SPSS操作心理学研究方法舒华笔记修复的Word文档下载推荐.docx

SPSS操作心理学研究方法舒华笔记修复的Word文档下载推荐.docx

《SPSS操作心理学研究方法舒华笔记修复的Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《SPSS操作心理学研究方法舒华笔记修复的Word文档下载推荐.docx（27页珍藏版）》请在冰豆网上搜索。

（2）偏相关分析

相关关系不能确定为因果关系，若自变量和因变量相关，但没法证明因变量是由于自变量的影响造成的，此时发现第三个变量对自变量和因变量都有影响，可以的解决方法是把第三个变量转化为控制变量。

偏相关分析是一种尝试从统计上控制第三变量的方法，可用来估计第三变量的效果。

逻辑是，在移出或控制第三变量的前提下，测量研究者所感兴趣的两个变量之间的关系。

使用SPSS可进行偏相关分析，实例P51.

此处可选择双侧检验和单侧检验

从输出的结果可看出，在控制智商变量的前提下，阅读速度与阅读理解成绩之间的相关为0.06，p=0.752.不控制时，二者的相关为①中得出的0.58，说明智商的确是重要的第三变量，对阅读理解和阅读速度之间的0.58相关有显著的贡献。

（3）交叉滞后的相关设计

相关分析仅能确定两个变量有因果关系，但无法确定相关方向，即是变量1影响变量2还是变量2影响变量1，交叉滞后相关可以作为解决该问题的一种方法。

（4）结构模型和线性结构方程

近年来流行的高级技术，可以确定几个变量之间的因果线路。

能够同时考虑有无因果关系以及因果关系的方向两个问题。

2.斯皮尔曼等级相关系数

当计算评分者信度时，评分者只有两人或者一个人先后两次评若干份试卷时，采用此种相关系数计算。

SPSS操作步骤如下

四、多重回归模型分析的SPSS操作

回归分析（英语：

RegressionAnalysis）是一种统计学上分析数据的方法，目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。

在使用回归分析时，所有变量必须进行标准化处理。

公式为y^=a+bx，b值使用最小二乘法计算。

1.一元线性回归（一个自变量）

假设Y与X的相关显著,意味着回归系数c显著（即H0:

c=0的假设被拒绝）。

输出结果：

我们看到的第一个表格是变量进入和移除的情况，因为这个模型拟合的比较好，所以我们看变量只有进入没有移除，但大部分的时候变量是有进有出的，在移除的变量这一栏也应该有变量的。

​第二个表格是模型的概况

R表示拟合优度，它是用来衡量估计的模型对观测值的拟合程度。

它的值越接近1说明模型越好。

调整的R平方比调整前R平方更准确一些，图中的最终调整△R2=0.245，表示自变量一共可以解释因变量24.5%的变化。

【一般认为，拟合优度达到0.1为小效应（R方0.01），0.3为中等（R方0.09），0.5为大（R方0.25），这是针对自然科学的一般界限】

结果为R2=0.247，△R2=0.245（矫正后的R2）表示自变量能解释因变量总变异的24.5%，SE=0.869（随机误差的估计值）。

该表中，写论文报告结果时，只报告矫正后的R2值。

第三个表Anova表示方差分析结果，主要看F和sig值两个，F值为方差分析的结果，是一个对整个回归方程的总体检验，指的是整个回归方程有没有使用价值，其F值对应的Sig值小于0.05就可以认为回归方程是有用的。

另外，从F值的角度来讲：

F的值是回归方程的显著性检验，表示的是模型中自变量可解释的因变量的变异与误差变异相比是统计上显著的。

表格可以检验是否所有偏回归系数全为0（多元回归分析时），sig值小于0.05可以证明模型的偏回归系数至少有一个不为零。

若F>

Fa（k,n-k-1），则拒绝原假设，即认为列入模型的各个自变量联合起来对因变量有显著影响，反之，则无显著影响。

这里简单对Fa（k,n-k-1）进行一下解释，k为自变量个数，n为样本容量，n-k-1为自由度。

对于我的实验中的情况来讲，k=3，样本容量为146，所以查表的时候应该差Fa（3,142），一般数理统计课本中都有F分布表，a表示的显著性水平（一般取0.05），但我们手头不一定会有课本，就需要借助于excel来查F表，打开excel，在公式区输入：

=FINV（0.05,3,142），在单元格中即出现2.668336761，表中的F值显著大于这个值，则认为各个解释变量对因变量有显著影响。

第四个表是参数的检验，这个表格给出了对偏回归系数（B）和标准偏回归系数（Beta）的检验，偏回归系数（B）用于不同模型的比较，表示有截距时的回归系数，标准偏回归系数（Beta）用于同一个模型的不同系数的检验，表示无截距时的回归系数（回归线经过原点），表示自变量变化1个单位，因变量变化B个单位，其值越大表明对因变量的影响越大。

图多元回归分析的参数检验结果

需要注意的是，多元回归分析时，方差分析是对多个自变量的总体检验，而不是单个自变量（单个自变量在系数表中，为单样本T检验，如上图），这就是第三个表回归系数表中的内容。

系数表格列出了自变量的显著性检验结果（使用单样本T检验），最后一列为T检验的sig，表中均小于0.05，说明自变量对因变量具有显著影响，B表示各个自变量在回归方程中的系数，负值表示这个自变量对因变量有显著的负向影响，但是由于每个自变量的量纲和取值范围不同，基于B并不能反映各个自变量对因变量影响程度的大小，这时候我们就要借助标准系数。

目前表格中的“试用版”实际上是Beta的意思，此时数值越大表示对自变量的影响更大。

回归分析结果，只报Beta值，t值，△R2，不需要报F值，只需要在结果上标**。

2.多元线性回归（多个自变量）

使用多重回归模型进行数据分析一般思路：

1　相关分析。

将多个自变量与一个因变量进行相关分析，初步探讨各自变量与因变量之间的关系，以及各变量之间的关系（输出结果为相关矩阵）。

2　完全多重分析。

将所有相关的自变量与因变量做多重回归分析，探讨影响因变量的预测性指标。

3　层次回归。

当第一步的相关分析中，某一个自变量与因变量的相关系数很高时，为了进一步探讨该变量对因变量的独特作用，采用层次回归的方法，将感兴趣的变量放在最后一步进入方程，考察在排除了其他变量的贡献的情况下，该变量对回归方程的贡献。

如果该变量仍有明显的贡献，那么可以得出结论，该变量确实具有其他变量所不能代替的独特作用。

（1）Enter法

将多个自变量同时放入建立的方程式中。

从图中可以看出，三个自变量能够解释因变量总变异的89.2%

由此图看出，该回归方程是有意义的（p<

0.05）

可以看出三个自变量都对因变量有显著影响（p<

0.05），生涯关注和生涯好奇的beta值更大，可见这两个自变量对因变量的影响更大。

接下来可以通过层次回归的方法着重分析这两个自变量。

（2）层次回归

层次回归的基本思想是，将感兴趣的变量放在最后一步进入方程，以考察在排除了其他变量的贡献后，该变量对回归方程的贡献。

将除了主动性人格之外的其余变量均放入自变量框中，点击【Next】。

然后把主动性人格放入自变量框中，并点击【Statistics】，勾选【Rsquaredchange】，可以观察到主动性人格的独立作用。

主动性人格（Model2）对生涯适应力的贡献为R2=0，且F=0.010，p=0.919>

>

0.05，此回归方程无意义。

所以，主动性人格对生涯适应力基本没有贡献值。

（3）逐步回归（stepwiseregression）

在建立多元回归方程的过程中，按偏相关系数的大小次序将自变量逐个引入方程，对引入方程中的每个自变量偏相关系数进行统计检验，效应显著的自变量留在回归方程内，循此继续遴选下一个自变量。

如果效应不显著，停止引入新自变量。

由于新自变量的引入，原已引入方程中的自变量由于变量之间的相互作用其效应有可能变得不显著者，经统计检验确证后要随时从方程中剔除，只保留效应显著的自变量。

直至不再引入和剔除自变量为止，从而得到最优的回归方程。

五、实验设计的基本术语（主效应、简单效应等）

（1）主效应与交互作用

主效应是指一个因素的独立的效应，即它的不同水平所引起的变异。

在包含多个因素的研究中，则有多个主效应。

主效应只是把因素的一个水平同该因素的其他水平相比较，而不考虑其他因素。

交互作用反映的是两个或多个因素之间存在的交互作用，这种交互作用称作二重交互作用，一般写作A×

B。

（2）简单效应和简单简单效应

当二重交互作用显著时，研究者需要进行简单效应检验。

所谓的简单效应是指，一个因素水平在另一个因素的某个水平上的变异。

简单效应的SPSS操作需要使用句法编辑器实现。

六、实验设计

1.单因素被试间设计（t、F）

（1）单因素两水平独立组设计（t检验）

选择独立样本t检验来分析数据，具体SPSS操作步骤如下：

选好因变量和自变量后，点击

，选择自变量的分组，比如控制组为1，实验组为2，选择后点击continue按键。

之后再TTest页面点击OK，开始t检验。

检验结果如下。

描述统计结果

包括mean=M（每组的平均数）、Deivation=SD（标准差）、errorMean=SE（标准误）。

独立样本t检验结果

方差齐性是使用参数统计检验的一个基本要求。

SPSS执行两个版本的独立样本t检验，即方差齐时的t检验（上一排输出结果）和不齐时的t检验（下一排输出结果），具体如下图所示。

写文章时，如果报告的是方差不齐的t检验结果，那么必须予以说明。

t检验报告的结果包括：

F（方差齐性检验结果）、Siq.（方差齐性检验的p值，若p>

0.05,说明两样本代表的总体方差相等，齐性）、t（t值）、df（自由度）、Siq.（2-tallde）[双侧t检验的p值]、MeanDifference（平均差）、Std.ErrorDifference（差别的标准误）、

confidenceinterval意思是置信区间，即0.95水平的置信区间的的最大值（upper）和最小值（lower）。

（2）单因素两组匹配组设计（t检验）

（3）单因素完全随机多组设计【单因素多水平F检验：

方差分析ANOVA】

一般线性模型【GeneralLinearModel】,单变量的【Univariate】，多变量的【Multivariate】，重复测量【RepeatedMeasures】。

勾选后，点击【Continue】

回到Univariate对话框，点击【OK】，开始F检验。

输出的结果包括描述统计和方差分析两部分结果。

上图为输出的方差分析结果。

均方【MeanSquare】

结果显示F（2,57）=1.280，P=0.286>

0.05,表示在0.05水平上无显著差异。

v方差分析计算效应量（η2）

单因素方差分析时，效应量需要手动计算，计算公式为：

多因素方差分析时，效应量可以用SPSS计算，操作步骤如下：

v进行事后检验步骤如下：

检验结果如下：

控制组（1组）与5分钟实验组（2组）相比，P=0.496，差异不显著。

控制组与10分钟实验组（3组）相比，P=0.063，边缘显著。

5分钟实验组（2组）与10分钟实验组（3组）相比，P=0.500，差异不显著。

2.两因素完全随机实验设计（方差分析ANOVA）

进行以上操作后，点击【OK】按钮。

利用SPSS制作平均数分析图的步骤如下：

得出结果如下图：

3.被试内设计

4.混合设计

八、个案研究

1．卡方检验