spss各分析方法的联系

1. spss分析方法（转载）

效度分析指尺度量表达到测量指标准确程度的分析。 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]

效度分析用于研究题是否有效地表达研究变量或维度的概念信息，通俗地讲，即研究题设计是否合理或题表示某个变量是否合适。通常情况下，效度分析只能分析量表题。

[if !supportLineBreakNewLine]

[endif]

二、理论思想

效度（Validity）即有效性，它是指测量工具或手段能够准确测出所需测量的事物的程度。效度分为三种类型。 内容效度（ Face Validity ）：

内容效度又称表面效度或逻辑效度，它是指所设计的题项能否代表所要测量的内容或主题。对内容效度常采用逻辑分析（专家法）与统计分析相结合的方法进行评价。

准则效度（ Criterion Validity ）：

准则效度又称为效标效度或预测效度。准则效度分析是根据已经得到确定的某种理论，选择一种指标或测量工具作为准则（效标），分析问卷题项与准则的联系，若二者相关显着，或者问卷题项对准则的不同取值、特性表现出显着差异，则为有效的题项。评价准则效度的方法是相关分析或差异显着性检验。在调查问卷的效度分析中，选择一个合适的准则往往十分困难，使这种方法的应用受到一定限制。

结构效度（ Construct Validity ）：

结构效度是指测量结果体现出来的某种结构与测值之间的对应程度。架构效度分析采用的方法是因子分析。有学者认为，效度分析最理想的方法是利用因子分析测量表或整个问卷的架构效度。因子分析的主要功能是从量表全部变量（题项）中提取一些公因子，各公因子分别与某一群特定变量高度关联，这些公因子即代表了量表的基本架构。透过因子分析可以考查问卷是否能够测量出研究者设计问卷时假设的某种架构。

在因子分析的结果中，用于评价架构效度的主要指标有 累积贡献率、共同度和因子负荷。累积贡献率反映公因子对量表或问卷的累积有效程度，共同度反映由公因子解释原变量的有效程度，因子负荷反映原变量与某个公因子的相关程度。 为了提升调查问卷的质量，进而提升整个研究的价值，问卷的信度和效度分析绝非赘疣蛇足，而是研究过程中必不可少的重要环节。

效度分析有多种方法，其测量结果反映效度的不同方面。 一般来说，学科测验主要看内容效度，心理测验主要看结构效度。

[if !supportLineBreakNewLine]

[endif]

三、建立模型

[if !supportLineBreakNewLine]

[endif]

效度分析评估步骤：

[if !supportLineBreakNewLine]

[endif]

第一：KMO系数，取值范围在0-1之间，越接近1说明问卷的结构效度越好。 

第二：巴特利球形检验的显着性，如果小于0.05，我们也可以认为问卷具有良好的结构效度。

第三：如果整体问卷有效，仍然需要进一步评估问题合理性，评估问题合理性需要借助成分矩阵。

效度分析案例1：

[if !supportLineBreakNewLine]

[endif]

题目：以下是一个医学生职业精神量表，该量表包括7个方面，29道题目，测试了不同专业的100名大学生，试对该量表进行信度分析。

一、数据输入

二、操作步骤 1、进入SPSS，打开相关数据文件，选择“分析”|“相关”|“双变量”命令2、选择进行信度分析的变量。在将V1—V29及总分放入变量框中，选择“皮尔逊”（Pearson）相关系数，点击“确定”即可。

3、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。

效度分析案例 2 ：

题目：以下某研究者在一项中学知识管理与学校效能关系的研究中，自编“学校知识管理量表”，此表共有19题，为探究量表的可信效度及题项的适切性，随机抽取200人进行测试，求此19题的结构效度如何？试对结构效度进行分析。

一、数据输入

二、操作步骤 1、进入SPSS，打开相关数据文件，选择“分析”|“降维”|“因子分析”命令2、选择进行信度分析的变量。在将c1—c19及总分放入变量框中。

3、点击“描述”，勾选“系数”和“KMO和巴特利特球形度检验”。

4、点击“提取”，选中基于特征值大于1。

5、点击“旋转”，勾选最大方差法与旋转后的解。

6、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

一、案例1分析如果量表的内容效度较高，则每题得分与总得分的相关性均应该较高，判定标准为r>0.4，本例V1—V29中，V4与总分的相关性r=0.362<0.4，V8与总分的相关性r=0.373<0.4，V8与总分的相关性r=0.364<0.4......以此类推，因此建议考虑删除V4，V8，V10.....。

二、案例2分析

1、KMO检验和巴特利特检验结果KMO=0.855>0.5，样本量足够，球形度检验，P=0.000<0.05，符合球形度检验。结合两项指标，本例适合进行因子分析

2、解释的总方差可以知道，第一步纳入的变量是质量，到第三步所有变量全部纳入，且从显着性值均为0可以看出，逐步判别没有剔除变量。

3、旋转后的成分矩阵旋转后成分矩阵，结果发现19道题目在结构上分成4类，其中c12自成1类，因此c12应该删除。

4、删除c12后的总方差解释和旋转后的成分矩阵结果可见旋转后成分矩阵正好落在3个成分之上，并且每个成分里面的题目设置符合设置预期。

（获取更多知识，前往gz号程式解说）

2. 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。

3. spss数据五种分析方法是什么

spss数据分析的五种方法：

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，点击确定即可。

2、图表分析。

3、回归分析，点击分析，打开回归，设置自变量和因变量数据，点击确定即可。

4、直方图分析。

5、统计分析。

SPSS（Statistical Proct and Service Solutions），是一款“统计产品与服务解决方案”软件。

软件产品特点：

操作简便：

界面非常友好，除了数据录入及部分命令程序等少数输入工作需要键盘键入外，大多数操作可通过鼠标拖曳、点击“菜单”、“按钮”和“对话框”来完成。

编程方便：

具有第四代语言的特点，告诉系统要做什么，无需告诉怎样做。只要了解统计分析的原理，无需通晓统计方法的各种算法，即可得到需要的统计分析结果。

对于常见的统计方法，SPSS的命令语句、子命令及选择项的选择绝大部分由“对话框”的操作完成。因此，用户无需花大量时间记忆大量的命令、过程、选择项。

功能强大：

具有完整的数据输入、编辑、统计分析、报表、图形制作等功能。自带11种类型136个函数。

SPSS提供了从简单的统计描述到复杂的多因素统计分析方法，比如数据的探索性分析、统计描述、列联表分析、二维相关、秩相关、偏相关、方差分析、非参数检验、多元回归、生存分析、协方差分析、判别分析、因子分析、聚类分析、非线性回归、Logistic回归等。

数据接口

能够读取及输出多种格式的文件。比如由dBASE、FoxBASE、FoxPRO产生的*.dbf文件，文本编辑器软件生成的ASCⅡ数据文件，Excel的*.xls文件等均可转换成可供分析的SPSS数据文件。能够把SPSS的图形转换为7种图形文件。结果可保存为*.txt及html格式的文件。

模块组合：

SPSS for Windows软件分为若干功能模块。用户可以根据自己的分析需要和计算机的实际配置情况灵活选择。

针对性强：

SPSS针对初学者、熟练者及精通者都比较适用。并且很多群体只需要掌握简单的操作分析，大多青睐于SPSS，像薛薇的《基于SPSS的数据分析》一书也较适用于初学者。而那些熟练或精通者也较喜欢SPSS，因为他们可以通过编程来实现更强大的功能。

4. 如何用spss分析选项与结果的联系

用什么分析方法，由数据确定
数据指的是阿拉伯数字，你要提供数据才能判断统计方法
而你现在说了一大堆话，全是中文，所以没法给你准确的回答

5. spss分析中，显着性差异分析和相关性分析的区别和联系

差异是指不同样本组的某个指标的差异，例如男生和女生的智力差异；相关分析是两个变量之间的关系，和样本分组无关，例如智力和学习成绩是否相关。（南心网SPSS心理学统计）

6. 简述spss相关分析的三大类方法及其逻辑关系,进一步详述各类分析方法包括的内容,特点及适用范围

Pearson针对连续性变量，Spearman和肯德尔相关分析属于等级相关。只要有一个变量是等级变量，就不能用Pearson相关分析方法，肯德尔往往用在多个评价者数据一致性的分析。（南心网SPSS与结构方程模型统计分析）

7. spss分析方法-相关分析（转载）

相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。

[if !supportLineBreakNewLine]

[endif]

相关分析是不考虑变量之间的因果关系而只研究分析变量之间的相关关系的一种统计分析方法，包括简单相关分析、偏相关分析、距离分析等。

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

操作过程

分析结果

[if !supportLineBreakNewLine]

[endif]

一、实际应用

[if !supportLineBreakNewLine]

[endif]

相关性不等于因果性，也不是简单的个性化，相关性所涵盖的范围和领域几乎覆盖了我们所见到的方方面面，相关性在不同的学科里面的定义也有很大的差异。

1、简单相关分析

[if !supportLineBreakNewLine]

[endif]

生活中常需要我们对 两个变量间的相关关系 进行分析，即通过计算两个变量之间的相关系数，是否显着相关作出判断。

2、偏相关分析相关分析通过计算两个变量之间的相关系数分析变量间线性相关的程度。在多元相关分析中，由于受到其他变量的影响，两变量相关系数只是从表面上反映了两个变量的性质，往往不能真实地反映变量间的线性相关程度，此时就需要用到偏相关分析，这时候就 需要把其他变量控制住，然后输出控制其他变量影响后的相关系数，得以从中剔除其他变量的线性影响 。3、距离分析偏相关分析通过控制一些被认为次要的变量的影响得到两个变量间的实际相关系数，但实际问题中，变量可能会多到无法一一关心的地步，每个变量都携带了一定的信息，但彼此又有所重叠，此时 最直接的方法就是将所有变量按照一定的标准进行分类，即进行聚类分析。

[if !supportLineBreakNewLine]

[endif]

[if !supportLineBreakNewLine]

[endif]

二、理论思想

相关分析研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向及相关程度，是研究随机变量之间相关关系的一种统计方法。

现象与现象之间的依存关系，从数量联系上看，可以分为两种不同的类型，即函数关系和相关关系。

[if !supportLineBreakNewLine]

[endif]

函数关系是从数量上反映现象间严格的依存关系，即当一个或几个变量取一定的值时，另一个变量有确定值与之相对应。相关关系是现象间不严格的依存关系，即各变量之间不存在确定性的关系。

[if !supportLineBreakNewLine]

[endif]

在相关关系中，当一个或几个相互联系的变量取一定数值时，与之相对应的另一变量值也相应发生变化，但其关系值不是固定的，往往按照某种规律在一定的范围内变化。

[if !supportLineBreakNewLine]

[endif]

回归方程的确定系数在一定程度上反映了两个变量之间关系的密切程度，并且确定系数的平方根就是相关系数。但确定系数一般是在拟合回归方程之后计算的，如果两个变量间的相关程度不高，拟合回归方程便没有意义， 因此相关分析往往在回归分析前进行。

[if !supportLineBreakNewLine]

[endif]

对不同类型的变量，相关系数的计算公式也不同。在相关分析中，常用的相关系数主要有皮尔逊简单相关系数、斯皮尔曼等级相关系数、肯德尔等级相关系数和偏相关系数。

[if !supportLineBreakNewLine]

[endif]

皮尔逊简单相关系数适用于等间隔测度，而斯皮尔曼等级相关系数和肯德尔等级相关系数都是非参测度。 一般用ρ和r分别表示总体相关系数和样本相关系数。

（1）皮尔逊简单相关系数简单相关系数r有如下性质：①-1≤r≤1，r绝对值越大，表明两个变量之间的相关程度越强。②0<r≤1，表明两个变量之间存在正相关。若r=1，则表明变量间存在着完全正相关的关系。③-1≤r<0，表明两个变量之间存在负相关。r=-1表明变量间存在着完全负相关的关系。④r=0，表明两个变量之间无线性相关。应该注意的是，简单相关系数所反映的并不是任何一种确定关系，而仅仅是线性关系。另外，相关系数所反映的线性关系并不一定是因果关系。（2）斯皮尔曼等级相关系数   

    等级相关用来考察两个变量中至少有一个为定序变量时的相关系数，例如，学历与收入之间的关系。（3）肯德尔等级相关系数   

   肯德尔等级相关系数利用变量等级计算一致对数目U和非一致对数目V，采用非参数检验的方法度量定序变量之间的线性相关关系 若p值小于显着性水平，则拒绝原假设，即认为两个变量之间的相关关系显着；否则，接受原假设，即认为变量之间不存在显着相关性。

[if !supportLineBreakNewLine]

[endif]

三、操作过程

相关分析的数据条件：

条件宽松

偏相关分析案例：

题目：随机抽取的山东省某学校的12名学生的IQ值、语文成绩和数学成绩。因为语文成绩和数学成绩都受IQ的影响，所以试用偏相关分析研究学生语文成绩和数学成绩的相关关系。

一、数据输入

[if !vml]

[endif]

二、操作步骤 1、进入SPSS，打开相关数据文件，选择“分析”|“相关”|“偏相关”命令2、选择进行偏相关分析的变量和控制变量。在“偏相关性”对话框的左侧列表框中，同时选中“语文成绩”和“数学成绩”进入“变量”列表框，然后选中IQ进入“控制”列表框。

[if !vml]

[endif]

3、设置显着性检验的类型。在“显着性检验”选项组中选中“双尾”单选按钮。

[if !supportLineBreakNewLine]

[endif]

4、选择是否标记显着性相关性，也就是是否在输出结果中把有统计学意义的结果用“*”表示出来。这里我们选中“标记显着性相关性”复选框。

[if !vml]

[endif]

5、选择相关统计量的输出和缺失值的处理方法。单击“偏相关性”对话框中的“选项”按钮。选中”统计”选项组中的“平均值和标准差”和“零阶相关性”两个复选框在“缺失值”选项组中选中“成对排除个案”单选按钮。也就是说，如果我们在分析时遇到缺失值的情况就将缺失值排除在数据分析之外。设置完毕后，单击“继续”按钮返回“偏相关性”对话框。

[if !supportLineBreakNewLine]

[endif]

[if !vml]

[endif]

6、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、描述性统计量表参与偏相关分析的两个变量的样本数都是12，语文成绩的平均值是77.50，标准差是19.019，数学成绩的平均值是76.17，标准差是22.811，IQ的平均值是98.33，标准差是22.960。[if !vml]

[endif]

2、偏相关分析结果表不控制IQ时语文成绩和数学成绩的相关系数为0.991，显着性水平为0.000，小于0.01，控制IQ后语文成绩和数学成绩的相关系数为0.893，显着性水平也为0.000，所以语文成绩和数学成绩的相关关系为正向且相关性很强。[if !vml]

[endif]

分析结论： 综上所述，通过控制IQ，语文成绩和数学成绩的相关系数为0.893， 显着性水平也为0.000远远小于0.01，拒绝原假设，语文成绩和数学成绩的相关关系为正向且相关性很强。

（获取更多知识，前往gz号程式解说）

原文来自：https://mp.weixin.qq.com/s/g8ttH9LDunqKYTuFs_k7nw

8. SPSS常用的相关性分析方法解析（转载）

相关性分析旨在分析两组数据之间是否相互影响，彼此是否独立的变动。SPSS内部提供了多种分析数据相关性的方法：卡方检验（Chi-SquareTest），Pearson相关系数计算，Spearman相关系数计算和Kendall的tau-b（K）相关系数计算。这四种分析方法适用于不同的数据类型，下面向大家介绍常用的SPSS相关性分析方法。

   1.卡方检验（Chi-SquareTest）

   卡方检验（Chi-SquareTest）是由Pearson提出的一种统计方法，在一定的置信水平和自由度下，通过比较卡方统计量和卡方分布函数概率值，判断实际概率与期望概率是否吻合，进而分析两个分类变量的相关性。

   卡方检验（Chi-SquareTest）适用于不服从正态分布的数据，两组变量是无序的。使用SPSS进行卡方检验的操作方法，大家可以登录SPSS中文网站进行学习，这里仅作原理性的介绍。如图1是某种药物单独使用和药物与放疗同时使用时，治疗是否有效的卡方检验结果。

图1某地某种疾病发病人数统计

   个案处理摘要显示了有效数据和无效数据的数量。VAR00001*VAR00002交叉表显示各变量对应的频数，VAR00001列1代表单独使用药物，2代表药物与放疗同时使用，VAR00002行1代表有疗效的人数，2代表无疗效的人数。

   行列变量为各为二组，自由度为（2-1）×（2-1）=1，Pearsonχ2值为22.475，显着性数值为0.000小于0.05，有显着性差异，不能接受无关假设，即单独使用药物与药物放疗同时进行有显着性差异。

   2.Pearson相关系数计算

   Pearson相关系数用于评估两组数据是否符合线性关系，不能用于符合曲线关系的数据，线性相关越强，Pearson相关系数就越接近1（线性递增）或-1（线性递减）。图2为一组数据的线性相关性检验，可以看出，Peason相关系数0.984，表明两者有较强的线性相关性，一般认为<0.3无相关性，0.3～0.7弱相关性，>0.7较强的相关性。

图2Pearson检验结果

   3.Spearman相关系数计算

   Spearman相关系数适用于不满足线性关系，且不满足正态分布的数据，如图3所示，实际这是两组随机产生的数据，用Spearman相关系数计算时，结果为0.257，<0.3无相关性，与Pearson相关系数类似，<0.3不相关，0.3～0.7为弱相关，>0.7为强相关。

图3Spearman相关系数计算

   4.Kendall的tau-b（K）相关系数计算

   进行Kendall的tau-b（K）相关分析，需要满足下列3个条件：

   1.两个变量是有序分类变量；

   2.两个变量相对应的研究对象是一定的。

   例如调查工资与学历之间的关系，两个变量学历和收入都是等级变量，符合条件1；两个变量均对应同一研究对象：一个区域内的所有工作的成年人。符合条件2。收入等级分别为1高收入，2中收入，3低收入，学历等级分别为1高学历，2中等学历，3低学历。结果分析如图4所示。相关系数为0.480，有弱的相关性。

图4Kendalltau-b系数计算

   对于不同种类的数据，应采用不同的统计方法进行相关性分析，SPSS内置了丰富的统计计算功能，可以充分满足不同统计数据的使用需求。

9. spss分析方法-对应分析（转载）

对应分析也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。对应分析法是在R型和Q型因子分析的基础上发展起来的一种多元统计分析方法。 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

对应分析法 可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系 。当所涉及的 分类变量类别较多或者分类变量的个数较多 的时候，我们就需要用到对应分析。主要应用在市场细分、产品定位、地质研究以及计算机工程等领域中。原因在于，它是一种视觉化的数据分析方法，它能够将几组看不出任何联系的数据，通过视觉上可以接受的定位图展现出来。

[if !supportLineBreakNewLine]

[endif]

二、理论思想

由于指标型的因子分析和样品型的因子分析反映的是一个整体的不同侧面，因此它们之间一定存在内在的联系。如果能够有效利用这种内在联系所提供的信息，对更全面合理地分析数据具有很大的帮助。在因子分析中，如果研究的对象是样品，可采用Q型因子分析；如果研究的对象是变量，则需采用R型因子分析。但是，因为这两种因子分析方法必须分别对样品和变量进行处理，所以这两种分析方法往往存在着相互对立的关系，为我们发现和寻找它们的内在联系制造了困难。而对应分析通过一个过渡矩阵Z将两者有机地结合了起来。 对应分析的基本思想是将一个联列表的行和列中各元素的比例结构，以点的形式在较低维的空间中表示出来。 首先，给出指标变量点的协差阵A=Z，Z和样品点的协差阵B=ZZ’，由于两者有相同的非零特征根，所以可以很方便地借助指标型因子分析而得到样品型因子分析的结论。如果对每组变量选择前两列因子载荷，那么两组变量就可以画出两个因子载荷的散点图。由于这两个图所表示的载荷可以配对，于是就可以把这两个因子载荷的两个散点图画到同一张图中，并以此来直观地显示各行变量和各列变量之间的关系。

[if !supportLineBreakNewLine]

[endif]

三、建立模型

[if !supportLineBreakNewLine]

[endif]

数据条件：

[if !supportLists]§ [endif]不能用于相关关系的假设检验

对应分析案例：

[if !supportLineBreakNewLine]

[endif]

题目：费希尔在1940年首次介绍列联表资料时使用的是一份关于眼睛颜色与头发颜色的调查研究数据。该研究数据包含了5387名苏格兰北部的凯斯纳斯郡的小学生的眼睛颜色与头发颜色，如下表所示。试用对应分析方法研究眼睛颜色与头发颜色之间的对应关系。

一、数据输入

二、操作步骤 1、进入SPSS，打开相关数据文件，因为本例中是以频数格式录入数据的（相同取值的观测只录入一次，另加一个频数变量用于记录该数值共出现了多少次），所以进入SPSS后，首先要对数据进行预处理，以频数变量进行加权，从而将数据指定为该种格式。选择“数据”|“个案加权”命令。首先在“个案加权”对话框的右侧选中“个案加权系数”单选按钮，然后在左侧的列表框中选择“频数”进入“频率变量”列表框。单击“确定”按钮，完成数据预处理。

2、选择“分析”|“降维”|“对应分析”命令。先定义行变量及其取值范围，即在“对应分析”对话框的左侧选择“眼睛颜色”进入右侧的“行”列表框，然后单击下方的“定义范围”按钮，在“最小值”中输入“1”，“最大值”输入“4”，单击“更新”按钮，最后单击“继续”按钮返回“对应分析”对话框。利用同样的方法定义列变量及其取值范围。列变量选择“头发颜色”，设置“最小值”为“1”，“最大值”为“5”。

3、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、对应分析表下表是按照原始数据整理而成的行列表，反映的是眼睛颜色和头发颜色不同组合下的实际样本数。

2、对应分析摘要在下表中，第一列是维度，其个数等于变量的最小分类数减1，本例中的最小分类数是眼睛颜色的种类（为4类），所以维度是3；第2～5列分别表示奇异值、惯量、卡方值和显着性；随后的列给出了各个维度所能解释的两个变量关系的百分比，容易发现，前两个维度就累计解释了99.6%的信息。

3

、对应分析坐标值及贡献值下表给出了行变量（眼睛颜色）和列变量（头发颜色）在各个维度上的坐标值，以及各个类别对各维数的贡献值。以本表上部分概述行点为例，对表中各列含义做一下简要说明。 “ 数量”列表示各种类别的构成比 ，如深色眼睛的人占总数的构成比例是0.244。 “维得分”列表示各类别在相关维数上的评分 ，首先给出的是默认提取的两个维数上各类别的因子负荷值。 “惯量”列给出了总惯量（0.23）在行变量中的分解情况，数值越大表示该类别对惯量的贡献越大。“点对维的惯量”表示在各个维数上，信息量在各类别间的分解状况 ，本例中第一维数主要被深色、蓝色、浅色所携带，也就是说这3个类别在第一维数上的区分比较好，第二维数主要被深色、棕色、蓝色所携带，说明这3个类别在第二维数上的区分比较好。 “维对点的惯量”表示各类别的信息在各维数上的分布比例 ，本例中深色、蓝色、浅色都主要分布在第一维数上，棕色主要分在第二维数上。 “总计”表示各维数的信息比例之和 ，可见红色这一类别在前两位中只提出了80.3%的信息，效果最差。

4、对应分析图下表是对应分析图，是对应分析中最主要的结果，从图中可以看出两个变量不同类别之间的关系。我们可以从两个方面来阅读本图：一方面可以分别从横坐标和纵坐标方向考察变量不同类别之间的稀疏，如果靠得近，则说明在该维数上这些类别之间差别不大；另一方面可以把平面划分为以（0,0）为原点的4个象限，位于相同象限的不同变量的分类点之间的关联较强。容易发现本例中：棕色头发和棕色眼睛，深色头发、黑色头发和深色眼睛，金色头发和蓝色眼睛、浅色眼睛存在着比较强的联系。

分析结论： 通过分析，我们可以知道：由结果分析1可知，眼睛颜色和头发颜色在不同组合下的实际样本数。由结果分析2可知，提取的前两个维数累计就已解释了99.6%的信息。由结果分析3可知，眼睛颜色和头发颜色在各个维数上的坐标值，以及各个类别对各个维数的贡献值。由结果分析4可知，棕色头发和棕色眼睛，深色头发、黑色头发和深色眼睛，金色头发和蓝色眼睛、浅色眼睛存在着比较强的联系。

（获取更多知识，前往 gz 号程式解说）

原文来自 https://mp.weixin.qq.com/s/Bt4IzRvcDRAtHKUtmuO57w

10. spss常用的分析方法

SPSS基本常用分析方法总结
第一章均值比较检验与方差分析
在经济社会问题的研究过程中，常常需要比较现象之间的一些指标有无显着差异，特别当考察的样本容量n比较大时，由随机变量的中心极限定理知，样本均值近似他服从正态分布、所以，均值的比较检验主要研究关于正态总体则均值有关的假设是否成立的问题。
本章主要内容：
1．单个总体均值的t检验(One-Sample T Test)；
2．两个独立总样本均值的I检验(Independent- Samples T Test );
3．两个有联系总体均值的t检验(Paired-Samples T Test )；
4．单因素方差分析(0ne-Way ANOVA)；
5．双因素方差分析(General Linear Model→Univariate)。
假设条件：研究的数据服从正态分布或近似地服从正态分布。
在Aanlyze菜单中，均值比较检验可以从菜单Compare Means 和General Linear Model得出。
第一节 单个总体均值的t检验(One-Sample T Test)
单个总体的t检验也称为单一样本的t检验，也就是检验单个变量的均值是否与假定的均值之间存在差异。将单个变量的样本均值与假定的常数相比较，通过检验得出预先的假设是否正确的结论。
例2.1 根据2002年我国不同行业的工资水平，检验国有企业的职工平均年工资收入是否等于10000元，假设数据近似地服从止态分布。
首先建立假设：H0：国有企业工资为10000元。
H1：国有企业工资不等于10000元。

第二节 两个总体的t检验 (Two-Samples T Test)
一、两个独立样本的t检验 (Independent -Samples T Test)
Independent -Samples T Test是检验两个没有联系的总体样本均值间是否存在显着的差异，两个没有联系的总体样也称独立样本，如两个无联系的企业生产的同样产品之间的某项指标的均值的比较，不同地区的儿童身高、体重的比较等，都可以通过抽取样本检验两个总体的均值是否存在显着的差异。 例2. 2 某医药研究所考察—种药品对男性和女性的治疗效果是否有显着差异，调查了10名男性服用者及7名女性服用者，对他们服药后的各项指标进行综合评分，服用的效果越好，分值就越高，每人所得的总分见表2-2，试根据表在一声声哀嚎声中，数学老师带着一摞试卷走了进来。

好像是因为冬天天冷，体育老师冻感冒了。

所以变成了两节数学课，顺便考个试。

数学老师名叫欧岛，一个很富有数学气息的名字，常年带着一个黑框眼睛。

卷子陆续分发。

作为一个学渣，苏牧无奈的拿出了数学参考资料，想碰碰运气看能不能找到原题。

“叮！查看了数学题目，数学积分+1，当前积分1/100，等级：一级”

突然，从脑海中冒出来的声音，将他吓了一大跳，差点没从凳子上滑落下来。

一旁的同桌颜小珂忍住没有笑场。

欧岛则是狠狠的瞪了苏牧一眼。

“？？？…”

苏牧瞪大了眼睛，有些不可置信。

“这是什么鬼东西？这是系统？？居然真的有系统这种东西？”

苏牧继续翻动，又出现了同样的声响。

“叮！您查看了数学题目，数学积分+1，当前积分2/100，等级：一级”

他只是瞟了一眼，居然就增加了积分？

苏牧觉得自己的脑子清明了些。

这些陌生的数学题目，似乎看起来也熟悉了几分。

他越发的激动起来。

这些都是真正出现在他眼前的变化！

苏牧翻书的动作越来越快，积分也越来越多，直到欧岛走过来站到了他的面前，才反应过来迅速收了回去。

这个时候，他的积分已经达到了81/100。

他并没有慌张，而是继续将试卷上的题目查看了一遍。

终于，系统迎来了新的提示音。

“叮，您的数学积分已经足够，等级：二级，当前积分0/1000！”

这一瞬间，苏牧仿佛像醍醐灌顶一般，曾经那些陌生的数学题，仿佛变成了多年的好友！

他居然！

看懂了！

看懂了！！

居然看懂了！！

苏牧的内心顿时内流满面，颇有苦尽甘来的感觉。

仿佛是要检验自己的成果，苏牧的心思完全沉寂在了试卷之中，这是一个学渣对于知识的渴望。

时间一点一滴的过去，就连苏牧自己都没有发现。

可惜的是，虽然他的数学已经达到了二级，但还是有些题目没办法运算出来。

“叮…..”

这一次不是系统的提示音，而是下课的铃声。

苏牧真的是头一次感受到了时间过的如此之快。

曾经漫长的两个小时，现在居然还让他有些意犹未尽。

这就是学霸的感觉吗？他默默的想到。

这张试卷，苏牧觉得自己应该是103分。

因为不会的题目他都空着。

而那些简单一点的题目，苏牧有一种迷之自信。

他得出的答案，一定是正确答案！

……

“我要好好学习了。”

强忍住内心的激动，苏牧摆正了