不同且大于0）

•显着的球形考验→ 相关系数足以作为因素分析抽取因素之用

反映像矩阵（anti-image），显示偏相关的大小，矩阵中若有多对系数偏高，则应放弃使用因素分析

2.1 公因子方差

2.3 总方差解释

总方差解释：特征根/特征值：所有变量的因素载荷平方和，针对给定因素的特定值。未旋转和旋转后特征根不同，要报告旋转后的。

2.4 碎石图

看拐点

2.5 正交-成分矩阵

2.6 正交-旋转后的成分矩阵【报这个】

2.7 正交-成分转换矩阵

成分转换矩阵

成分1234

1.635.585.443-.242

2.137-.167.488.846

3.758-.513-.403.008

4.067.605-.635.476

提取方法：主成分分析法。 

 旋转方法：凯撒正态化最大方差法。

2.8 斜交-成分矩阵（componentmatrix）

成分矩阵（componentmatrix）：公因子方差比/共同度=因素载荷平方和，针对每道题而言。旋转与否无差异。

2.9 模式矩阵【相关系数】【报这个

2.10 结构矩阵【回归系数】

2.11 成分相关性矩阵

算旋转θ角

成分相关性矩阵

成分1234

11.000-.153.360-.277

2-.1531.000-.193.093

3.360-.1931.000-.464

4-.277.093-.4641.000

提取方法：主成分分析法。 

 旋转方法：凯撒正态化斜交法。

3. 报告

使用SPSS软件对数据进行统计分析。首先，通过KMO和Bartletts球形检验分析发现，KMO值为0.93，Bartletts球形检验结果显着（近似卡方=19334.492，df=253，p<0.001），表明该问卷的项目适合做探索性因素分析。

然后，采用主成分分析法（principle component analysis）和直接斜交转轴法（direct oblimin）对23个题目进行因素分析。结果发现，旋转后有4个因素的特征根大于1，继续对结构矩阵中的条目进行查验发现，保证题目在因子上的载荷量大于0.3，且不存在双重载荷现象（在两个或多个因素上都有大于0.30的载荷，且两个载荷之间相差不足0.2）。

删除不符合要求的题目，保留20个题目（KMO值为0.92，Bartletts球形检验结果显着，近似卡方=16800.34，df=190，p<0.001），再次采用主成分分析法和直接斜交转轴法进行探索性因素分析，累计解释总变异达到了52.96%，具体题目载荷和共同度见表1。

二、CFA【报告卡方 、df、卡方 /df、CFI、RMSEA、GFI、AGFI+画图】

1. Lisrel操作

1.1 另存数据

1.2  Lisrel语法

DA NI=9 NO=428【DA NI=变量数 NO=被试数】

RAW=MIL.psf【RAW=数据文件是哪个？需要另存】

MO NX=9 NK=2【MO NX=题目数 NK=维度数】

FR LX 2 1 LX 4 1 LX 7 1 LX 8 1 LX 9 1 LX 1 2 LX 3 2 LX 5 2 LX 6 2 【哪个题目对应哪个维度？】

LK【命名维度】

MILP MLIS

PD【输出】

OU SS MI

或者

DA NI=20 NO=1321 【DA NI=变量数 NO=被试数】

RAW=RRESAQ.psf 【RAW=数据文件是哪个？需要另存】

MO NX=20 NK=5 【MO NX=题目数 NK=维度数】

PA LX 【哪个题目对应哪个维度？】

1(0,0,0,0,1)

1(0,1,0,0,0)

2(0,0,0,0,1)

2(1,0,0,0,0)

1(0,0,0,1,0)

1(0,1,0,0,0)

1(1,0,0,0,0)

1(0,0,0,1,0)

2(1,0,0,0,0)

1(0,0,0,0,1)

1(0,0,0,1,0)

1(1,0,0,0,0)

3(0,0,1,0,0)

2(0,1,0,0,0)

LK 【命名维度】

LX1 LX2 LX3 LX4 LX5

PD【输出】

OU SS MI

2. Lisrel输出

3. 报告参数

卡方/df < 5

Goodness of Fit Index （GFI）> 0.90

Root Mean Square Error of Approximation 平均残差（RMSEA）< 0.08

Comparative Fit Index (CFI) > 0.90

Adjusted Goodness of Fit Index (AGFI) >0.80

或者

Hu & Bentler(1999)【Hu, Li‐tze, & Bentler, P. M. . (1999). Cutoff criteria for fit indexes in covariance structure analysis: conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55.】

同时满足：CFI > 0.95；RMSEA < 0.05；卡方/df<3

使用LISREL8.7软件对生命意义感量表进行验证性因素分析。验证性因素分析结果表明，MLIP-MLIS两因子模型拟合良好（卡方=85.11，df=26，卡方/df=3.27，CFI=0.97，RMSEA=0.073，GFI=0.96，AGFI=0.93），所有因子载荷均大于0.30（如图1所示）。MILP和MILS相关系数为0.62，P<0.001，表明两因子模型具有良好的聚合效度和区分效度。

图 1验证性因素分析结果

三、结构方程模型

1. 原理

Stage 1-3 检验测量模型的理论：

Stage 1: 定义每个构念

Stage 2: 建立测量模型

Stage 3: 评价测量模型的效度

Stage 4-5 检验结构模型的理论：

Stage 4: 设定结构模型

Stage 5: 评价结构模型的效度

ξ： 外生潜变量（exogenous latent variables），他们的影响因素处于模型之外

η： 内生潜变量（endogenous latent variables），由模型内变量作用所影响的变量

X1X2X3： 外生潜变量的指标，外生指标（exogenous indicators）

δ： X的测量误差

Y1Y2Y3： 内生潜变量的指标，内生指标（endogenous indicators）

ε： Y的测量误差

φ（PH ）： ξ之间的相关，ξ因子的协方差(相关)

β（BE ）： η之间的相关，η因子对η因子的效应

γ（GA ）： ξ与η之间的相关，ξ因子对η因子的效应

ξ：  外源内隐变量

λ （LX）：  外源内隐变量与外显变量的相关系数，X指标在ξ因子的负荷

λ （LY）：  内源内隐变量与外显变量的相关系数，Y指标在η因子的负荷

θ δ（TD）： 外部指标误差的协方差矩阵，X指标误差间的关系(协方差)

θ ε（TE）： 内部指标误差的协方差矩阵，Y指标误差间的关系(协方差)

ζ（Zeta）： 方程的残差

ψ(PS)： η因子残差的协方差矩阵，η因子残差的协方差(相关)

矩阵一般设定方法

LX

LY

(a) 指标与因子有从属关系的：自由估计(FR)

(b)“固定负荷法”：每个因子选取一个负荷固定为“1”

PH(a) 非对角线元素：因子间互有相关→ 自由估计

(b) 对角线元素：“固定方差法”→ 固定为”1”；“固定负荷法”→ 自由估计

PS(a) 非对角线元素：η因子残差互有相关的位置，自由估计

(b) 对角线元素：自由估计

TD

TE

(a) 对角线的元素：自由估计

(b) 非对角线的元素：固定为“零”；有特殊情况，容许额外的对应相关

GA/BE因子对因子有效应的参数：自由估计

结构模型可以表达为以下方程式：

•y＝λyη+ε

•x=λXξ+δ

•η=βη+γξ+ζ

LISREL模型一共有八个基础参数矩阵需要在线性结构关系模型中估计λx, λy, γ，β，φ，Ψ，θδ，θε

•λx, λy 矩阵是因子负荷矩阵

•γ，β是结构路径系数矩阵

•φ是外生潜变量的方差协方差矩阵

•Ψ(PS)是结构方程残差项ζ的方差协方差矩阵

•θδ(TD)观测误差δ的方差协方差矩阵

•θε(TE)观测误差ε的方差协方差矩阵

前提：

1.ζ与ξ无相关

2.ε与η无相关

3.δ与ξ无相关

4.ζ，ε与δ彼此无相关

2. Lisrel语法

DA NI=6 NO=200

ROW=DATA

SE【选取里面用哪几个变量】

1 4 5 6/【斜杠要加，先写Y的指标，再写X的指标】

MO NX=3【X变量的因子数】 NK=1【几个x变量】 NY=1【Y变量的因子数】 NE=1【几个y变量】TE=Zero (default=DI，FR)【单因子的Y变量的测量误差（x为TE）】

FR【设定潜变量与显变量的关系】 LX 1 1 LX 2 1 LX 3 1 LY 1 1

LK【命名左边X】

MA【左边名字】

LE【命名右边Y】

AA【右边名字】

PD

OU AL

DA NI=6 NO=200

ROW=DATA

MO NX=3 NK=1 NY=3 NE=1

FR LX 1 1 LX 2 1 LX 3 1 LY 1 1 LY 2 1 LY 3 1

LK

MA

LE

AA

PD

OU AL

DA NI=6 NO=200

LA【对所有变量命名】

Y1 Y2 Y3 Z1 Z2 Z3 X1 X2 X3

ROW=DATA

MO NY=6 NE=2 NX=3 NK=1 BE=FU【两个Y之间有相关，或者写BE=SD，默认从上到下算1-2，1-3，2-3，无需写BE 2 1】

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 GA 1 1【第一个X指向第一个Y】 GA 2 1【第一个X指向第二个Y】 BE 2 1【算谁与谁之间的相关】

FI LX 1 1 LY 1 1 LY 4 2

VA 1 LX 1 1 LY 1 1 LY 4 2

LK【命名】

MA

LE【命名】

AA SC

PD

OU AL

DA NI=11 NO=200

LA【对所有变量命名】

FRU CON PREPRO1 PRO2 PRO3PRE1 PRE2 PRE3 EMO PHI

ROW=DATA

SE

4 5 67 8 9111 2 3

MO NY=7 NE=3 NX=3 NK=1 BE=FU【Y之间有相关】

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 GA 1 1【第一个X指向第一个Y】 GA 2 1【第一个X指向第二个Y】 GA 3 1【第1个X指向第三个Y】BE 3 1 BE 3 2【算谁与谁之间的相关】【x和y的显变量分开排序，均从1开始编码】

FI LX 1 1 LY 1 1 LY 4 2 LY 7 3

LK【命名】

STRESS

LE【命名】

PROACTIVE PREVENTIVE OUTCOME

PD

OU AD=OFF IT=2000 SS EF MI

DA NI=12 NO=166

LA

X1 X2 X3P11 P12 P13P21 P22 P23Y1 Y2 Y3

ROW=DATA

SE

4 5 67 8 910 11 121 2 3

MO NY=9 NE=3 NX=3 NK=1 BE=FU

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 LY 8 3 LY 9 3 GA 1 1 BE 2 1 BE 3 2

FI LX 1 1 LY 1 1 LY 4 2 LY 7 3

LK

YIXIANG

LE

XIAONENG XINGWEI JIAOLV

PD

OU AD=OFF IT=2000 SS EF MI

报错：发现我的数据那行填错了mmmmp

本期的内容就到此结束啦！本期我们介绍了 EFA、CFA分析，结构方程模型 ，感谢您对本系列的持续关注~

排版：华华

校对：喵君姐姐

㈩ spss数据分析方法有哪些

1、线性模型

点击分析，一般线性模型，单变量，设置因变量和固定因子，点击确定，在结果窗口中查看线性模型的具体构建情况。

2、图表分析

点击菜单栏图形打开旧对话框，选择一种图表类型，选择简单散点图，点击定义，设置XY轴的数据列，点击确定，在输出窗口中查看图表结果。

3、回归分析

点击分析，打开回归，设置自变量和因变量数据，点击确定，在输出窗口中查看回归分析的结果。

4、直方图分析

点击图形，打开旧对话框，点击直方图，选择某一列变量，点击确定，在结果窗口中查看数据的分布趋势。

5、统计分析

点击分析，打开描述统计，进入描述，选择要分析的数据列，点击确定即可在输出窗口中查看数据的整体情况。