SPSS介绍李洋.pptVIP

探索性统计分析的变量选择 当前数据文件中的所有变量 对总分变量进行探索性分析，可多选 对因变量“总分” 按照因子变量“性别”进行分类统计 用标注个案来区分观察值，例如用姓名来区分 用原样本自身的数据抽样得出新的样本及统计量的设置 探索性统计分析的统计量选择 输出描述统计量，包括：均值、中值、方差、标准差、极值、全距、峰度、偏度 设定置信区间，默认为95% 选中此选项，会输出5个最大值和5个最小值。 选中此选项，会输出5%、10%、25%、50%、75%、90%、95%这些百分等级所对应的百分位数 选中此选项，输出四种均值的稳健极大似然估计量，结果会显示Huber的M估计、Tukey的双权重、Hampel的M估计和Andrew的波估计，稳健估计是一种回归分析，如果误差成正态分布时，它比LSE（最小二乘估计）差，但是当误差成非正态分布时，泽比LSE好的多 探索性统计分析的绘制图选择 不同因变量的箱图分别绘制在不同的图中。 用Levene检验比较各组数据的方差是否相等，以判定数据的离散程度是否存在差异。如果通过分析发现各组数据的方差不同，那么就需要对数据进行转换使得方差尽可能相同。Levene检验进行方差齐性检验时，不强求数据必须服从正态分布，它先计算出各个观测值减去组内均值的差，然后再通过这些差值的绝对值进行单因素方差分析。如果得到的显著性水平小于0.05，那么就可以拒绝方差相同的假设。 选中此选项，SPSS输出正态检验性结果，以及正态Q-Q概率图和反趋势正态Q-Q概率图。 不产生箱图 所有因变量的箱图绘制在一张图中，并用不同颜色区分。 探索性统计分析的缺失值的处理方式 排除因子变量及因变量中的所有缺失值数据 除了会排除带有缺失值的数据以外，还会排除与其有成对关系的数值 将因子变量的缺失值另外分类，在输出频数表时将该缺失值作为单独类输出 茎叶图 表示0-10之间的数有1个：10*0.5 茎叶图是描述连续变量次数分布的一种方法，有频率（Frequency）、茎（stem）和叶（leaf）三部分，底部还有茎宽（Stem Width）和每叶的个案数，茎值为数据/茎宽的整数部分,叶为数据/茎宽的小数部分。 表示20-30之间的数有9个：2.0*10 、 2.1*10、2.1*10、2.2*10、2.3*10 、 2.3*10、2.4*10、2.6*10、 2.8*10 直方图 直方图是一种频数分布图, 它反映在某一观测值范围内的个案数。直方条下部的中点坐标是该观测值范围的中点、直方条的宽度代表该观测值范围、直方条的高度代表该观测值范围内的个案数。 箱图 箱图也是一种重要的探索性统计分析方法，可以直观地反映一组观测值的集中趋势、离散趋势、以及不正常的观测值（奇异值和极值，均可被排除后重新分析）。 最大值 最小值 上四分位点 下四分位点 中位数,当前中位数偏低部，表明低分较多 四分位距 正态Q-Q概率图 正态概率图是由观测值与按正态分布的预期值作出来的散点图 ，如果实际值为正态分布 ，则其与预期值具有线性对应关系，散点图回归一条斜线，该斜线是正态分布的标准线，散点图组成的回归线越接近于标准线，表示实际观测数据越接近正态分布；如果以观测值、其与正态分布期望值的离差值做散点图，则当散点近似随机地落在过原点的中间横线周围时，数据分布接近于正态分布。 反趋势正态Q-Q概率图 反趋势正态Q-Q概率图是用观测值与正态分布期望值的离差值做散点图，则当散点近似随机地落在过原点的中间横线周围时，数据分布接近于正态分布。 实例分析：大学新生心理健康状况 1、根据大学新生的心理健康状况测评结果，分析判断本班学生得分情况的集中趋势指标、离散趋势指标级分布情况； 2、根据大学新生的心理健康状况测评结果，运用SPSS 的探索性分析，深入了解数据的分布特征，并结合茎叶图、直方图、箱图、正态Q-Q概率图、反趋势正态Q-Q概率图等进行描述。 7.3 相关性分析 相关性分析是用于研究变量之间的关系，并分析其密切程度的一种方法，相关分析使用相关系数r（-1≤ r ≤ 1）来计算变量之间的的紧密程度，r0表示成负相关、r0表示成相关；|r|越大，则相关性越强，|r|越小，则相关性越弱。 相关分析的基本步骤为： （1）建立并打开数据文件； （2）根据数据分布情况，启动相关分析过程：选择“分析”|“相关”|“双变量”、“偏相关”或“距离”命令； （3）选择分析变量； （4）选择相关分析的方法； （5）选择显著性检验类型及其标志 双变量相关分析 双变量相关分析是最常用，用于对变量进行线性相关分析。 需要进行相关性分析的变量 Pearson皮尔森相关系数是用于反映两个变量线性相关程度的统计量，适用于连续数据、正态分布、线性关系数据。 Spearman斯皮尔曼相关系数又称秩相关系数，是利用