SPSS笔记..doc

1、信度分析（指标及其降维与量表的可靠性关系，即Cronbachα系数） 2 2分析——频率分析（把握数据分布特征） 2 3、分析——探索 3 4、P-P图 4 5、制图 4 附加内容：参数估计 5 6、t检验（student t检验）——均值的差异性 5 附加：非参数检验 5 7、方差F检验 6 8、单因素ANONA检验（亦是方差检验，即一维方差分析） 6 9、分析→一般线性模型→单变量 7 10、卡方分析（Kappa）——表示观测值At与理论值pt间的偏离程度。 8 11、相关分析（不确定性关系分析）——方向与大小方面的关联 8 附加：二元变量相关分析：（两个及以上变量零假设的相关性分析） 8 12、偏相关分析：（控制可能影响性变量） 9 13、回归分析基础（确定性关系的分析） 9 附加：线性回归分析（R2、F（方差）、Sig.） 10 14、主成分分析与因子分析 11 15、因子分析 13 16、分析→分类 14 分类概述（非分层的） 14 附加：K-means聚类过程：（用变量来实现样品的动态分类） 15 附加：系统聚类（分层聚类） 15 两步聚类：（置信度Confidence level区别其是否有差异） 16 1、信度Cronbachα系数） 信度界定： 人们在衡量某事物的某种综合特征时，往往要从影响该事物该种特征的多个方面进行分析。例如评价某人的身体素质，就要从他的身高、胸围、脉搏、血压及肺活量等多个方面进行考虑。由这些指标的聚集构成的表称为量表。 量表的结构是否合理，或者说所选择的指标是否全面反映对应事物的性质，以及指标取值的可信程度等等，需要作出判断。 可靠性分析就是一种对上面几个问题进行解决的方法。 基本功能： 通过研究测量数值和组成研究指标的特性，剔除无效的或者对研究对象作用较小的指标，从而达到将一个多维的研究对象进行降维的目的，正是由于对分析数据进行了降维，发现了反映研究对象的数据结构，从而提高数据的可靠性。 可靠性分析主要应用在用多个指标反映对象的问题，通过对多维变量进行变量降维，达到既不影响研究对象，又降低研究难度的作用。 进行可靠性分析时，最常用的度量统计量是Cronbach α 系数。该系数判断量表的内部一致性。 当量表内的项目被标准化为标准差取1 时，根据项目的平均相关系数来判断; 当项目没有进行标准化时，采用项目间的平均协方差进行判断。 Cronbach α 系数可被看作相关系数，即该量表与所有含有其他可能项目数的量表之间的相关系数。 Cronbach α 系数其大小可以反映量表随机误差影响的程度，反映测试的可靠程度。 Cronbach α 系数系数值越大，则量表受随机误差的影响较小，越可靠。 关键： 1）量表的α系数为计算恒定值，如果删除CHX则α变为靠近量表的α系数，有较大提升，说明CH1的数据值得怀疑，剔除该变量有助于提高整个表的可靠性。 2）标准差取1 时，根据项目的平均相关系数来判断;当项目没有进行标准化时，采用项目间的平均协方差进行判断。 3）Cronbach α 系数系数值越大，则量表受随机误差的影响较小，越可靠。 信度判断标准：Cronbachs Alpha 注：大于0.9（很好）；大于0.8（一般）；大于0.7（提示需要修正，但勉强可以接受），低于0.7需要预示信度很差。 离散：提供最常用的标准差，其中均值标准误可以粗略用于：均值差（观测均值与假设值）与标准误的比值超出[-2 2]的范围，则可以断定两个值不同。 分布：偏度和峰度描述分布形状和对称性的统计量 有关偏度的经验标准：偏度值超过标准误的两倍，可以认为分布有偏。图表：直方图（提供正态曲线）。说明：将标准化得分另存为变量。;与之相反的是，集中趋势小时，离散趋势的指标的代表性就高。 方差（variance），是一组资料中各数值与其算术平均数的离差平方和平均数。 标准差（standard deviation），是方差的平方根。 一般来讲方差和标准差的数值越小则说明数据越稳定，方案越好。 3）偏度（|SK|大于2） 描述频数分布数列中各观察值是否对称地分布在中心的两侧，或者说某一侧的观察值是否比另一侧的观察值对中心偏离得更远些。是衡量平均数、中位数和标准差之间的关系的，用SK 表示。 一般为|SK|大于2 时，就算偏离程度很大了。 4）峰度（kurtosis——峰度K系数为3） 是频数分布的另一个性质，它是指次数曲线的高峰形态。用K 表示。 峰度系数为3 称为常态峰，大于3 称为高狭峰，其余为低阔峰。 5）M估计（M-estimators）：（集中趋势的稳健估计，该统计量是利用迭代方法计算出来，一般来说受异常值影响要小的多。正态分布的Lilliefors显著