spss课程心得体会.docx

spss课程心得体会.docx

《spss课程心得体会.docx》由会员分享，可在线阅读，更多相关《spss课程心得体会.docx（14页珍藏版）》请在冰豆网上搜索。

spss课程心得体会

spss课程心得体会

【篇一：

spss心得体会】

学习spss在教育统计中的应用心得体会

一、什么是spss？

为什么要学习spss？

新学期开始时，在信息化教育测量与评价的课程中第一次接触

到spss这个软件，作为本科是计算机专业出身的我，当时只知道spss是一套统计软件，就是一套根据统计学原理所编写出来的统计分析软件，至于统计什么？

分析什么？

我一无所知，尤其是看到老师推荐的《spss在教育统计中的应用》这本书的时候，就简单的把它理解为用spss软件来统计、分析与教育相关的数据，最终得出想要的结论而已，而现在看来，我当初的想法未免有点简单与无知。

下面就来让我们了解一下spss。

spss软件是一组专业的、通用的统计软件包，同时它也是一个组合式软件包，兼有数据管理、统计分析、统计绘图和统计报表功能。

它广泛用于教育、心理、医学、市场、人口、保险等研究领域，也用于产品质量控制、人事档案管理和日常统计报表等。

spss软件对计算机硬件系统的要求较低；对运行的软件环境要求宽松，有各种版本可运行在windowsxp、win7系统环境下，spss统计软件采用电子表格的方式输入与管理数据，能方便地从其他数据库中读入数据（如dbase，excel，lotus等）。

我为什么要学习spss呢？

其实很简单，一方面，做为一名

研究生，要具备一定的科研能力，如今量化研究的方法大行其道，一切要以事实说话、要以数据说话，有了数据支持的研究才能更容易被认可、被推论。

另一方面，根据对aect94定义的理解，教育技术

学研究的对象是学习过程和学习资源，包含大量的偶然现象和非精确现象。

因此，要深入研究教育技术现象及其规律，必须运用统计描述、统计分析方法和模糊数学分析方法，才可能使这门学科达到真正完善的地步。

教育技术学研究的现象多数是偶然的现象，其变化发展往往具有几种不同的可能性，究竟出现哪一种结果，那是带有偶然性的，是随机的。

这类偶然现象是遵循统计规律的，当随机现象是由大量的成份组成，或者随机现象出现大量的次数时，就能体现统计平均规律。

我们只有对数据资料作统计处理，才可能可以发现它们的内在规律，掌握现象的特征，检验研究的假设，才能得出准确的、可靠的研究结果。

二、对本spss各章节学习的心得

新课程老师带领下，采取一种新的学习方式，老师讲解了基础部分后，全班同学采取小组分工、协作学习，然后对全班同学进行讲解学习内容，教师进行当堂指导，这种方法改变了同学们的学习态度，同学们不再是课前不预习，课下不复习的状态，每组都有自己的任务，课前有一定的压力，同学间的讨论也明显的增多，例如：

一次课下同学们在一起吃饭，有几位同学还在调侃说“两个菜之间用spss进行分析后得出的结果不接受h0假设，也就是两个菜之间不相关”，虽然这只是一个课下的玩笑，但是这也可以体现出对学习的态度的转变。

下面就本学期的所学spss的各章节做一下归纳，这些归纳也是基于本人平时在课前预习，课上及课后的一些所思所想，也许会有一些理解上的偏颇在内，但这仅限于心得而已。

本学期学习各个章节

及分工如下表：

章节名称

1.spss的认识

及数据文件的

处理

2.数据清理与

基本统计及测

量质量分析

3.t检验

4.方差分析

1、2人3人7.聚类分析8.统计图形2人1人2人6.卡方检验3人2人5.相关分析3人分工人数章节名称分工人数spss的认识及数据文件的处理心得体会

可能是由于是同学们第一次讲，万事开头难，压力很大，在大家认为最为简单的内容讲解上，两位同学并没有完全展现出二人实际水平，大家在这一节课上都感觉到很压抑，总的感觉是这节内容很简单，但是内容又很松散，可讲的东西太多，讲的东西多就没有突出重点和难点，所以听过之后就有种无数的碎片漂浮在脑海中一样，很难将知识系统化，课后总结一下无非就是两块，一块是了解spss软件的历史及基本功能，还有一块就是spss软件当中一个模块叫做数据文件的处理，在认识spss软件当中了解到它是一组社会科学统计软件包，诞生于1968年，当时美国的3位大学生开发出了它，经过这么多年的后续开发，spss已经有了很多的版本，具有了更的兼容性、和更友好的操作界面，也在很多的学科领域得到了应用，而在教育中的应用

只是它的一个分支。

此外它对硬件的要求也很低，当前一般的电脑都能安装它，安装的过程中也没有什么特殊的方法，傻瓜式的安装方式完全就可以满足。

在数据文件的处理方面，主要是要学会定义变量、处理变量两方面；定义变量是要注意根据自己实际采集的数据来定义变量，例如是数值型的变量还是文本型的变量及变量的长度，小数点保留尾数等，总之就是一句话，根据实际调查的数据要求来定义相应变量。

变量定义只有只要细心的将实际调查的数据录入到spss当中即可，当然也可以在spss软件之外进行数据编制，可以通过execel等编辑后可以直接导入到spss中。

在处理变量模块当中，可以对变量进行添加、删除、拆分与合并等操作，只要根据实际调查数据，细心调整变量，使操作更加简便和明了。

2、数据清理与基本统计及测量质量分析的心得体会

数据的清理与基本统计及测量质量分析由两名同学进行讲解，由于吸取了上节课两名同学的经验，本节讲授的明显好于上节课，这里我也是把它分为两块进行学习，一块是数据的清理，另一块是相关统计理论的学习。

在数据清理方面主要学习了奇异数据的检查与清理，在这里本人觉得非常有必要进行数据清理，在实际的调查数据时难免会出现错误或者碰到极为特殊的典型案例，所以这些数据很难符合大众规律，在统计、分析过程中可能会造成分析结果异常，从而直接影响最终的结论。

所以觉得非常有必要进行数据检查与清理。

而我认为本节的难点不是怎样熟练运用spss软件，而是在第二块中的，相关统计理论的学习，学习这些理论需要一定的数学基础，只有明确这些

理（论如均值、标准误差、中数、众数、全距、四分位等）原理，知其然，知其所以然，这才是关键，在spss中想要实现对数据进行以上分析只需要轻轻点击一下按钮就可以是轻松实现，但是如果不清楚到底用它们来做什么就无从谈起做数据分析了，所以本节内容知道分析原理的重要性要远远大用spss对数据做出相关分析的重要性。

总结为一句话“知道它们是做什么的后才会让它们去做该做的工作”。

3、t检验的心得体会

t检验由两名同学讲解，在学习t检验时，首先要明确什么样的数据适合t检验，t检验的结果要说明什么问题？

经过学习可以知道，t检验是对两组数据间的平均水平或均数的比较，通过比较可以得出两组数据间的显著性水平，而这两组数据都要符合正态分布，方差具有齐同性，t检验由两种情况，一种配对提检验，要求两组数据不可以独立颠倒顺序，如果颠倒顺序就会改变问题的性质，这种t检验称为配对t检验；另一种情况下的t检验是两组数据可以任意颠倒顺的检验称为独立样本的t检验。

但是这两种情况都必须符合最先的要求，即都是符合正态分布，方差都具有齐同性。

通过spss的相关操作可以轻松完成检验，但是在检验的过程中必须设置置信区间，一般设置为95%，在设置置信区间时必须要考虑到所做分析的数据，如果像要得到显著性差异的结果则可尽量将置信区间设置小些，如果想要得到不显著差异就要将置信区间甚至大些，本人的理解为若置信区间小，则可以理解为在小范围内是可以相信的，但如果将分析结果的置信区间值调大则说明在很大的范围内这个结果可信，反之则不可信，

【篇二：

spss软件学习心得】

误差理论数据处理分析

常见的统计软件有sas,spss,minitab,excel等。

这些统计软件的功能大同小异，各有所侧重。

其中的sas和spss是目前在大型企业，各类院校及科研机构中较为流行的两种统计软件。

特别是spss，其界面友好，功能强大，易学，易用，包含了几乎全部尖端的统计方法，具备完善的数据定义，操作管理和开放的数据接口以及灵活美观的统计图表制作。

作为专业的统计软件，spss感觉比excel更丰富，也更准确。

从表1中分析，抗拉强度的极小值为67.89，极大值为80.36，均值标准误差为0.86948，标准差为3,47793，方差为12.096。

屈服强度的极小值为47.14，极大值为8.227。

表2

从表2中分析，回归平方和为176.469，自由度为1，均值方差,176.469，显著性为

497.056，残差平方和为4.970，自由度为14，均值方差为0.355。

表3

从表3从分析，常数量b为12.514，非标准化系数的标准误差为2.719，t值为4.602。

标准系数使用版为0.986，t值为22.自变量的b值为1.196，非标准化系数的标准误差为0.054，295。

表4

图1

从散点图可以看出，抗拉强度y与屈服强度x大致呈线性关系。

人们假设y与x之间的内在关系是一条直线，这些点与直线的偏离是实验过程中其他一些随机因素的影响而引起的。

心得体会

在学习spss中必须学会的是“数据组织方式和数据测度”，这个对于那些学习信息的人容易理解，对文科出身的人不容易理解。

但是这个问题对于初学者很重要。

在实际使用spss时，就得按部就班地按照先定义变量，测调度，在录入（导入数据），再分析。

分析并不是整个流程。

在大二快结束的学习过程中参加了spss的课程学习，尽管我只是大略地学习，泛泛地接触这门课程，但是对这门课的兴趣很浓。

参与这次实践的经历深刻改变了我对这门课的认识。

我越发感到我需要这门课程，我必须掌握这门统计技术，分析方法。

这就是社会的需求，学校的标准，也是个人发展得需要。

虽然只有几周的学习时间，但我已经对该课程有了更多的了解，十分感谢黄璟老师讲解的这门课，提供了这个平台。

理论加实践，为不同基础的学生提供了好的学习环境。

我认为开设很有必要，应当成为重点。

现实生活中的数据多不胜数，但要得到有用的数据并不容易，这就要应用数据分析的方法确定数据的属性，再用清理工具（清洗、集成、转换、消减）进行筛选转化为有用的信息，再用spss深入分析，得出规律。

对数据的分析是以统计学为基础的，统计学提供了一套完整的科学方法论，统计软件则是实现的手段，统计分析软件具有很多有点。

它功能全面，系统地集成了多种成熟的统计分析方法；有完善的数据定义、操作和管理功能；方便地生成各种统计图形和统计表格；使用方式简单，有完备的联机帮助功能；软件开放性好，能方便地和其他软件进行数据交换。

我们接触最多的统计软件是excel和spss。

在统计学中应用excel,在数据分析中则主要是spss，它具有很好的人机界面和完善的输出结果。

这门课程中我们学了另外一种数据分析方法就是聚类分析。

它与“物以类聚，人以群分”是同样的道理。

多元统计分析方法就是对样品或指标进行量化分类的问题，它们讨论的对象是大量的样品，要求能合理地按各自的特性也就是相似性来进行合理的分类，没有任何模式可供参考或依循，即是在没有先验知识的情况下进行的。

我们学习了q型聚类法、r型聚类法以及系统聚类法。

q型聚类分析样品间的聚类，用距离来测度亲疏程度。

r型聚类分析变量间的聚类，用相似系数来测度亲疏程度。

【篇三：

spss学习心得体会】

篇一：

spss学习报告总结心得

应用统计分析学习报告

本科的时候有概率统计和数理分析的基础，但是从来没有接触过应用统计分析的东西，spss也只是听说过，从来没有学过。

一直以为这一块儿会比较难，这学期最初学的时候，因为没有认真看老师给的英文教材，课下也没有认真搜集相关资料，所以学起来有些吃力，总感觉听起来一头雾水。

老师说最后的考核是通过提交学习报告，然后我从图书馆里借了些教材查了些资料，发现很多问题都弄清楚了。

结合软件和书上的例子，实战一下，发现spss的功能相当强大。

最后总结出这篇报告，以巩固所学。

spss，全称是statisticalproductandservicesolutions，即“统计产品与服务解决方案”软件，是ibm公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，也是世界上公认的三大数据分析软件之一。

spss具有统计分析功能强大、操作界面友好、与其他软件交互性好等特点，被广泛应用于经济管理、医疗卫生、自然科学等各个领域。

具体到管理方面，spss也是一个进行数据分析和预测的强大工具。

这门课中也会用到amos软件。

关于spss的书，很多都是首先介绍软件的。

这个软件易于安装，我装的是19.0的，虽然20.0有一些改变和优化，但是主体都是一样的，而且都是可视化界面，用起来很方面且容易上手。

所以，我学习的重点是卡方检验和t检验、方差分析、相关分析、回归分析、因子分析、结构方程模型等方法的适用范围、应用价值、计算方式、结果的解释和表述。

然后是方差分析。

方差分析就是将索要处理的观测值作为一个整体，按照变异的不同来源把观测值总变异的平方和以及自由度分解为两个或多个部分，获得不同变异来源的均值与误差均方，通过比较不同变异来源的均方与误差均方，判断各样本所属总体方差是否相等。

方差分析主要包括单因素方差分析、多因素方差分析和协方差分析等。

这一部分在学习的过程中出现一些问题，就是用spss来操作的时候分不清观测变量和控制变量，如果反了的话会导致结果的不准确。

其次，对bonferroni、tukey、scheffe等方法的使用目的不清楚，现在基本掌握了多重比较方法选择：

一般如果存在明确的对照组，要进行的是验证性研究，即计划好的某两个或几个组间（和对照组）的比较。

宜用bonferroni（lsd）法；若需要进行多个均数间的两两比较，且各组个案数相等，适宜用tukey法；其他情况宜用scheffe法。

最后，对方差齐性检验、多重比较检验、趋势检验理解不够透彻，在方差检验中，posthoc键有lsd的选项：

当方差分析f检验否定了原假设，即认为至少有两个总体的均值存在显著性差异时，须进一步确定是哪两个或哪几个均值显著地不同，则需要进行多重比较来检验。

lsd即是一种多因变量的三个或三个以上水平下均值之间进行的两两比较检验。

相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方

向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。

相关分析研究现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。

主要有双变量相关分析、偏相关、距离相关几个方法。

双变量相关分析是相关分析中最常使用的分析过程，主要用于分析两个变量之间的线性相关分析，可以根据不同的数据类型和条件，选用pearson积差相关、spearman等级相关和kendall的tau-b等级相关。

当数据文件包括多个变量时，直接对两个变量进行相关分析往往不能真实反映二者之间的关系，此时就需要用到偏相关分析，从中剔除其他变量的线性影响。

距离相关分析是对观测变量之间差异度或相似程度进行的测量，其中距离需要弄清楚，距离分析是对观测量之间相似或不相似程度的一种测度，是计算一对观测量之间的广义距离。

这些相似性或距离测度可以用于其他分析过程，例如因子分析、聚类分析或多维定标分析，有助于分析复杂的数据集。

接着是回归分析。

相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。

而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现

其具体关系。

比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。

回归分析的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。

运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。

如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

应用回归分析时应首先确定变量之间是否存在相关关系，如果变量之间不存在相关关系，对这些变量应用回归预测法就会得出错误的结果。

正确应用回归分析预测时应注意：

①用定性分析判断现象之间的依存关系；②避免回归预测的任意外推；③应用合适的数据资料；

接下来是因子分析。

因子分析是指研究从变量群中提取共性因子的统计技术。

最早由英国心理学家c.e.斯皮尔曼提出。

他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。

因子分析可在许多变量中找出隐藏的具有代表性的因子。

将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。

因子分析的主要目的是用来描述隐藏在一组测量到的变量中的一些更基本的，但又无法直接测量到的隐性变量。

从显性的变量中得到因子的方法有两类。

一类是探索性因子分析，另一类是验证性因子分析。

探索性因子分析不事先假定因子与测度项之间的关系，而让数据“自己说话”。

而验证性因子分析假定因子与测度项的关系是部分知道的，即哪个测度项对应于哪个因子，虽然我们尚且不知道具体的系数。

这一部分不能用spss来操作，要用amos，用起来也很方便。

最后一部分学习的是结构方程模型。

结构方程模型是一种融合了因素分析和路径分析的多元统计技术。

它的强势在于对多变量间交互关系的定量研究。

在近三十年内，其大量应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中。

结构方程模型是对顾客满意度的研究采用的模型方法之一。

其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。

结构方程模型与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。

与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。

通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。

这门课要学习完了，整个学习的过程是充满曲折和挑战的，我见证了自己从一无所知到困惑迷茫再到略懂再到会用的过程。

甚至学完之后有些问题还没有彻底搞清楚，自己接下来还会不断的探索的。

spss是个很神奇的工具，结合amos和excel更是如虎添翼，相信学习了spss在以后的论文和数据分析中很有用。

这门课给我的感觉是看起来很难，但是实际学起来就好很多，因为当我结合具体实例和软件的时候，很多抽象的问题就豁然开朗了。

但是想给老师一个建议，这门课需要很强的统计和概率论的基础，要不然就会很难听懂或者听得半懂。

然后这门课的很多方法的相关资料都是用在医疗卫生、自然科学领域的，在管理中的应用的资料不怎么多。

老师希望我们上课的时候结合在管理中的应用来学习，但是资料有限，希望老师在这个方面多给学生一些引导。

篇二：

spss学习总结

学习spss感想

以前学统计学的时候就听老师讲过spss有非常强大的统计功能，对我们学习、工作有很大的帮助，所以我一直认为spss很神秘。

通过这个学期周老师的课让我对此清楚了许多，也学到了spss强大的统计功能，更加让我明白了spss与excel的区别。

spss是“社会科学统计软件包”（statisticalpackageforthesocialscience）的简称，是一种集成化的计算机数据处理应用软件。

1968年，美国斯坦福大学h.nie等三位大学生开发了最早的spss统计软件，并于1975年在芝加哥成立了spss公司，已有30余年的成长历史，全球约有25万家产品用户，广泛分布于通讯、医疗、银行、证券、保险、制造、商业、市场研究、科研、教育等多个领域和行业。

spss是世界上公认的三大数据分析软件之一（sas、spss和systat）。

在学习spss期间，我主要遇到的问题是后面几章，spss的参数检验、方差分析、相关分析、线性回归分析、聚类分析、因子分析等。

在参数检验中我不知道原假设是什么，导致分析的时候不知道该拒绝原假设还是接受原假设，不能分析出统计结果。

不会区分单样本t检验和两配对样本t检验的区别，现在懂得了它们都要服从正态分布，基本思想是小概率反证法，反证法思想是先提出假设（检验假设h0），再用适当的统计方法确定假设成立的可能性大小，如果可能性小，则认为假设不成立，否则，还不能认为假设不成立。

在学习方差分析中，开始常常把观测变量和控制变量弄混淆，在分析的时候应分别送入哪个对应框中，如果反了的话会导致结果的不准确。

其次，对lsd、bonferroni、tukey、scheffe等方法的使用不清楚，现在基本掌握了多重比较方法选择：

一般如果存在明确的对照组，要进行的是验证性研究，即计划好的某两个或几个组间（和对照组）的比较。

宜用bonferroni（lsd）法；若需要进行多个均数间的两两比较，且各组个案数相等，适宜用tukey法；其他情况宜用scheffe法。

最后，对方差齐性检验、多重比较检验、趋势检验理解不够透彻，在方差检验中，posthoc键有lsd的选项：

当方差分析f检验否定了原假设，即认为至少有两个总体的均值存在显著性差异时，须进一步确定是哪两个或哪几个均值显著地不同，则需要进行多重比较来检验。

lsd即是一种多因变量的三个或三个以上水平下均值之间进行的两两比较检验。

在学习相关分析的过程中，在绘制散点图时，不知道哪个该做横坐标，哪个该做纵坐标，明白了横坐标是解释变量，纵坐标是被解释变量，还有对相关系数的种类分析不熟练等。

在学习回归分析的过程中，对dw可检验的含义不理解，不记得对应的dw表示的残差序列的相关性。

对解释变量向前筛选、向后筛选、逐步帅选策略不能熟练掌握，特别是对向前向后筛选时到处的结果不会进行分析。

学习聚类分析中，变量的选择分不清，无关变量有时会引起严重的错分，应当只引入在不同类间有显著差别的变量，尽量只使用相同类型的变量进行分析。

分类数不明确，从实用角度讲，2~8类比较合适。

掌握了k-meanscluster分析，样本量大于100时有必要考

虑，只能使用连续性变量。

学习因子分析的过程中，对提取出来的因子的实际含义不清晰，不能使因子具有命名解释性。

学习了spss后，我不禁想到了spss与excel的区别，这一点是针对像我这样开始只懂得用excel的人来说。

从个人的体会来说，二种软件有一定相似，操作都简便，同时又有一些可以互补的地方。

但是spss又比excel更加强大：

一、图型的表现力是spss的主要优点之一

应该说，excel的图型表现主要是简便，对许多的人来说基本够用，但对于科学的表现，spss就更为详细和准确，这一点据说在所有统计软件中都突出。

二、通过spss检验方差齐性和数据分布

假设检验中，采用的t检验和方差检验都需要满足二个要求，即

1．样本方差齐性

2．样本总体呈正态分布

在excel中，提供了f检验来检验方差齐性问题，也就是可以先通过f检验确定方差齐性与否来选择下一步用哪个t检验或方差检验分析工具。

但只要数据多于二组则无从下手；通过描述统计大约能从峰度和偏度来了解样本的分布实际工作中，只要分布单峰且近似对称分布，也可应用，但要具体确定样本的分布也有难度。

这二个问题在spss就可以解决

最后，在感叹它的方便与快捷的同时，对软件开发人员的智慧到了肃然起敬的地步。

一直觉得计算机语言是最难的一门外语。

虽然本科时曾经对这种逻辑性很强的东西很感兴趣，并在编程课上取得不错的成绩，但一直觉得这似乎不是我能掌控的东西。

spss的神奇之处在于，它省去了使用者巨大的计算量，并提高准确性。

它开发了开发者的智慧，却弱化了使用者的大脑。

篇三：

spss