spss课堂笔记.docx
《spss课堂笔记.docx》由会员分享，可在线阅读，更多相关《spss课堂笔记.docx（12页珍藏版）》请在冰豆网上搜索。
spss课堂笔记
1、教学数据
2、研究数据（2-3周做好选题工作）
（1）自备数据（导师提供的数据）
（2）赵老师提供的数据
（A.NSSE-CHINA.2010-2013;B.CGSS.2006中国社会状况综合调查C.其他）
3、助教：
确定选题、汇总研究进度、提出修改意见。
查重：
paper.
<0.05小概率事件<0.01极小概率事件
0.002的概率<0.05，假设研究样本和总体样本s=x1-x2=0不成立，显著
地方依赖感
焦虑抑郁神经质根据一周以来的自我感受
SCL
性别：
2
年龄：
23
民族：
1
专业：
土地资源管理4
学历：
研究生硕士
城乡：
1
职业：
学生
建立数据文件、算出总分
独立样本的检验T检验
男的均值>女的均值，所以女性的精神病性更强。
0假设：
男性JSBX得分和女性相同。
（不存在显著差异）
构建变量，考察
研究结果表明：
方差的Sig>0.05均值的Sig>0.05不显著相关
F，P，对应t和p为，俩总体均值不存在显著差异，男女研究生在JSBX研究上，不存在显著差异。
方差的Sig<0.05均值的Sig<0.05显著相关
科学：
对象可确定的，可观测的、可测量的，对象的观测和测量可以重复观测和测量，结果可以保持不变。
SQL标准化的量表
音频分析，对音频高的进行汇总。
统计学：
数据分析的方法论。
SAS
EVIEWS
S-plus
编码手册做好、设置97个变量
1-100岁进行等距变量婴儿、儿童…
研究说明和解释
完整的
题目、摘要、作者简介3~6：
5000-6000
1、问题背景
2、方法（T检验、回归分析…）工具（SQL90）和程序（样本）
3、结果3.13.23.3
4、分析讨论
5、基本结论
6、参考文献
变量计量尺度：
性别：
定类变量
年龄：
定距定秩定比
Scale：
定距数据收入、人数
Ordinal：
有固定顺序年龄段职称
nominal:
无固定顺序性别
BemSexRoleInventory
横的为变量，竖的为个案。
8个个案。
8人次。
0假设：
喝茶前体重-喝茶后体重=0
Sig=0.000<0.05假设不成立说明这两数据存在显著差异
男女
专业1：
1023
专业2：
1210
Exp1：
1、不多于8个字符
2、不区分大小写
3、允许汉字作为变量名
4、默认变量：
var
数值型：
1、逗号：
123,456
2、科学计数法：
1.2E+05
字符串（string）：
日期型（Date）：
变量名标签：
解释说明
变量值标签：
品质数据1-男2-女、1-高2-中3-低
缺失值：
漏填的、明显错误的、篡改的数据
快捷键学习：
关机：
ALT+F4
切换“alt+tab
回到桌面：
Windows+D
利用副本进行数据操作
怎么避免数据复制过来以后串行？
好像没说~
描述统计：
没有推理过程的统计。
标准差、方差、级差：
描述离散程度的变量。
均值：
描述集中程度的变量。
描述分布情况：
偏度、峰度。
3西格玛大约99.73%落在[-3○，3○]
1、频数分析
2、Spss中使用的是样本方差很敏感地反映数据的离散程度
表1（空一格）
姓名
年龄
收入
哈哈
呵呵
均值
中位数
众数
实证和否证？
绝对真理和相对真理：
否证：
找不到反驳的条件或案例，那么也就间接证明了他的真实性。
抽样分布
假设检验的基本步骤
（1）根据检验的目标，对待推断的总体参数或分布做一个基本假设Ho平均年龄50岁（总体均值与检验值之间不存在显著差异）
（2）构造检验统计量，且该统计量服从某种已知分布。
TF检验20与50之间是否存在显著差异
（3）如果概率P值小于用户给定的a水平，则拒绝0假设，否则o假设成立。
（计算T统计量及相应的P值）
（4）P<=a，拒绝0假设，总体均值和检验值之间有显著差异。
单样本T检验：
分析——均值比较检验值为75
得到：
研究结果表明，平均身高为71.8，得到T值，对应P值为，<0.05，拒绝0假设，周岁儿童平均身高小于75cm。
例如：
《中日周岁儿童平均身高比较研究》
独立样本：
配对样本：
1分析——>比较均值——>单样本T检验
表3-1周岁儿童身高的单个样本检验
检验值=75
t
df
Sig.（双侧）
均值差值
差分的95%置信区间
下限
上限
周岁儿童的身高
-3.620
20
.002
-3.14286
-4.9539
-1.3319
构建单样本t检验公式，考察周岁儿童身高是否为75CM，研究结构钢表明：
t=-3.62，p=0.002（<0.05），所以，拒绝零假设，也就是说周岁儿童身高与75CM之间存在显著差异。
2两独立样本T检验是单因素方差分析的形式
1.Ho=U1-U2=0两总体均值无显著差异
2.构造检验统计量，从两样本均值差的分布出发FT
3.<0.05，拒绝零假设，存在显著差异。
方差齐性F检验两总体方法是否齐性
<=a拒绝非齐性
3两配对样本t检验
两总体均值无显著差异，差值序列的均值u=0
0.000不等于0
方差分析
（1）观测变量：
作为观测的对象（如：
亩产量、推销量）
（2）控制因素：
人为可以控制的因素（如，施肥量、种子、先天环境）
观测变量的数据差异=控制因素造成+随机因素造成
{单因素方差分析：
只考虑一个控制因素AC
（各水平下，各总体的分布是否存在显著差异，进而判断各控制变量是否有影响）
构造F统计量：
SST=SSA+SSE
结论：
F值较大时候，P<=用户给定的显著性水平a，则拒绝Ho，认为不同水平各总体均值有显著差异。
LSD:
单因素方差分析中的多重比较，事后两两比较。
（特点：
利用了全部样本数据，不仅是所比较的两组的数据，且认为各水平均是等方差的）
{多因素方差分析：
考虑2个以上的控制因素和他们的交互作用对观测变量的影响
A+B+ABC
SSAB=SST-SSA-SSB-SSE
A、B、AB对应的三个F值
结论：
依次查看各F值，F值较大时候，P<=用户给定的显著性水平a，则拒绝Ho，认为不同水平各总体均值有显著差异。
只考虑A、B不考虑AB，非饱和模型。
这样设定的话，与Full全因子是一样的，饱和。
非饱和模型的话就是没有AB。
{协方差分析：
在尽量排除其他因素的影响下，只考虑单个或多个因素
不同地区的销售额存在显著差异
因果关系：
交叉表
卡方检验
定类与定类：
相关分析：
卡方检验
定序与定序：
Spearman相关系数
定距与定距：
Pearson相关
R=1完全正相关
R=-1完全负相关
R=0不相关
分析——>相关——>双变量
偏相关也称净相关
分析——>相关——>偏相关
e+A+B+C+D=>E
回归分析：
1.确定回归方程的解释变量和被解释变量
2.确定回归方程
3.对回归方程进行检验
4.利用回归方程进行预测
不显著的话，这个变量就要剔除。
逐步进入法
可决系数、判定系数，R^2越高，解释性越高，要看调整后的判定系数。
一元的话：
看R
多元的话：
看调整后的R^2
该回归方程具有较好的解释力。
自变量本身就存在高相关，所以一个自变量高相关，不能排除其他因素的影响。
多重贡献性。
残差分析应包括以下内容：
DW检验用来检验残差的自相关
DW=2无自相关，0-2正相关，2-4负相关，1.5-2.5无自相关现象。
题目、工具、方法、说明
多元线性方程的B1，B2，B3都是偏回归系数。
多重线性分析
1.容忍度：
1-R^2
2.
为什么很多变量被删除了，因为很多变量有相互作用。
聚类分析：
Mall
20个分值变量
一个总值（计算变量）
比较哪个商场更好？
1.单因素方差分析
思路：
1、解题
2、设置变量
3、整理和编辑数据
4、均值比较POSThook事后比较（虽然分数低了点，但没有显著差异，就可以给2个一等奖）
亲疏程度：
个体相似程度、个体差异程度
定距型变量个体间距离的计算方式
卡方
Phi方
聚类分析几点注意：
1．所选择的变量应符合聚类的要求：
所选变量应能够从不同的侧面反映我们研究的目的；
2.不应该有数量级上的差异；
3.不应该有较强的相关关系
最近邻居
最远邻居
分析分类系统聚类分析
个案聚类：
R聚类=变量聚类：
因子分析：
降维—>因子分析
1.基于特征值
2.因子的固定数量
K均值分类（就只出来2个表）在数据栏后面形成结果
先做树形图
因子分析：
因子分析能将很多原始的众多变量综合成几个，起到降维的作用。
1.因子个数远远少于原有变量的个数
2.因子能够反应原有变量的绝大部分信息
3.因子之间不存在线性关系
4.因子具有命名解释性（可以将聚类的指标进行较好的解释）
相关系数矩阵中相关系数<0.3，那么就不建议做因子分析
因子个数的确定方法：
1.特征值>1
2.
升级会员 