《数据分析技术SPSS》课件

数据分析技术SPSS欢迎来到《数据分析技术》课程本课程将带领您系统地学习SPSS SPSS这一强大的数据分析工具，从基础操作到高级统计分析技术，逐步提升您的数据分析能力无论您是初学者还是希望提高统计分析技能的专业人士，本课程都能满足您的学习需求我们将通过实际案例和实践练习，帮助您掌握软件的操作技巧，理SPSS解各种统计方法的原理和应用场景，培养您独立进行数据分析的能力课程目标和学习成果掌握软件操作1SPSS通过系统学习，您将能够熟练操作软件界面，掌握数据输入、处理、分析和可视化的全SPSS流程这些技能是进行任何统计分析的基础，将使您能够独立完成数据分析项目理解统计分析方法2课程将帮助您理解各种统计分析方法的原理、适用条件和解释方式，包括描述性统计、参数检验、非参数检验、回归分析、因子分析等这些知识将提升您的数据解读能力应用于实际问题3通过大量实例和练习，您将学会如何选择合适的分析方法解决实际问题，如何正确解读统计结果，以及如何基于数据做出科学决策这些能力将在您的研究或工作中发挥重要作用提升数据分析能力软件简介SPSS强大的统计分析工具广泛的应用领域是在社会科学、市场研究、医SPSS StatisticalPackage forSPSS（社会科学学研究、教育、政府和企业等领the SocialSciences统计软件包）的缩写，是一款功域有广泛应用它能够帮助研究能全面的统计分析软件它提供者分析调查数据、进行市场细了从基础到高级的各类统计分析分、预测消费者行为、评估教育方法，操作界面友好，使用者无成果以及支持基于数据的决策需编程即可完成复杂的数据分析任务易学易用的特点与其他统计软件相比，以其图形化界面和菜单驱动的操作方式而著SPSS称，大大降低了学习门槛即使对统计学知识了解有限的用户，也能通过相对轻松地完成基本的数据分析工作SPSS的历史和发展SPSS年初创11968最初由斯坦福大学的三位研究生、和开发，当SPSS NormanNie DaleBent HadlaiHull时是为了满足社会科学研究中的数据分析需求初版是运行在大型机上的批处理SPSS系统年代商业化21970-1980公司于年成立，将软件商业化在这一时期，从大型机版本发展出适用SPSS1975SPSS于个人计算机的版本，扩大了用户群体，功能也不断丰富年代扩展与创新31990-2000这一时期推出了图形用户界面，使软件更加易用同时不断扩展统计分析功能，SPSS添加了数据挖掘、文本分析等模块，满足了更多领域的需求年至今时代42009IBM年，以亿美元收购了公司，将其纳入商业分析软件组合收购后，2009IBM12SPSS IBM更名为，并持续更新，加强了与其他产品的集成，增加SPSS IBMSPSS StatisticsIBM了云计算和大数据分析能力的主要功能和应用领域SPSS核心统计分析功能数据管理与预处理图表与可视化提供全面的统计分析工具，包括具备强大的数据管理能力，可以提供丰富的图表选项，如柱状SPSS SPSS SPSS描述性统计、假设检验、回归分析、导入各种格式的数据，执行数据清图、折线图、散点图、箱线图等，以因子分析、聚类分析、时间序列分析理、转换、合并和重组等操作这些直观方式展示数据特征和分析结果等这些功能使研究人员能够深入挖功能确保分析前的数据质量，是有效这些可视化工具帮助用户更容易理解掘数据中的模式和关系，为决策提供分析的前提软件还提供缺失值处数据并与他人交流发现高级图表功科学依据理、异常值检测等数据预处理工具能还支持交互式数据探索软件界面概览SPSS数据编辑器输出查看器语法编辑器数据编辑器是的主要工作区域，所有分析结果都会显示在输出查看器语法编辑器允许用户通过编写命SPSS SPSS以电子表格形式显示数据它分为数中，它分为左侧导航窗格和右侧内容窗令语言来执行分析虽然大多数操作可据视图和变量视图两个标签页数格导航窗格以树形结构组织结果，便以通过菜单完成，但语法提供了更精确据视图用于查看和编辑数据值，变量视于浏览用户可以编辑、复制和导出输的控制和批处理能力会为菜单SPSS图用于定义和修改变量属性出内容，支持多种格式如、操作生成相应语法，方便用户学习和重Word PDF等复使用数据视图和变量视图两视图的关系数据视图和变量视图是相互关联的两个界面，它们展示同一数据文件的不同视角在变量视图中定义的变量属性会直接影响数据视图中数据的显示和处理方式两个视图通过底部的标签页进行切变量视图特点换，协同工作确保数据的正确表示和分数据视图特点析变量视图用于定义和修改变量特性，每数据视图以行和列的形式展示数据，每行代表一个变量，列展示变量的各种属行代表一个观测（案例），每列代表一性主要属性包括名称、类型（数值、个变量在此视图中，用户可以直接输字符串等）、宽度、小数位数、标签、入、编辑和查看数据值数据视图支持值标签、缺失值定义、列宽、对齐方式复制、粘贴、查找和替换等操作，便于和测量尺度（名义、有序、尺度）数据管理文件类型介绍SPSS数据文件输出文件语法文件.sav.spv.sps这是的主要工作文件，用于存将分析结果保存为格式，语法文件存储命令语言脚本，SPSSSPSS.spv SPSS储数据集及其变量定义文件包含表格、图表和文本输出这些用于自动化分析流程使用语法可.sav不仅包含原始数据，还包含变量名文件可以在输出查看器中打开，以精确控制分析步骤，便于重复执SPSS称、标签、值标签、缺失值定义等允许用户编辑、格式化和导出分析行相同的分析菜单操作会生SPSS元数据信息，确保数据的完整性和结果，支持多种格式如、成相应的语法，可以保存为文HTML PDF.sps可解释性和文档件供将来使用Word图表模板.sgt这种文件保存图表的格式设置，如颜色、字体、尺寸等通过保存和应用图表模板，用户可以确保整个项目或组织内图表风格的一致性，提高工作效率并保持专业外观数据输入方法通过语法命令创建数据使用复制粘贴功能高级用户可以使用语法命令如SPSS导入外部数据文件可以从其他应用程序如或文本或创建数Excel DATALIST MATRIXDATA直接在数据视图中输入对于已有的数据，可以使用SPSS的编辑器复制数据，然后粘贴到SPSS据集这种方法特别适合需要重复创最基本的方法是在SPSS数据视图中导入功能SPSS支持多种数据格数据视图中这种方法便捷但需要注建相似结构数据集的情况，或者需要直接键入数据，类似于使用电子表格式，包括Excel文件、文本文件意格式一致性，确保SPSS正确识别通过编程方式生成数据的场景语法适合小型数据集或需要快速创建示例CSV/TSV、其他统计软件如SAS、数据类型和结构复制粘贴后应检查还能自动化数据输入流程数据的情况先在变量视图中定义变Stata的数据文件，以及数据库如数据完整性量属性，然后切换到数据视图输入具SQL通过文件→导入数据菜单进体数值，这样可以确保数据输入的准行操作确性变量定义和编码变量命名规则1变量名必须以字母开头，可包含字母、数字和非标点字符如下划线，长度最多个字SPSS64符变量名不能包含空格，不能以句点结尾，也不能使用保留关键字如、、等ALL ANDBY建议使用有意义的名称，方便理解和识别变量类型设置2支持多种变量类型，包括数值型默认、逗号型、点型、科学计数型、日期型、美元型、SPSS自定义货币型和字符串型等根据数据性质选择合适的类型，这决定了数据的存储方式和可进行的分析类型变量标签和值标签3变量标签为变量提供详细描述，可以使用完整中文名称和说明，增强可读性值标签则为编码数据提供含义解释，例如将标记为男性，标记为女性，使分析结果更易理解12测量尺度定义4使用三种测量尺度名义适用于无序分类数据；有序适用于有等级SPSS NominalOrdinal但间距不等的数据；尺度适用于等距或比率尺度数据正确设置测量尺度有助于Scale SPSS自动选择合适的分析方法和图表数据导入和导出从导入Excel从文本文件导入通过文件导入数据选项→→Excel使用文件导入数据文本数据导→→导入文件支持和格Excel.xls.xlsx入或文件可指定分隔符、CSV TXT1式可选择特定工作表、是否读取变变量名位置和编码格式提供向SPSS2量名及读取范围导入后检查数据类导帮助正确解析文件结构型和缺失值是否正确识别从数据库导入导出数据SPSS通过文件导入数据数据库连接→→使用文件导出将数据保存为4→到数据库需要配置数据源SQL、、、等多种格3Excel CSVSAS Stata，可执行查询选择需要的ODBC SQL式可选择导出所有变量或部分变数据和字段适合处理大规模数据量，以及是否包含变量和值标签数据清理和预处理数据检查首先进行数据概览，使用描述统计→频率或探索检查各变量的分布情况、异常值和缺失值查看最大、最小值是否在合理范围内，检查频率表确认分类变量编码正确可以生成直方图或箱线图直观检查数据分布数据清理根据检查结果修正错误数据，例如超出范围的值、不一致的编码或输入错误使用数据→选择案例筛选异常观测，使用转换→重编码修正编码错误，利用条件语句IF处理复杂情况保留原始数据的备份，记录所有更改变量转换根据分析需要转换变量，如对偏态分布数据进行对数转换提高正态性，对分类变量创建虚拟变量，合并多个变量创建量表得分，或基于连续变量创建分组变量使用转换→计算变量或转换→类别归组功能实现数据结构调整调整数据组织形式以适应特定分析使用数据→转置在行列间转换数据，使用数据→合并文件添加变量或观测，使用数据→重组在宽格式和长格式间转换复杂的数据结构调整可能需要使用多个步骤或语法命令缺失值处理缺失值类型识别区分系统缺失值空单元格和用户定义缺失值特定编码表示缺失前者自动显示为点，后者需在SPSS.变量视图中明确定义用户定义缺失值常用于区分不同缺失原因，如不适用，拒绝回答等999=888=确认缺失值模式可帮助判断缺失机制缺失值分析使用分析→缺失值分析功能检查缺失值模式和影响生成缺失值分布图表、小值模式表和相关性检验，判断缺失是否完全随机、随机或非随机缺失机制决定了适当的处理方法过多缺MCAR MARMNAR失可能表明测量工具或数据收集过程存在问题缺失值处理方法常用处理方法包括列表删除删除有缺失的观测；成对删除仅在计算特定统计量时临时排除；平123均值替换；中位数或众数替换；回归估计；多重插补简单方法易实现但可能引入偏差，高级方法456如多重插补精度更高但操作复杂多重插补实施使用分析→多重插补→插补缺失数据值创建多个完整数据集，每个数据集使用不同估计值填补缺失分析时汇总多个数据集结果，综合考虑插补引入的不确定性可指定预测模型如线性回归、逻辑回归、迭代次数和约束条件，提高估计准确性异常值检测和处理箱线图检测方法分数法检测马氏距离法Z箱线图是检测异常值的直观工具，在分数表示数据点偏离平均值的标准差对于多变量数据，马氏距离可识别在Z中可通过图形旧对话框箱数量在中，可通过分析描整体变量空间中的异常值通过分析→→→SPSSSPSS线图创建箱线图使用四分位数定义述统计描述计算分数并保存为新回归线性，勾选保存马氏距离→→→Z异常值位于以下或变量通常，绝对值大于的分数被，计算每个观测到中心的距离结果Q1-

1.5IQR3Z以上的值被标记为潜在异视为异常值使用数据→选择案例→可与卡方分布临界值比较，超过临界Q3+

1.5IQR常值，其中为四分位距会如果条件满足，可基于分数筛选异值的观测被视为多变量异常值这种IQR SPSSZ自动在箱线图上标出这些点，并显示常观测进行进一步检查方法特别适合多变量正态分布的数其观测，方便识别据ID数据转换和重编码变量重编码1通过转换→重编码为不同变量或重编码为相同变量修改变量编码常用于调整编码方向（如将1-5改为5-1），合并类别，或处理极端值重编码到新变量可保留原始数据，更安全定义清晰的旧值→新值映射关系，确保操作准确自动重编码2使用转换→自动重编码将字符串变量转换为连续整数编码例如，将男、女自动编码为

1、2这对于需要使用数值编码进行分析的分类变量很有用可以指定编码顺序（升序或降序）并创建编码映射表变量计算通过转换→计算变量使用数学公式创建新变量，支持算术运算、函数和条件逻辑常用于创建总3分、平均分、等指标，或执行日期计算、字符串操作等公式可以包含多个现有变量和各种数BMI学、统计、日期函数条件变换使用转换→如果条件满足则计算基于条件创建或修改变量例如，仅为收入4超过特定阈值的案例计算税款可以设置复杂条件，结合逻辑运算符（、AND）和比较运算符不满足条件的案例保持原值或系统缺失值OR计算新变量基础算术运算1在转换→计算变量对话框中，可以使用加减乘除（+、-、*、/）等基本算术运算符创建新变量例如，计算（体重指数）体重身高，或计算问卷的总分会BMI=kg/m²=Q1+Q2+Q3+Q4SPSS自动处理计算中的缺失值，默认情况下如果任何组成变量缺失，结果也为缺失使用内置函数2提供丰富的内置函数，包括数学函数（如、、）、统计函数（如、、SPSS SQRTLOG EXPMEAN SUM）、日期函数（如、）、字符串函数（如、）和逻辑函数SD DATEDIFFDATESUM CONCATSUBSTR（如、）这些函数可以单独使用或组合使用，极大地扩展了变量计算的可能性ANY RANGE条件计算3使用函数可实现条件计算，格式为条件条件为真时的值条件为假时的值例如，性别IF IF,,IF=1,1,创建一个男性为、女性为的虚拟变量也可使用嵌套处理多个条件，或结合逻辑函数处理复杂010IF条件批量处理多个变量4使用语法可以高效地对多个变量执行相同的计算例如，使用命令和循SPSS COMPUTEDO REPEAT环可以同时对多个变量进行标准化处理，或计算多个量表的平均分这对于处理大型问卷或重复性计算非常有用描述性统计分析概述描述性统计的目的常用描述性指标描述性统计用于总结和描述数据的基本特主要包括中心趋势测量（均值、中位征，帮助研究者了解变量的分布情况、中数、众数）；离散趋势测量（范围、方心趋势和离散程度它是数据分析的第一差、标准差、四分位距）；分布形状指标1步，为后续的推断性统计和深入分析奠定（偏度、峰度）；频率统计（计数、百分2基础，同时帮助发现数据中的模式、异常比、累积百分比）不同类型的变量适用和潜在问题不同的描述性统计指标描述性统计的呈现中的实现方式SPSS结果可通过表格和图表呈现表格适合精提供多种描述性统计工具频率适SPSS4确展示数值，图表则直观展示分布和关用于分类变量，提供频次表和柱状图；3系常用图表包括柱状图、饼图（分类描述适用于连续变量，提供集中趋势和变量）；直方图、箱线图、图（连续离散趋势指标；探索提供更全面的描述Q-Q变量）；散点图（两变量关系）和图表；交叉表分析两个分类变量的联SPSS输出可导出为多种格式便于报告撰写合分布频率分析频率表解读图形化展示操作步骤频率表显示每个类别的出现次数和百分频率分析通常配合柱状图或饼图展示结执行频率分析的步骤选择分析→描1比频率列显示原始计数；百分比列果柱状图中柱高表示频率或百分比，述统计→频率；将需分析的变量移至2显示相对于总样本的比例；有效百分比适合比较不同类别；饼图中扇区大小表变量框；点击统计量按钮选择需要的3列忽略缺失值重新计算；累积百分比示比例，适合展示构成部分在中，统计指标，如四分位数、中心趋势等；SPSS4列显示当前类别及之前类别的百分比总频率分析对话框的图表按钮可设置生点击图表按钮选择需要的图表类型；5和通过频率表可识别最常见的类别、成柱状图、饼图和条形图，并调整其外点击格式按钮设置显示选项；点击6分布形态和异常值观确定执行分析集中趋势测量算术平均值中位数众数Mean MedianMode算术平均值是最常用的集中趋势指中位数是将数据排序后位于中间位置众数是数据集中出现频率最高的值标，计算方法是将所有观测值相加后的值对于偶数个观测，取中间两个一个数据集可能有多个众数或没有众除以观测数量在中，可通过值的平均中位数不受极端值影响，数众数适用于任何测量尺度，包括SPSS分析→描述统计→描述或频率→统适合处理偏态分布或有异常值的数名义尺度，是分类数据唯一适用的集计量获得平均值适用于等距或比率据在中，通过描述统计频中趋势指标在中，可通过描→SPSSSPSS尺度变量，受极端值影响较大对于率→统计量或描述统计→探索可获述统计→频率→统计量获得众数常正态分布数据，平均值是最佳的集中得中位数它适用于有序、等距或比用于描述最典型或最常见的情况趋势指标率尺度数据离散趋势测量全距（）1Range全距是数据集中最大值与最小值的差，提供数据分散程度的简单度量在SPSS中，通过分析→描述统计→描述→选项或频率→统计量获得全距易受极端值影响，仅使用两个观测值计算，无法反映大部分数据的分散情况，但计算简单直观，适合初步了解数据范围四分位差（）2IQR四分位差是第三四分位数（）减去第一四分位数（）的差值，表示中间数据的分散程Q3Q150%度它不受极端值影响，是箱线图的基础在SPSS中，通过分析→描述统计→探索或频率→统计量→四分位数获得IQR特别适合偏态分布或有异常值的数据方差（）3Variance方差度量数据点与平均值的平均平方偏差，计算公式为偏差平方和除以自由度（）它考虑了n-1所有观测值，但单位是原始数据的平方，不直观在SPSS中，通过描述统计→描述→选项获得方差是许多统计分析的基础，但通常更关注其平方根标准差——标准差（）4SD标准差是方差的平方根，使用与原始数据相同的单位它表示数据分散在平均值周围的程度，较大的标准差表示数据更分散对于正态分布，约的数据落在平均值个标准差范围内标准68%±1差是最常用的离散程度指标，与平均值一起提供数据分布的完整描述图表制作柱状图和条形图柱状图特点条形图特点图表自定义柱状图用垂直柱子表示不同类别的频率或数条形图与柱状图原理相同，但使用水平条带提供强大的图表编辑功能创建图表SPSS值，适合展示分类变量的分布在而非垂直柱子，当类别标签较长或类别数量后双击即可进入图表编辑器，可调整标题、SPSS中，通过图形→图表生成器或旧对话框较多时更适用在中，创建步骤与柱轴标签、图例位置、字体大小、颜色和填充SPSS→条形图创建，选择简单类型并设置柱状图类似，但选择水平方向条形图通常按效果还可通过右键菜单添加参考线、修改子表示计数或特定统计量柱状图可添加数值大小排序，帮助清晰展示类别间比较，尺度、调整间距等完成编辑的图表可复制数据标签、误差条，调整颜色和样式，支持特别适合展示排名或调查问题的回答分布到其他应用程序或导出为多种图像格式分组和堆叠显示复杂关系图表制作饼图和直方图图表优化技巧创建有效图表的关键步骤选择合适图表类1型，饼图展示构成，直方图展示分布；添加2清晰标题和标签，包括变量名称和单位；选3择合适的颜色方案，确保区分度和和谐性；4调整尺度和比例，避免视觉误导；考虑添加5参考线、标注或统计信息增强解释；保持简6洁，移除非必要装饰元素；导出时选择合适7分辨率和格式，确保在报告中清晰显示直方图制作与应用饼图制作与应用直方图用于展示连续变量的分布，通过将数据饼图通过圆形扇区表示类别比例，每个扇区大分成若干等宽区间箱子并统计每个区间的频小与类别频率成正比在中，通过图形SPSS率在中，通过图形→旧对话框→直方SPSS→旧对话框→饼图创建，需选择分类变量和切图创建，只需选择一个连续变量，可选择添加片定义方式通常为计数或百分比饼图适合展正态曲线参考线直方图帮助识别分布形状正示构成部分的相对大小，特别是当关注整体组态、偏态、双峰等，发现异常值和缺口可调成而非精确比较时最佳实践是限制类别数量整箱子数量影响图表细节度，通常个箱子15-20最好不超过个，并考虑使用爆炸图突出重要7适合大多数情况类别图表制作散点图和箱线图散点图功能箱线图功能高级图表设置散点图用于展示两个连续变量之间的关系，箱线图展示数据分布特征和异常值，包括中提供丰富的高级选项增强图表功能SPSS1每个点代表一个观测，横纵坐标表示两个变位数箱中线、四分位数箱边界、最大最可添加分组变量创建多组散点图或箱线图，/量的值在中，通过图形旧对话框小非异常值须线末端和异常值单独点使用不同颜色或符号区分组别；在散点图→SPSS2散点图点图创建，选择简单散点图并指在中，通过图形旧对话框箱线图中添加数据标签识别特定点；在箱线图中→→→/SPSS3定和变量散点图可识别相关性强度、创建，支持简单、聚类或一维布局箱线调整异常值判定标准；为图表添加误差条X Y4方向、线性非线性关系和异常值添加拟图特别适合比较多组数据分布，同时标识异显示置信区间；通过图表模板保存和应用/5合线如线性、有助于可视化趋势常值格式设置，确保一致性；使用旁注和参考LOESS6线强调重要特征或阈值相关分析概述相关分析的目的相关分析用于量化两个变量之间的关系强度和方向，是探索性数据分析和多变量分析的基础它回答当一个变量变化时，另一个变量是否也有系统性变化的问题相关系数的范围通常为到，-110表示无关系，绝对值越大表示关系越强，正负号表示关系方向相关系数类型常用相关系数包括相关系数，适用于等距比率尺度变量的线性关系；1Pearson r/2Spearman等级相关系数ρ，基于等级适用于有序数据或非线性关系；3Kendallstauτ，另一种等级相关度量，在样本小或存在大量并列等级时更稳健；点二列相关，测量二分变量与连续变量的关4rpb系相关分析步骤在SPSS中执行相关分析步骤1选择分析→相关→双变量；2将需分析的变量添加到变量框；3选择相关系数类型通常基于数据类型和分布；选择显著性检验方法单尾或双尾；可选择标记45显著相关和在结果中显示均值和标准差；点击选项设置处理缺失值方式和统计显著性；点击67确定执行分析结果解释注意事项解释相关结果时应注意相关不等于因果，不能仅基于相关推断因果关系；相关描述的是线性12关系，可能忽略重要的非线性关系；异常值可能严重影响相关，应检查散点图；相关显3Pearson4著性受样本量影响，大样本可能使微小相关显著；多重比较问题可能导致假阳性，考虑使用5等校正；相关矩阵可用热图或网络图可视化，帮助识别变量关系模式Bonferroni6相关系数Pearson相关系数原理Pearson相关系数测量两个连续变量之间线性关系的强度和方向计算公式基于两个变量的协方差除以标准Pearson r差的乘积结果范围为到，其中表示完美负相关，表示完美正相关，表示无线性关系它反映了数据-11-1+10点围绕最佳拟合线分布的紧密程度，是最常用的相关系数操作步骤SPSS执行Pearson相关分析1选择分析→相关→双变量；2将需要分析的连续变量移至变量框；3在相关系数部分选择；选择双尾或单尾检验通常选双尾；勾选标记显著相关可使显著相关在输出中带星Pearson45号；点击选项可设置缺失值处理和描述统计显示；点击确定生成结果67结果解读相关矩阵输出结果包含相关系数，评估关系强度和方向；显著性水平值，判断相关是否显著不同于1r2p零；样本量，了解分析基于的观测数量一般将视为弱相关，为中等相关，为强3N|r|

0.

30.3≤|r|

0.7|r|≥

0.7相关，但这些界限因研究领域而异应用与限制相关适用条件变量为连续等距或比率尺度；关系呈线性；不存在严重异常值；数据近似正Pearson1234态分布使用前应通过散点图检查线性关系，通过图检查正态性相关不表明因果关系，且仅捕捉线性关Q-Q系，忽视可能的非线性模式受异常值影响较大，应考虑使用稳健相关方法如补充Spearman等级相关系数Spearman非参数相关系数计算原理实现SPSSSpearman等级相关系数ρ或rs是Spearman相关计算步骤1将两个在SPSS中执行Spearman相关分非参数相关系数，测量两个变量的变量的原始值转换为等级（从小到析1选择分析→相关→双变量；排序相似程度它基于数据的等级大排序，给出排名）；计算每个将需分析的变量添加到变量框；223而非原始值计算，本质上是对数据观测的等级差的平方；将这些平在相关系数部分选择3进行排序后的相关这使得方差代入公式计算相关系数当没；选择显著性检验方Pearson Spearman4相关不受数据分布形态限有并列等级时，可以使用简化公式法（双尾或单尾）；其他选项与Spearman5制，对异常值不敏感，可以捕捉各ρ=1-6∑d²/[nn²-1]，其中d为等级Pearson相关类似；6点击确定执种单调关系（不限于线性关系）差，为样本量行分析输出结果格式与相n Pearson关矩阵相似适用情况相关特别适用于数据Spearman1为有序量表测量；变量不符合正2态分布假设；关系非线性但单3调；存在异常值或极端值；样本45量较小常见应用包括问卷得分间关系分析、等级数据关联研究、生物医学数据中具有非线性关系的变量分析等偏相关分析偏相关的概念计算原理操作步骤SPSS偏相关分析测量两个变量之间的关偏相关通过移除控制变量对主要变量在中进行偏相关分析选择SPSS1系，同时控制（排除）一个或多个其的线性影响来计算对每个主要变分析→相关→偏相关；将两个需要12他变量的影响它回答在控制混淆因量与控制变量进行回归，获得残差；分析相关的变量放入变量框；将3素后，两个变量是否仍然相关的问计算这些残差之间的相关系数残需要控制的变量放入控制变量框可2题例如，研究收入与健康的关系差代表了在移除控制变量影响后的变多选；选择检验方法单尾或双尾4时，可能需要控制年龄的影响，因为异直观上，偏相关类似于首先剔除和显著性水平；点击选项可设置5年龄可能同时影响收入和健康，造成控制变量的影响，然后再测量关系统计量和缺失值处理；点击确定6虚假相关生成结果检验概述t推断统计入门1t检验是基础的推断统计方法比较均值差异2用于确定组间差异是否显著三种主要类型3独立样本、配对样本和单样本基于分布t4尤其适用于小样本分析假设检验框架5通过值比较做出统计决策p检验是一种常用的统计检验方法，用于确定两组平均值之间的差异是否具有统计显著性它是假设检验的典型应用，基于分布理论，特别适合样本量较小的情况检验的逻辑是如果t t t样本均值差异过大，不太可能仅由随机波动造成，则拒绝无差异的零假设检验分为三种主要类型，每种适用于不同研究设计独立样本检验比较两个独立组的均值差异；配对样本检验用于相关样本（如前测后测）；单样本检验将一组数据与已知固定值比t t t/t较所有检验都假设数据近似正态分布，但对偏离正态的数据有一定稳健性t独立样本检验t检验原理操作步骤结果解读SPSS独立样本检验比较两个独立样本的均值差执行独立样本检验选择分析比较均结果输出包括检验结果，判断→tt11Levene异，用于回答两组人群或条件之间是否存值独立样本检验；将连续因变量移至方差是否相等（表示方差不等）；→T2p

0.052在显著差异的问题它基于分布计算统计检验变量框；将二分类分组变量移至基于方差是否相等的两行检验结果，选择t3t量，考虑样本均值差异与标准误之比检验分组变量框；点击定义组指定分组编相应行；值、自由度、显著性（值）、43t p适用于分组变量将样本分为互不重叠的两组，码值；点击选项设置缺失值处理和置信均值差异和标准误；均值差异的置信区间54如男性女性、实验组对照组等情况区间；点击确定生成结果结果包括组如，表示两组均值差异统计显著解//6p

0.05描述统计、方差同质性检验和检验读时需报告描述统计（均值、标准差）、Levene tt结果值、自由度和值p配对样本检验t配对设计原理配对样本检验用于分析相关样本的均值差异，适用于前测后测设计，测量同一群体在t1-干预前后的变化；匹配对设计，比较具有共同特征的两组个体；重复测量，同一对象在23不同条件下的表现配对设计通过排除个体差异减少误差变异，提高统计检验力公式和假设检验基于配对差值前后测差计算，公式为平均差值差值的标准差零假设₀t=//√n H平均差值无变化，备择假设₁平均差值有变化检验假设差值的抽样分布=0H≠01近似正态；观测是随机抽样的；差值的测量尺度至少为等距尺度23实现SPSS执行配对样本t检验1选择分析→比较均值→配对样本T检验；2选择配对变量如前测和后测分数，点击箭头添加到配对列表；可以添加多对变量进行多个配对测试；点击34选项设置缺失值处理和置信区间；点击确定执行分析5结果解读输出包括配对样本统计量各变量的均值、样本量、标准差、标准误；配对样本相关12系数，指示变量间关联；配对差值的描述统计；值、自由度、值和置信区间如34t p，表示差异统计显著报告时应包括平均差值、统计量、自由度、值和效应大小p

0.05t p如Cohens d单样本检验t单样本检验的适用场景假设与计算原理1t2单样本检验用于将一个样本的均值与已知或假设的固定值（检验值）进行比零假设₀样本均值等于检验值；备择假设₁样本均值不等于检验值t H H较适用场景包括将样本与已知人群平均值比较，如测试某班学生成绩（双尾）或大于小于检验值（单尾）检验统计量样本均值检验值样1/t=-/是否高于全国平均；与理论值比较，如测试新药是否能将血压降低到特定本标准差，本质上测量样本均值偏离检验值的程度，并考虑抽样误差2/√n水平；与标准或基准值比较，如测试产品是否达到行业标准假设前提包括随机样本；近似正态分布或足够大的样本量；等距或比3123率尺度变量操作步骤结果解释3SPSS4执行单样本t检验1选择分析→比较均值→单样本T检验；2将需要分析的输出结果包括1描述统计表，显示样本量、均值、标准差和均值的标准误；变量移入检验变量框；在检验值框中输入要比较的固定值；点击选检验表，包含值、自由度、显著性值、均值差样本均值检验值342ttn-1p-项设置缺失值处理和置信区间；点击确定执行分析在选项中还可以和差值的置信区间如，则拒绝零假设，认为样本均值与检验值存在5p

0.05选择以外的置信水平和缺失值处理方式统计显著差异报告时应包括样本均值、检验值、统计量、自由度、值和95%t p效应大小方差分析（）概述ANOVA方差分析的类型的基本原理ANOVA常见类型包括单因素，一个自ANOVA1ANOVA方差分析是比较两个或多个组均值的统ANOVA变量多个水平；双因素，两个自变量及2ANOVA计方法，是检验的扩展它通过比较组间变异与t其交互作用；多因素，三个或更多自变3ANOVA组内变异的比率比来判断组间差异是否显著F量；重复测量，被试内设计；混合设4ANOVA5的核心思想是如果组间差异远大于各组ANOVA1计，结合被试间和被试内因素；多元方ANOVA6内的随机变异，则表明因素水平间存在真实差异2差分析，多个因变量选择类型取决于MANOVA研究设计和数据特征分布和假设检验F假设ANOVA使用分布进行假设检验，比是组间均方ANOVA FF使用需满足以下假设独立性，观测相4ANOVA1与组内均方的比值零假设₀假MSB MSWH互独立重复测量例外；正态性，各组数3ANOVA2定所有组均值相等，如果值大导致α通常F p据近似正态分布；方差齐性，各组具有相似的方3，则拒绝零假设，认为至少有两组间存在显

0.05差可通过检验评估方差齐性，若假设被Levene著差异本身不指明哪些组不同，通常需ANOVA违反，可考虑数据转换或使用稳健的替代方法如要事后比较如、等确定具Tukey HSDBonferroni或非参数检验Welch ANOVA体差异单因素方差分析单因素设计实现步骤结果解读ANOVA SPSS单因素方差分析用在中执行单因素选输出结果包括描述统计，各组的One-way ANOVASPSS ANOVA11于比较一个分类自变量因素的三个或择分析比较均值单因素均值、标准差等；方差齐性→→2Levene更多水平下，连续因变量均值的差；将连续因变量移至因变检验，评估组间方差是否相等；ANOVA2异它是检验到多组比较的扩展，避量框；将分类自变量移至因子表，显示组间、组内和总变t33ANOVA免了多重检验增加的类错误率典框；点击事后比较选择多重比较异，以及值和显著性水平；事后比t I4F4型应用包括比较不同处理组、不同人方法常用或较结果，指明哪些组对间存在显著差Tukey HSD口统计组或不同时间点的平均表现；点击选项选择描述异如果中，表明存在Bonferroni5ANOVA p

0.05统计、方差齐性检验和均值图；点统计显著差异，需进一步查看事后比6击确定执行分析较确定具体组间差异双因素方差分析双因素方差分析同时考察两个自变量因素及其可能的交互作用对因变量的影响它解答三个关键问题第一个因素是否有显著主效应；Two-way ANOVA12第二个因素是否有显著主效应；两个因素是否存在显著交互作用，即一个因素的效应是否依赖于另一个因素的水平3在SPSS中执行双因素ANOVA1选择分析→一般线性模型→单变量；2将连续因变量放入因变量框；3将两个分类自变量放入固定因子框；4点击模型确保包含主效应和交互项；点击事后比较为需要的因素选择多重比较方法；点击选项选择描述统计、效应大小和均值图；点击确定执行分析567结果解释的关键是理解交互作用当存在显著交互作用时，单独解释主效应可能具有误导性，因为一个因素的效应取决于另一个因素的水平交互作用通常通过交互图直观展示，其中一条线的斜率与另一条明显不同表明交互显著报告时应包括F值、自由度、p值和效应大小通常为偏η²重复测量方差分析被试内设计原理实现步骤特殊假设与结果解读SPSS重复测量用于分析同一受试者在不执行重复测量选择分析一般重复测量除常规假设外，还→ANOVA ANOVA1ANOVA ANOVA同条件或时间点下的多次测量数据相比被线性模型→重复测量；在被试内因素定需满足球形性假设不同测量对之间的差异2试间设计，它能控制个体差异，提高统计效义对话框中，指定被试内因素名称和水平方差相等球形检验评估此假设，Mauchly力并减少所需样本量典型应用包括前测数；点击定义后，将重复测量变量依次如表示违反假设，需使用校正如3p

0.05中测后测研究、多种处理条件比较、纵向添加到被试内变量框；可选择添加被试或结--4Greenhouse-Geisser Huynh-Feldt研究或时间序列分析每位受试者产生多个间因素；点击选项勾选描述统计、效应果包括多变量检验或球形校正检验结果；51数据点，通过比较同一受试者在不同条件下大小等；点击确定执行分析因素效应的值、显著性和效应大小；62F3的变化检测效应成对比较结果；估计边缘均值4多元方差分析（）MANOVA概念数学原理实现MANOVA SPSS多元方差分析MANOVA是ANOVA的MANOVA将因变量视为多维空间中的向执行MANOVA1选择分析→一般线扩展，同时分析多个相关因变量它考量而非单独变量它比较组间差异与组性模型→多变量；2将多个连续因变量虑因变量间的相关性，测试自变量分类内差异的比率，但使用矩阵而非单个移至因变量框；将分类自变量移至3变量对因变量组合的整体效应值使用多个检验统计量如固定因子框；点击模型设置交互MANOVA4比单独进行多个更强、、项；点击多变量选择检验统计量；MANOVA ANOVAWilks LambdaPillais Trace5大，因为它控制类错误率，同时能够发和点击事后比较选择多重比较方法；I HotellingsTrace RoysLargest6现变量组合层面上的效应，即使单个变，这些统计量评估多元空间中组间点击选项选择描述统计和效应大Root7量上差异不显著差异最常用，值越小小；点击确定执行分析Wilks Lambda8表示组间差异越大后续分析与解读分析通常分两步首先检查MANOVA1多变量检验结果，确定自变量是否对因变量组合有显著效应；如果多变量检2验显著，再检查单变量检验类似确定具体哪些因变量受影响ANOVA还可进行判别分析或主成分分析探索因变量组合方式报告时包括所用检验统计量、值、假设误差自由度、值和效F/p应大小卡方检验概述卡方检验的本质1卡方χ²检验是一类非参数检验，用于分析分类变量之间的关联或比较观察频数与期望频数的差异它不假设数据服从正态分布，适用于名义或有序分类数据卡方检验基于观察值与期望值之间的差异，差异越大，卡方值越大，观察结果与零假设不符的证据越强主要类型2卡方检验主要包括三种类型拟合优度检验，比较单个分类变量的观察频数与理1Goodness-of-Fit论或预期频数的差异；独立性检验，检验两个分类变量之间是否存在关联；同质2Independence3性检验，比较不同组在分类变量分布上是否相同后两种在中通过相同的交叉表Homogeneity SPSS程序实现卡方分布和计算3卡方统计量计算公式为χ²=∑[O-E²/E]，其中O为观察频数，E为期望频数在零假设下，χ²统计量近似服从卡方分布，自由度取决于检验类型和分类数卡方分布是非负的右偏分布，随自由度增加逐渐接近正态分布卡方值与临界值比较或直接查看值确定统计显著性p适用条件和限制4卡方检验的适用条件随机抽样；观测独立性；各单元格的期望频数足够大，通常要求至少12380%的单元格期望频数，且所有单元格期望频数当样本量小或分布稀疏时，应考虑使用精确≥5≥1Fisher检验或似然比检验等替代方法卡方检验只能确定关联是否存在，不能确定方向或因果关系拟合优度检验拟合优度检验的用途拟合优度检验用于确定一个分类变量的观察频数分布是否与理论或预期分布Goodness-of-Fit Test显著不同它回答实际观察到的分布是否符合我们的理论预期的问题典型应用包括检验骰子是否公平，测试样本是否符合理论分布如均匀分布或泊松分布，或者民意调查结果是否与人口特征一致零假设与计算零假设₀观察频数与期望频数没有显著差异；备择假设₁至少有一个类别的观察频数与HH期望频数显著不同卡方统计量计算公式χ²=∑[O-E²/E]，其中O为每个类别的观察频数，E为期望频数自由度，为类别数，为通过数据估计的参数数当时，拒绝零假df=k-1-m km p

0.05设，认为观察分布与期望分布不符实现步骤SPSS执行拟合优度检验1选择分析→非参数检验→旧对话框→卡方；2将待检验的分类变量移入检验变量列表；选择所有类别相等检验均匀分布，或选择指定期望值输入预期频数3或比例；点击选项可设置缺失值处理方式；点击确定执行分析45结果解读输出结果包括观察频数与期望频数对比表，显示每个类别的观察值、期望值及其残1差；检验统计量表，包含卡方值、自由度和显著性水平值如，表明观察分布2pp

0.05与期望分布存在显著差异，应进一步分析调整残差观察值期望值标准误判断哪些类别的-/差异显著报告时包括卡方值、自由度、值和效应大小如pCramers V独立性检验卡方独立性检验用于确定两个分类变量之间是否存在关联它回答一个变量的分布是否依赖于另一个变量的问题例如，研究性别与职业选择是否相关，政治倾向与环保态度是否相关，或教育水平与健康行为是否相关独立性检验通过比较观察到的联合频数与假设变量独立情况下的期望频数来评估关联在SPSS中执行独立性检验1选择分析→描述统计→交叉表；2将一个分类变量放入行框，另一个放入列框；3点击统计量，选择卡方和合适的关联性度量如和用于名义变量，用于有序变量；点击单元格，选择观察值和期望值；点击确定执行分析Phi CramersV Gamma45结果输出包括交叉表，显示两变量的联合分布及边缘分布；卡方检验结果，包括卡方值、自由度，为行数，为列数和值；关联强度度量如12df=r-1c-1r cp3，表明两变量存在统计显著关联，应进一步分析调整残差确定具体哪些单元格的观察频数显著偏离期望值完整报告应包括卡方值、自由度、值和效应大p

0.05p小非参数检验概述非参数检验的特点主要类型与对应关系非参数检验是一类不基于参数估计和概率分布假设的统计方法与参数检验相比，常见非参数检验及其参数检验对应单样本符号检验符号秩检验对应1/Wilcoxon非参数检验的主要特点不假设总体分布形态尤其是正态性；适用于名义和有单样本检验；检验对应独立样本检验；符号秩检12t2Mann-Whitney Ut3Wilcoxon序数据；通常使用数据的秩排名而非原始值；对异常值的敏感度较低；在数验对应配对样本检验；检验对应单因素；345t4Kruskal-Wallis HANOVA5Friedman据不满足参数检验假设时更稳健；在满足参数检验假设条件下，统计效力稍低检验对应重复测量；等级相关对应相关选择合适的6ANOVA6Spearman Pearson检验方法取决于研究问题和数据特性适用场景优势与局限非参数检验特别适用于以下情况样本量小且数据明显偏离正态分布；数非参数检验优势对数据分布要求少，应用范围广；计算简单，易于理解；对1302123据测量尺度为名义或有序如量表数据；存在极端值或异常值且不宜剔除；异常值稳健局限性在数据满足参数假设时，统计效力低于对应的参数检验；Likert31数据不满足参数检验的其他假设如方差齐性；原始数据不可得但排名可得；通常只用于假设检验，不易估计参数或置信区间；多变量和复杂设计的非参数45623多个组样本量差异大在这些情况下，非参数检验比参数检验提供更可靠的推断方法相对有限；如数据实际满足参数检验假设，选择非参数方法可能不必要地降4低统计效力检验Mann-Whitney U检验原理与用途排序与计算方法实现SPSS检验也称检验步骤将两组数据合并并按大执行检验选择Mann-Whitney U1Mann-Whitney U1秩和检验是独立样本检验小排序；给每个观测赋予秩值相同分析非参数检验独立样本新对→→Wilcoxont2的非参数替代方法，用于比较两个独值取平均秩；计算每组的秩和；话框或分析→非参数检验→旧对话34立样本的分布位置它检验两组的秩计算统计量，框→个独立样本；将因变量要比U22和是否有显著差异，而不是比较均₁₂₁₁₁，其中较的变量放入检验变量列表；将U=n n+n n+1/2-R3值该检验适用于有序量表数₁、₂为样本量，₁为第一组的分组变量放入分组变量框并定义1n nR据；不符合正态分布的连续数据；秩和较小的值表明组间差异大，组；在检验类型中选择23U4Mann-样本量小或存在异常值的情况与临界值比较或转换为值计算值；点击确定执行分z pWhitney U5零假设₀两组分布相同；备择假析新对话框还提供可视化选项和效H设₁一组的值倾向于大于另一应大小估计H组检验Kruskal-Wallis H检验目的与适用范围操作步骤SPSSKruskal-WallisH检验是单因素方差分析ANOVA的非参数替代方法，用执行Kruskal-Wallis检验1选择分析→非参数检验→独立样本新对话于比较三个或更多独立样本的分布位置它解决的问题是多个独立组在某框或分析→非参数检验→旧对话框→K个独立样本旧对话框；2将因变有序或连续变量上的分布是否相同适用情况数据不符合正态分布或量放入检验变量框；将分组变量放入分组变量框并定义组别；在检验类134方差齐性假设；因变量为有序量表或经秩变换的数据；存在异常值且不型中选择；点击确定执行分析新对话框提供更多23Kruskal-Wallis H5宜进行数据转换或参数检验可视化选项和成对比较能力1234检验原理与计算结果解读与后续分析检验基于秩，而非原始值将所有组的数据合并后按大小输出结果包括各组的样本量、平均秩；检验统计量卡方、自由度Kruskal-Wallis112H排序赋予秩值；计算各组的平均秩和秩和；计算统计量，和显著性值如，表明至少有两组之间存在显著差异，但检验本23H pp

0.05H=12/[NN+1]×∑[R²ᵢ/nᵢ]-3N+1，其中N为总样本量，Rᵢ为第i组的秩和，n身不显示具体哪些组不同需进行事后成对比较确定组间差异，可使用ᵢ为第i组的样本量；4在零假设下，H近似服从自由度为k-1k为组数的卡方Mann-WhitneyU检验配合Bonferroni校正进行多重比较，或使用新对话分布大值表明组间差异显著框提供的成对比较功能H符号秩检验Wilcoxon检验用途检验原理实现结果解读SPSS符号秩检验是配对样本检验检验步骤计算每对观测执行符号秩检验选择分输出结果包括秩表，显示负秩第Wilcoxon tWilcoxon1Wilcoxon11的非参数替代方法，用于比较配对数的差值；2忽略零差值，确定非零差值析→非参数检验→相关样本新对话二个变量大于第一个、正秩第一个变据的差异它适用于1分析同一对象的绝对值；3对绝对差值进行排序赋予框或分析→非参数检验→旧对话框量大于第二个和绑秩相等的数量和平在两种条件下或前后测的差异；2比较秩值；4将原始差值的正负号重新赋给→2个相关样本旧对话框；2在新对均秩；2检验统计量表，包含Z值、渐匹配对之间的差异；数据不满足正态相应的秩；分别计算正秩和与负秩话框中选择变量对，或在旧对话框中近显著性值如，拒绝零假35pp

0.05分布假设；数据为有序量表如和；取较小的秩和为检验统计量将两个配对变量移入检验变量对设，表明两次测量之间存在显著差46T量表；样本量小或存在异常在零假设下差值中位数为，对于样框；确保检验类型为；异结果还显示哪种秩正或负更占优Likert503Wilcoxon值的情况本量，的抽样分布近似正态，可点击确定执行分析新对话框提供势，指示差异方向报告时应包括25T4z转换为值计算值更多可视化选项和效应大小度量值、值、效应大小和描述统计z pp回归分析概述预测模型1创建变量间关系的数学模型关系量化2确定变量间关系的方向和强度多种类型3线性、多元、逻辑和曲线回归应用广泛4用于预测、解释因果和控制变量假设检验5评估模型拟合度和参数显著性回归分析是一类统计方法，用于建立自变量预测变量与因变量结果变量之间的函数关系模型它不仅能量化变量间关系，还能基于自变量值预测因变量，解释变量间关系的性质，并控制混淆变量影响回归分析是数据分析的核心技术，在社会科学、经济学、生物医学等领域有广泛应用回归分析涵盖多种类型简单线性回归分析单个自变量与因变量的线性关系；多元线性回归纳入多个自变量，可包括交互效应和调节效应；逻辑回归处理二分类因变量；曲线回归用于非线性关系回归模型通过最小二乘法或最大似然估计等方法估计参数，并使用决定系数、检验和检验评估模型拟合度和参数显著性R²F t简单线性回归学习时间考试成绩简单线性回归分析一个自变量与一个因变量之间的线性关系，建立形如的模型，其中为截距时的值，为斜率每增加一个单位，的平均变化量回归基于最小二乘法原理，找出X YY=a+bX aX=0Yb XY使预测值与实际值偏差平方和最小的直线在SPSS中执行简单线性回归1选择分析→回归→线性；2将因变量放入因变量框；3将自变量放入自变量框；4点击统计量选择估计值、置信区间、模型拟合优度等；5点击图可以创建散点图和残差图；点击确定执行分析结果输出包括模型摘要、平方、调整后平方、标准估计误，方差分析表回归与残差的离均差平方和、值及显著性，系数表包含常数项和自变量的系数估6R RRF计值、标准误、值、显著性t多元线性回归多元回归模型多元回归假设实现SPSS多元线性回归分析多个自变量与一个多元回归的主要假设包括线性关执行多元线性回归选择分析→回11连续因变量的关系，模型形式为系自变量与因变量间存在线性关归→线性；将因变量放入因变量2₀₁₁₂₂系；多元正态性误差项服从正态框；将所有自变量放入自变量Y=b+b X+b X+...+b X+23ₙₙ与简单线性回归相比，多元回归能分布；无多重共线性自变量间不框；在方法下拉菜单选择输入方ε34同时考虑多个预测因素的影响，控制存在高度相关；同方差性残差方式全部同时输入，或选择逐4Enter混淆变量，提供更完整的解释和更准差恒定；独立性观测之间相互独步、前进、后退等方法；点击统计55确的预测每个回归系数表示在控立；无遗漏重要变量违反假设可量选择描述统计、系数统计和共线性ᵢb6制其他变量不变的情况下，该自变量能导致系数估计偏差或标准误不准诊断等；点击确定执行分析6每变化一个单位，因变量的平均变化确，影响推断的有效性量逻辑回归逻辑回归原理参数解释实现模型评估SPSS逻辑回归是分析分类因变量尤其是二分逻辑回归系数解释不同于线性回归原执行逻辑回归1选择分析→回归→二评估逻辑回归模型的指标包括1似然类与一组预测变量关系的回归模型它始系数表示自变量每增加一个单位，元；将二分类因变量放入比检验和卡方检验，评估整体模b Logistic2-2LL使用函数将二分类结果事件发生对数几率的变化；因变量框，并定义参考类别；将预测型拟合度；和Logit log-odds log-odds32CoxSnell R²转换为连续尺度，模型形式为指数化系数表示几率比变量放入协变量框；点击分类设，评估解释力；log[p/1-Expb odds4Nagelkerke R²₀₁₁₂₂，，更易解释例如，表置分类阈值和输出选项；点击统计量检验，评估校准p]=b+b X+b X+...+b Xratio Expb=253Hosmer-Lemeshowₙₙ其中为事件发生概率逻辑回归不预示自变量每增加一个单位，事件发生的选择拟合优度、列联表等；点击确度；分类表，显示预测准确率；p64测具体值，而是预测事件发生的概率，几率增加倍或增加正系数表定执行分析也可选择多元曲线和值，评估判别能力1100%Logistic5ROC AUC适用于分类预测和风险因素分析示增加概率，负系数表示降低概率分析多分类因变量此外，还应检查每个预测变量的检Wald验和显著性，以及几率比及其置信区间曲线估计曲线估计是一组用于拟合非线性关系的回归技术，适用于数据关系不是简单直线的情况提供多种曲线模型，包括线性模型₀₁；对数模型SPSS Y=b+b X₀₁，适合初期变化快后期趋于平缓的关系；二次模型₀₁₂，适合存在一个拐点的抛物线关系；立方模型Y=b+b lnXY=b+b X+b X²₀₁₂₃，适合有两个拐点的形关系Y=b+b X+b X²+b X³S其他模型还包括幂模型₀₁；指数模型₀₁，适合增长率恒定的现象；形模型₀₁，适合有上下限的增长过程；逆模型Y=b X^bY=b e^b XS Y=e^b+b/X₀₁；组合模型和生长模型等不同模型适用于不同类型的非线性关系，选择时应考虑数据特点和理论基础Y=b+b/X在SPSS中执行曲线估计1选择分析→回归→曲线估计；2将因变量放入因变量框，自变量放入自变量框；3选择要拟合的模型类型可多选；4点击确定执行分析结果显示各模型的参数估计、统计显著性和拟合优度，以及观测值与预测曲线的散点图选择最佳模型应基于值、理论合理性和模型简约R²R²性因子分析概述降维技术两种主要类型因子分析是一种统计方法，用于将多个相关变量因子分析分为两种主要类型探索性因子分析1简化为少数几个潜在因子构念它假设观测变量，用于探索数据中潜在的结构，不预设因子EFA间的相关是由未观测到的共同因子引起的因子数量和模式；验证性因子分析，用于验证2CFA分析主要用于数据简化，降低变量数量；预先假设的因子结构，通常基于理论或先前研12结构发现，识别潜在结构；量表开发和验证；究通常在中进行，而需要结构方3EFA SPSS CFA12理论检验程模型软件如4AMOS应用流程关键概念因子分析一般流程评估数据适合性，使用1因子分析的关键概念包括因子载荷，表示变431和检验；提取初始因子，常用主KMO Bartlett2量与因子的相关程度；共同度，表示变量被共2成分分析或主轴因子法；确定保留因子数，基3同因子解释的方差比例；特殊度，表示变量中3于特征值、碎石图或平行分析；因子旋转，使4独特的、未被共同因子解释的部分；特征值，4结构更清晰，常用正交旋转或斜交旋转Varimax表示一个因子解释的总方差；方差解释比例，5；解释因子结构；可能的后Direct Oblimin56表示因子解释的方差占总方差的比例续分析如计算因子得分探索性因子分析数据适合性评估1开始探索性因子分析前，首先评估数据是否适合样本量应足够大，一般至少为变量数的倍，理想为1510倍以上；取样适当性度量，值越接近表示越适合，通常要求；球形检验，表2KMO

10.63Bartlett p

0.05明变量间有足够相关性；变量间相关矩阵，应有足够多的相关系数；变量分布应近似正态，且无极

40.35端多重共线性因子提取2常用因子提取方法包括主成分分析，最常用，虽严格来说不是真正的因子分析；主轴因子法1PCA2，关注共同方差；最大似然法，需满足多元正态性；一般化最小二乘法；主要映像法PAF3ML4GLS5等选择方法取决于数据特性和研究目的初始提取可能得到与变量数相同的因子，需确定保留哪些确定因子数3确定保留因子数的方法准则，保留特征值的因子；碎石图法，在特征值陡降后平缓处截断；1Kaiser12平行分析，与随机数据的特征值比较；方差解释比例，保留累计解释以上方差的因子；理论3460-70%5意义，基于可解释性和先验理论不同方法可能给出不同建议，需综合判断因子旋转与解释4因子旋转目的是获得更清晰的因子结构，主要分两类正交旋转方法如，假设因子间相互独立；1Varimax斜交旋转方法如，允许因子间相关解释因子时，关注载荷的变量，根据高载荷变2Direct Oblimin

0.4量的共同特征命名因子可计算因子得分用于后续分析，或根据因子结构创建量表验证性因子分析的理论基础的实现与软件模型评估与拟合指标CFA CFA验证性因子分析是结构方程模型本身不支持，需要使用专门的模型拟合评估使用多种指标卡方检CFA SEMSPSSCFASEM CFA1的一种形式，用于检验观测变量与潜在构念软件，如的附加模块，或其他独验，理想上不显著，但对样本量敏感；比较SPSS AMOS2之间的关系是否符合预先指定的理论模型立软件如、、包等拟合指数和，理想，可接受Mplus LISRELlavaanRCFI TLI

0.95与探索性因子分析不同，要求研究者预先在中，可以通过图形界面或命令语法构；近似误差均方根，理想CFA AMOS

0.903RMSEA指定因子数量；哪些观测变量加载到哪建模型，指定变量间的关系路径，估计参，可接受；标准化均方根残差

120.

050.084些因子上；因子间是否相关；误差项之间数，并评估模型拟合模型构建基于理论或，理想，可接受还需检34SRMR

0.

050.08是否允许相关适用于测试量表结构、验先前的探索性分析，要求明确指定测量模型查因子载荷大小通常要求，统计显著CFA

0.5证理论模型和跨样本文化的测量等价性的结构性，以及收敛效度和区分效度指标/主成分分析概念与目的与因子分析的区别实现SPSS主成分分析是一种降维技术，将虽然在中作为因子分析的一虽然概念上不同，在中通过PCA PCASPSS PCASPSS可能存在高度相关的原始变量转换为种提取方法，但它与真正的因子分析因子分析功能实现选择分析→降1一组线性无关的变量主成分每个主有概念区别分析所有方差共维因子；将变量放入变量框；→1PCA2成分是原始变量的线性组合，按解释同方差和特有方差，而因子分析只关点击提取，选择主成分作为方3方差从大到小排序的主要目的注共同方差；是纯粹的数学降法，设置因子数量或保留标准；点PCA2PCA4是减少数据维度，简化分析；减维，不假设潜在结构，而因子分析假击旋转选择旋转方法如；12Varimax少共线性问题；确定能最大程度保设存在潜在构念；主要用于数点击选项设置缺失值处理和输出33PCA5留原始数据信息的少量合成变量；据简化和预测，因子分析主要用于发选项；点击得分如需保存主成分46发现数据中的潜在结构现潜在结构和理论构建；在实际应得分；点击确定执行分析47用中，样本量大且共同度高时，两者结果往往相似聚类分析概述聚类分析的基本概念1聚类分析是一种无监督学习方法，旨在将相似对象分组到同一聚类中，同时确保不同聚类中的对象差异显著它不依赖于已知的分类标准，而是根据对象之间的相似性或距离自动发现数据中的结构和模式聚类分析可用于市场细分、客户分群、生物分类、图像分割等众多领域关键步骤2聚类分析一般包括五个关键步骤选择合适的变量和预处理数据，包括标准化以消除不同尺度的影1响；选择合适的距离或相似性度量，如欧氏距离、曼哈顿距离或相关系数；选择适当的聚类算法；23确定最佳聚类数；解释和验证聚类结果，评估聚类的稳定性和有效性45主要聚类方法3聚类方法主要分为两大类层次聚类，通过合并凝聚法或分裂分裂法创建聚类层次结构，无需预1先指定聚类数量，但计算成本较高；非层次聚类，如均值聚类，需要预先指定聚类数量，适合大数2K据集和球形聚类每种方法有不同的算法变体，如中的两步聚类结合了两种方法的优势SPSS挑战与注意事项4聚类分析面临的主要挑战确定最佳聚类数是主观的，可能需要尝试不同数量；结果可能对初始条12件敏感尤其是均值法；不同距离度量和算法可能产生不同结果；高维数据可能面临维度灾难；K34异常值可能严重影响结果建议在聚类前进行探索性分析，尝试多种方法，并结合领域知识解释结5果均值聚类K算法原理距离度量实现SPSS均值聚类是一种划分聚类方法，通过均值聚类通常使用欧氏距离作为相似在中执行均值聚类选择分析K KSPSS K1迭代优化将观测分配到预定数量K的聚性度量，即对象间直线距离的平方这→分类→K均值聚类；2将用于聚类的类中算法步骤随机选择个初始使得均值对尺度差异和异常值敏感，变量放入变量框；指定聚类数量；1K K3聚类中心；将每个观测分配到最近的因此常需要对变量进行标准化中选择迭代和分类可设置最大迭代次2SPSS4聚类中心；重新计算每个聚类的中心可通过分析前储存标准化得分选项实数和收敛标准；选择保存可保存聚35点均值；重复步骤直到聚类中心现均值也假设聚类呈球形且大小相类成员和距离；选择选项可显示初42-3K6稳定或达到最大迭代次数目标是最小似，不适合检测不规则形状的聚类始聚类中心、表等；点击确ANOVA7化组内差异总和，即使各聚类尽可能紧定执行分析凑结果解读与评估均值输出结果包括初始和最终聚K1类中心，表示各变量在各聚类中的平均值；聚类成员数量，显示各聚类的大2小；表，显示哪些变量对聚类3ANOVA区分贡献最大；迭代历史，显示收敛4过程评估聚类质量可考虑聚类内部一致性、聚类间差异显著性、轮廓系数等最佳聚类数可通过尝试不同值并K比较组内平方和的肘部图确WCSS定层次聚类层次聚类方法聚类间距离度量实现步骤SPSS层次聚类创建数据的嵌套层次结构，分为两层次聚类需要定义聚类间距离计算方法单执行层次聚类选择分析→分类→层次聚11种方法凝聚法自下而上，初始将每个观联结法最近邻，使用两个聚类中最相似对象类；将变量放入变量框，或将计算好的12测视为单独聚类，然后逐步合并最相似的聚间的距离；完全联结法最远邻，使用两个距离矩阵导入；选择统计量设置聚类方案23类，直到所有观测归入一个聚类；分裂法聚类中最不相似对象间的距离；平均联结和距离矩阵显示；选择图设置树状图和冰234自上而下，初始将所有观测视为一个聚类，法，使用所有对象对间距离的平均值；柱图；选择方法指定聚类方法如5Ward然后递归分裂，直到每个观测成为单独聚法，最小化合并后的方差增加，倾向法、距离度量如欧氏距离平方和标准化选4Ward类主要实现凝聚层次聚类，结果通常产生大小相近的聚类；质心法，使用聚类均项；选择保存可保存聚类成员；点击SPSS567以树状图呈现值间的距离不同方法可能产生不同结果确定执行分析dendrogram判别分析判别分析的概念和用途判别分析是一种有监督分类技术，用于确定哪些变量最能区分已知组别；创建能将新观测分类到已12有组别的函数；评估现有分类的准确性它类似于方差分析的逆过程方差分析检验已知组别在连续变3量上的差异，而判别分析使用连续变量预测组别成员典型应用包括客户分类、疾病诊断、信用评估和生物分类学判别函数原理判别分析通过创建一个或多个线性判别函数来区分组别这些函数是预测变量的线性组合，形式为₀₁₁₂₂，其中为判别系数，为预测变量对于个组别，最多可D=b+b X+b X+...+b Xb Xkₙₙ创建个判别函数第一个函数最大化组间差异，随后的函数在与前一函数正交的条件下最大化剩余k-1差异每个观测获得的判别分数用于预测其组别成员实现步骤SPSS执行判别分析1选择分析→分类→判别分析；2将分组变量放入分组变量框并定义范围；3将预测变量放入自变量框；选择统计量可显示组均值、单变量等；选择分类设4ANOVA5置先验概率、分类图和验证方法；选择方法设置变量选择方法如逐步法；选择保存可保67存预测组别和概率；点击确定执行分析8结果解读与评估判别分析输出结果包括组均值和标准差，显示各变量在各组的差异；和12Wilks LambdaF检验，评估各变量的区分能力；特征值和正准相关系数，衡量判别函数的效力；结构矩阵，34显示变量与判别函数的相关性；分类结果，包括混淆矩阵和正确分类率分类准确度应与偶5然正确率比较，通常使用交叉验证或留一法评估模型的泛化能力生存分析概述生存分析基本概念核心函数与术语生存分析研究时间到事件数据，关注从起始点到感兴趣事件发生所需的时间这类分析生存分析的核心函数包括生存函数，表示存活超过时间的概率；风险函数1St t2广泛应用于医学研究如患者存活时间、工程如设备故障时间、社会科学如就业持续，表示在时间存活的条件下，在下一时刻发生事件的瞬时概率；累积风险函数ht t3时间等领域生存分析的特点是能处理截尾数据即观察期结束时还未发生事件的案例，重要术语包括事件感兴趣的结果、截尾观察结束前未发生事件、风险集在Ht这是普通回归方法难以处理的时间仍然面临风险的个体集合、风险比两组风险函数的比值t主要分析方法数据准备与结构生存分析的主要方法包括估计，非参数方法，估计生存函数并比较不生存分析数据需要包含至少三个关键元素时间变量，表示从起始到事件或截尾的时1Kaplan-Meier1同组的生存曲线；比例风险回归，半参数方法，评估多个协变量对生存时间的影间；状态变量，表示观察期结束时事件是否发生通常编码事件发生，截尾；2Cox21=0=3响，不假设特定分布形式；参数回归模型，如指数、或对数正态模型，假设协变量，可能影响生存的预测变量数据可以是固定时间格式每行一个观测或计数时3Weibull-生存时间遵循特定分布；竞争风险模型，处理多种可能事件的情况；时间依赖协变间格式每行表示特定时间间隔在中，状态变量必须是数值型45SPSS量模型，处理随时间变化的预测变量生存分析Kaplan-Meier时间月治疗组生存率对照组生存率方法是一种非参数技术，用于估计和绘制生存函数它考虑了截尾数据，在每个事件发生时更新生存概率估计计算基于条件概率原理在时间的生存概率等于之前的所有时间点的条件生存概率的乘积每Kaplan-Meier tt当发生事件，生存概率更新为当前概率乘以事件数风险集人数曲线呈阶梯状，在事件发生时下降，平台期表示无事件发生1-/Kaplan-Meier在SPSS中执行Kaplan-Meier分析1选择分析→生存→Kaplan-Meier；2将时间变量放入时间框；3将状态变量放入状态框并定义事件值；4可选择将分组变量放入因子框比较不同组的生存曲线；5点击选项可设置统计量和图表选项；点击确定执行分析结果包括生存表、生存函数图和平均中位生存时间6/比较不同组生存曲线的统计检验包括对数秩检验，对生存期全程的差异敏感；检验，对早期差异更敏感；检验，居中敏感性如果检验，表明组间存在显著生存差异报告结1Log-rank2Breslow3Tarone-Ware p

0.05果应包括事件描述、总体中位生存时间、各组中位生存时间和置信区间、生存曲线图和比较检验结果95%回归分析Cox比例风险模型原理Cox比例风险回归是一种半参数模型，用于分析多个预测变量对生存时间的影响模型不假设基线风险函Cox数₀的具体形式，但假设预测变量通过乘法方式影响风险h t₀₁₁₂₂系数表示变量对风险的对数影响，是风险比ht=h t×expb X+b X+...+b Xb expbₙₙ，表示该变量每增加一个单位导致的风险相对变化表示风险增加生存率降低，表示风HR HR1HR1险降低生存率增加比例风险假设回归的关键假设是比例风险性不同组别的风险比在整个观察期内保持恒定检验该假设的方法包括Cox将预测变量与时间的交互项加入模型；使用残差检验；检查生存曲线是否平行12Schoenfeld3log-log如果违反该假设，可考虑分层模型、添加时间依赖协变量、使用不同时间段的单独模型，或改用参Cox数模型实现步骤SPSS执行Cox回归1选择分析→生存→Cox回归；2将时间变量放入时间框；3将状态变量放入状态框并定义事件值；将协变量放入协变量框；点击分类协变量定义分类变量编码；点击选项可选456择统计量、显示基线函数和设置；点击图可获得生存、风险和图；点击确定执行CI7log-minus-log8分析结果解读与报告回归输出结果包括整体模型检验卡方检验，评估模型是否显著；变量系数表，显示每个预测变Cox12量的系数、标准误、统计量、显著性和风险比及其；协变量均值表；生存函数图报告Wald expbCI34时应包括样本描述、事件率、有意义的预测变量及其和、整体模型拟合度和比例风险假设检HR95%CI验结果对于重要预测变量，可提供调整后的生存曲线或预测生存概率课程总结和实践建议核心知识回顾技能应用与实践本课程系统介绍了软件的使用方法和数据分析统计分析能力的提升需要持续实践建议使用SPSS1技术，从基础的软件操作、数据管理到高级的统计真实数据集进行练习，复现课程中的分析步骤；2分析方法，建立了完整的知识体系我们学习了描尝试建立自己的研究问题并设计合适的分析方案；述性统计、参数检验和非参数检验、相关与回归分学习解读和复现已发表研究中的统计分析；加34析、分类技术和生存分析等多种方法，掌握了它们入实践社区或研究小组，与他人交流分析经验；51的原理、适用条件、操作步骤和结果解读技参与实际研究项目，将所学技能应用于解决真实问SPSS2巧题科学研究与伦理进阶学习方向数据分析不仅是技术问题，也涉及科学和伦理问题请记住统计显著性不等同于实际重要性，4统计学习是持续发展的过程，可考虑的进阶方向1结果解读应结合实际背景；避免值钓鱼和数据3深入学习特定研究领域的专业统计方法；探索2p12挖掘式的假设检验；重视统计假设和前提条件，结构方程模型、多层线性模型等高级技术；学习33不滥用统计方法；透明报告分析过程，包括尝试、等编程语言，扩展数据分析能力；了4R Python4过的方法和不显著的结果；保护数据隐私和被试解机器学习和数据挖掘技术，拓展分析思路；关55权益；以服务科学发现和解决实际问题为最终目注统计方法论的发展和新兴分析技术6标。