SPSS分析数据学习笔记
文章目录
- 数据处理
- 相关系数
- 皮尔逊/斯皮尔曼
- 肯德尔
- 相关性检验
- T检验
- F检验（方差分析）
- T检验和方差分析
- 卡方检验
数据处理
- 名称：
可以在变量视图->标签中加上备注。 - 值：
在变量视图->值标签中加上备注。 - 若变量中对缺失值赋值了，那么可以在
变量视图->缺失中标注。缺失值默认小于所有变量。 - 对变量排序：
数据->个案排序。排序依据中优先级自上而下。 - 将一部分变量过滤在外不参与计算：
数据->选择个案->如果条件满足。被过滤掉的个案前面会有被划掉的标志。 - 汇总数据：
要计算某一个群体的数据指标。在数据->汇总中访问。
分界变量放置用于分组的变量。
汇总变量是要计算的量或者函数。 - 转换变量：
转换->计算变量或转换->编码为不同变量。 - 选择性保存某几个变量：
保存中勾选变量可以进行选择。 - 计算变量的平均值，标准差以及Z标准化值：
分析->描述统计->描述勾选将标准化值另存为变量。 - 对变量分析百分位数、频次、作图：
分析->描述统计->频率。 - 计算排名：
转换->个案排秩
依据是以其他变量作为参照的，比如通过语文成绩来排序外语成绩。
如果只是单纯计算排名只需要填入变量项。 - 对变量设置权值：
数据->个案加权
相关系数
两个变量之间是线性关系，那么皮尔逊相关系数绝对值大就是相关性强。
如果不知道是什么关系的情况下，即使算出相关系数，也不能说明他们相关，一定要画出散点图来看（图形->散点图）。
- pearson（积差）：两个连续变量间呈线性相关、正态分布。
- spearman：利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，比皮尔逊适用范围更广。当不符合皮尔逊条件时一般使用斯皮尔曼相关。
- kendall：等级相关系数，适用于两个变量均为有序分类的情况。
分类变量可以理解成有类别的变量，可以分为：
无序的。比如性别（男、女）、血型（A、B、O、AB）。
有序的。比如肥胖等级（重度肥胖，中度肥胖、轻度肥胖、不肥胖）。
通常需要求相关性系数的都是有序分类变量。
注：
肯德尔等级相关适用于k个评价者（或1个评价者先后k次）对n件事物进行等级评定的顺序数据，用于量化k个评价者（或1个评价者先后k次评价）之间的一致性；斯皮尔曼相关适用于计算两列等级数据或者不符合积差相关计算条件的两列连续数据之间的相关。
皮尔逊/斯皮尔曼
分析->相关->双变量
肯德尔
分析->非参数检验->旧对话框->k个相关样本勾选肯德尔。
结果：
肯德尔和谐系数教程
Pearson相关系数大小评判标准：∣r∣≥0.8|r|\geq0.8∣r∣≥0.8为高度相关，0.5≤∣r∣<0.80.5\leq|r|<0.80.5≤∣r∣<0.8为中度相关，0.3≤∣r∣<0.50.3\le|r|<0.50.3≤∣r∣<0.5为低度相关，∣r∣<0.3|r|<0.3∣r∣<0.3为弱相关。
肯德尔和谐系数：当评分者完全无序、不一致时，W=0。当评分者完全一致，W=1。W越接近1，评分者之间一致性越高。
相关性检验
T检验
进入：分析->比较平均值。
- 单样本T
判断单个样本数据与某个值。
- 独立样本T
自定义分组。
莱文方差显著性<0.05，看不等方差。反之看等方差。
- 成对样本T
两组，且两组人数相同（数据组数相同）。
若数据组数不同考虑独立样本T检验引入分组变量。
结论：两组的差异极其显著。t9=4.28,p=0.002t_9=4.28,p=0.002t9=4.28,p=0.002。
F检验（方差分析）
- 单因子方差分析
分析->比较平均值->单因素ANOVA。选项中选择方差齐性检验。选择事后检验LDS/Turkey。
事后检验：方差齐的时候进一步检验。检验组内水平之间的差异。
因子：分类的标准。
因变量：需要检测的变量。
结果：
带*的：差异显著。
在同一列的：差异显著，反之不显著。
报告结果：三种职业工资有显著差异。F（2，471）=431.481，p<0.001.
事后检验结果表明：Manager和Custodial、Clerical有显著差距。Clearical和Custodial没有显著差距。
- 多因子方差分析
多因子分析用来研究两个或两个以上因素能否对指标产生显著影响（多个因子对结果的影响），进而找到利于指标的最优组合。在多因子方差分析中，以双因子的方差分析最常用。例如：研究不同种类、不同量的化肥对农作物的影响；分析不同品牌和不同地区对一种商品销售量是否影响等。
多因子方差分析可分为无交互作用和有交互作用两种:
一个因子水平下的指标好坏及程度不受另一个因子不同水平的影响，则称两因子之间无交互作用，要分别判断每个因子对指标的影响。
一个因子水平下的指标好坏及程度与另一个因子取什么水平有关，则称两因子之间有交互作用，记作A×B。此时除了要分别考虑每个因子对指标的影响外，还要考虑两个因子的搭配对指标产生新的效应。
因变量：一个。
因子：一个或多个。
固定因子：若目前该因子已经包含了所有想研究的范围。
随机因子：想进一步推广。
无交互作用：
分析->一般线性模型->单变量进入模型，选择“定制”，选入因子。
有交互作用：
分析->一般线性模型->单变量进入模型，选择全因子。
注：截距项可不算。
选项中勾选方差齐性检验、E、B。
结果报告：（以minority和jobcat对salary的影响为例）
主体间效应检验：看显著性
T检验和方差分析
- T检验只能分析两个类别的数据，而方差分析可分析三组及三组以上的数据。
- 方差分析和T检验都要求各组样本均数服从正态分布，各样本方差齐。
卡方检验
卡方检验是非参数检验的一种。
参数检验是在总体分布形式已知的情况下，对总体分布的参数如均值、方差等进行推断的方法。但是，在数据分析过程中，由于种种原因，人们往往无法对总体分布形态作简单假定，此时参数检验的方法就不再适用了。非参数检验正是一类基于这种考虑，在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法。由于非参数检验方法在推断过程中不涉及有关总体分布的参数，因而得名为“非参数”检验。
进入：分析->非参数检验->旧对话框->卡方
- 交叉表卡方检验
分析->描述统计->交叉表统计勾选卡方。
结果描述：
卡方2=79.277p<0.05卡方_2=79.277\\ p<0.05 卡方2=79.277p<0.05
存在显著差异。
SPSS分析数据学习笔记相关推荐
- 使用Excel分析数据学习笔记之 二分类与混淆矩阵
使用Excel分析数据学习笔记之 二分类与混淆矩阵 混淆矩阵的构成: e.g.1:Bombers and seagulls 案例背景 混淆矩阵 如何根据混淆矩阵得到ROC曲线? 如何设定最佳阈值(op ...
- 大数据学习笔记：Hadoop生态系统
文章目录 一.Hadoop是什么 二.Hadoop生态系统图 三.Hadoop生态圈常用组件 (一)Hadoop (二)HDFS (三)MapReduce (四)Hive (五)Hbase (六)Zo ...
- Hadoop 大数据学习笔记
Hadoop 大数据学习笔记1 大数据部门组织架构 Hadoop Hadoop是什么 Hadoop的优势 Hadoop的组成 HDFS架构 YARN架构 MapReduce 大数据技术生态体系![在这 ...
- 逆向脱壳破解分析基础学习笔记七 堆栈图（重点）
本文为本人 大神论坛 逆向破解脱壳学习笔记之一,为本人对以往所学的回顾和总结,可能会有谬误之处,欢迎大家指出. 陆续将不断有笔记放出,希望能对想要入门的萌新有所帮助,一起进步 堆栈图 首先给定一段反汇 ...
- 大数据学习笔记（一）
大数据学习笔记(一)大数据概论 大数据是什么 1大数据概念:(big data ) : 指无法在一定时间内用常规软件工具进行捕捉.管理和处理数据集合,是需要新处理模式才能具有更强的决策力.洞察发现力和 ...
- 医学论文用SPSS分析数据如何选择方法，医学数据如何录入到SPSS分析统计软件！
听说很多小伙伴医学毕业论文卡在了数据分析上,听到SPSS分析就找不着北了,所以导致论文迟迟没有进展. 可医学论文需要数据来论证观点,每当此时,都会从各种途径寻找数据,如果实在找不到的话就会用一个问卷形 ...
- 大数据学习笔记第1课 Hadoop基础理论与集群搭建
大数据学习笔记第1课 Hadoop基础理论与集群搭建 一.环境准备 二.下载JDK 三.安装JDK 四.下载hadoop 五.安装hadoop集群 六.打通3台服务器的免密登录 七.hadoop集群配 ...
- Asp.Net 中Report Service (RDLC)动态绑定数据-学习笔记
Asp.Net 中Report Service (RDLC)动态绑定数据-学习笔记 1)托拽ReportViewer控件到aspx页面,此时,系统会自动添加相关引用,修改Web.config设置: 2 ...
- 好程序员教程分析Vue学习笔记五
好程序员教程分析Vue学习笔记五,上次我们学习了Vue的组件,这次我们来学习一下路由的使用.在Vue中,所谓的路由其实跟其他的框架中的路由的概念差不多,即指跳转的路径. 注意:在Vue中,要使用路由, ...
- 问卷与量表数据分析（SPSS+AMOS）学习笔记（七） ： 多选题的频率、交叉分析及卡方检验
课程链接:<问卷与量表数据分析(SPSS+AMOS)> 笔记中的数据皆来自课程自带资料. 目录 1. 多选题的两种定义方法 1.1 定义多重响应集的步骤--二分类 1.2 定义多重响应集 ...
最新文章
- 示波器探头使用注意事项,示波器探头的选择
- linux 找出耗io的,linux根据io消耗找进程
- Vue+Openlayer使用Draw实现交互式绘制多边形并获取面积
- matlab 计算误码率,关于误码率的问题 急！！！！！
- 【XAudio2】5.如何初始化 XAudio2
- centos8启动docker-mysql8容器
- 一体化住户调查_曲麻莱县2020年城乡一体化住户调查表彰会暨年报部署会
- 201521123062《Java程序设计》第10周学习总结
- 排列（permutation）的末尾 0 的个数
- struts 1.x 原理
- 扫地机器人湿地_黑五好价 美亚直邮 iRobot Braava 380t 拖地机器人
- go generate 生成代码
- mysql酒店客房管理系统的设计_《酒店客房管理系统设计》总结
- 暴力破解西电校园网密码
- saas平台产品使用合同(模板)
- 算法提高 盾神与积木游戏
- 联想拯救者y7000p2022款 配置
- Unity如何画线条之美
- BUUCTF 九连环 writeup
- UVa 10387 Billiard