spss编程命令Word格式.docx

1、排序sort cases by varname （a/b）.数据合并add files/file=*/rename old varname=new varname/drop varname.数据转换Computecompute target varname=expression.算术运算：+,-,*,/,*（幂）算术函数：sqrt, rnd（四舍五入）, trunc（取整）统计函数：mean, sum, sd, max, min 缺失值函数：SYSMIS，MISSING，NMISS，NVALID，VALUE不算缺失值时间函数： CTIME.DAYS,$JDATEIfif （） target v

2、arname=expression.Recoderecode varname （old value /else/lowest through value/value through value/value through high=new value） into newvarname.Missing values：user-defined 也会被重编码，因此应小心user-defined. user-defined 不包括在范围内Split fileSort cases by varname .split file layered by varname .split file off. Fli

3、pflip variables = varname/all.Rankrank variable = varname.数据分析描述性统计FrequenciesFrequencies varname/histogram NORMAL /barchart （freq/percent）/piechart.DescriptiveDescriptive varname/statistics=sum mean min max （集中趋势） RANGE stddev SEMEAN VARIANC（离中趋势） skewness偏度 SESKEW KURTOSIS峰度 SEKURT形状测量/varname （zn

4、ewvarname）.Exploreexamine varname/plot BOXPLOT STEAMLEAF HISTOGRAM（不带有正态曲线） NPPLOT证明正态/ STATISTICS DESCRIPTIVES EXTREME/MESTIMATORS修正均值.Crosstabs/tables=row varname BY column varname/Statistic=chisq默认 corr KAPPA评定者间一致性系数PHI CC修正/CELLS= .相关分析Graphscatterplot=varname with varname.Personcorrelations/va

5、riables=varlist/ MISSING=PAIRWISE/LISTWISE数据足够时更稳定.Spearman/kendall（顺序变量）nonpar corr/print=spearman（默认）/kendall有重复/both.差异性检验单样本检验t-test testval=value/variables=varname.独立样本检验t-test groups=varname（value1 value2）相关样本检验t-test pairs=varname with varname.曼惠特尼U检验npar tests/ m-w=varname with value1 value2

6、.维克尔松检验npar test/ wilcoxon=varname with varname.方差分析前提假设：独立、等距、正态、同质数据要求：多元正态，线性（散点图）Oneway anova单一自变量平-单一因变量oneway varlist by varname/statistics descriptives homogeneity/contrast valuelist/posthoc=LSD TURKEY敏感BONFERRONI Scheffe（保守） snk DUNNETT.Unianova多个自变量-单一因变量unianova dependent varname BY factor

7、 varlist/posthoc varlist=lsd snk turkey/plot=profile（varname/varname*varname）/desigh=factor varlist.manovadependent varname BY factor varlist/DESIGN=FACNAME1 within FACNAME2（FACNUM1） FACNAME1 within FACNAME2（FACNUM2）Multivariate多个自变量-多个因变量glmdependent varlist BY factor varlist/desigh=factor varlist/

8、PRINT = HOMOGENEITY同质性前提 dependent varlist BY factor varlistREPEATED MEASURE包含组内自变量-多个因变量wsfactor varlist BY factor varlist/WSFACTORs wsfacname wsfacnum/wsdisigh wsfaclist/desigh=varlist/emmeasn = tables（varname） compare adj（lsd）/plot=profile（varname/varname*varname/varname*wsfacname）manova wsfactor

9、 varlist BY facname （facnum）/WSFACTORS wsfacname （wsfacnum）/WSDESIGN =WSFACNAME1 within WSFACNAME2（WSFACNUM1） WSFACNAME1 within WSFACNAME2（WSFACNUM2）/WSDESIGN=WSFACNAME/DESIGN=MWITHIN FACNAME （FACNUM1） MWITHIN FACNAME （FACNUM2） /DESIGN=FACNAME/WSDESIGN=MWITHIN WSFACNAME （WSFACNUM1） MWITHIN WSFACNAME

10、 （WSFACNUM2）.回归分析等距/等比/顺序 线性 非共线性 残差正态，同质，线性cases : variables=10：1；被试数目 100；无Outliers；无multicollinearityIGRAPH /VIEWNAME=Scatterplot /X1 = VAR（before） TYPE = SCALE /Y = VAR（after） TYPE = SCALE /COORDINATE = VERTICAL /FITLINE METHOD = REGRESSION LINEAR LINE = TOTAL SPIKE=OFF /X1LENGTH=3.0 /YLENGTH=3.

11、0 /X2LENGTH=3.0/CHARTLOOK=NONE/SCATTER COINCIDENT = NONE.EXE.REGRESSION/DEPENDENT DEPENDENT VARNAME/METHOD=STEPWISE/ENTER FACTOR VARLIST/STATISTICS COEFF OUTS R ANOVA COLLIN检验multicollinearity/CASEWISE检验outlier .聚类分析CLUSTER VARLIST/PRINT SCHEDULE CLUSTER（CLUNUM）/PLOT DENDRGRAM VICICLE主成分分析多元正态 线性 等距

12、顺序 相关- variables=5：200；正态不是必须，如果正态分布，解决会更好；线性：如果非线性，应考虑转换变量后再作因素分析；无Outliers；在主成分分析中，multicollinearity不是问题，在主因素分析中，不能有 multicollinearity相关矩阵FACTOR /MATRIX=IN（CORR=*） /method=correlation /format=sort blank（0.40） /ROTATION VARIMAX /PLOT=EIGEN rotation.一般主成分分析 /VARIABLES VARLIST /PLOT EIGEN ROTATION /R

13、OTATION VARIMAX/METHOD=CORRELATION /PRINT KMO 相关和共线性检验.数据报告报告Descriptives峭度为正表示总体分布的峰态较标准正态更陡; 反之更缓.斜度为正表示样本值比拟集中于均值的左边; 斜度为负表示样本值比拟集中于均值的右边去掉5%的均值5% trimmed mean 四分位距interquartile range读Respondents Stem-and-Leaf Plot读Respondents BoxplotOutlier：从矩形框始，在1.5 倍箱距的点之外Extreme：从矩形框始，在3倍箱距的点之外 1.5 倍箱距的点之外的O

14、utlier需要给予注意，如果是多于3个点位置很近，多数情况考虑保存。3 倍箱距的点之外的Extreme value需要给予特别注意，如果是孤立的点，多数情况考虑可以作为缺失值计算一次，作为有效值计算一次。读Normal Q-Q Plot of Respondents X轴：实得分数 Y轴：Z分数的期望值 如果呈线性说明正态分布报告Respondents A*B Crosstabulation单位格 standardized residual 2.0引起chi-square 增加或显著报告Chi-Square Tests报告自由度 df = （r-1） * （c-1）E 的最小值 5, c 可

15、能不准确Chi Square 统计量不是描述相关的良好指标。因为它随样本量变化而变化。两变量间各种类型的相关都会产生一样的Chi Square 值。报告Graph散点图提示的outlier 需要特别处理散点图也帮助我们找出multivariate outlier，关系的异常值报告Correlations-Correlations和Nonparametric Correlations - Correlation对数据的相关分析显示，a与b有显著相关，r（df）=，p.001，双尾报告One-Sample Test报告Independent Samples Test如果Levenes Test f

16、or Equality of Variances不显著，报告Equal variances assumed 的Welchst test结果。s Test for Equality of Variances显著，报告Equal variances not assumed 的t test 结果。a的均值（M =, SD =） 与bM =, SD =）有显著差异 。t（df） =, p = 0.05。报告Paired Samples Test曼惠特尼U检验独立样本报告Test Statistics维克尔松检验相关样本One way anova看Descriptives报告ANOVA报告Multipl

17、e Comparisonsa的均值（M =, SD =） 、b的均值M =, SD =）和c的均值M =, SD =）有显著差异 。事后检验显示，a与b有显著差异，a-b=,p=0.05; c与b有显著差异，c-b=,p= a与c有显著差异，a-c=,p=Unianova主效应和交互作用报告Tests of Between-Subjects Effects自变量只有两组时，报告Hotellings Trace；自变量大于两组时，报告Wilks Lambda；方差齐性的统计前提被违反时，报告Pillais Trace 。如果是不平衡处理，事后检验报告Estimated Marginal Mean

18、s- Pairwise ComparisonsOption如果是平衡处理报告，事后检验报告Pairwise ComparisonsPosthoc交互作用图报告Profile Plots*因素方差分析结果显示，a与b交互作用显著，F=，p0.05，交互作用图如图1。简单效应结果显示，a1在b1M=，SD=和b2M=，SD=上有显著差异，F=，p0.05；a2在b1M=，SD=和b2M=，SD=上有显著差异，F=，pa的主效应显著，F=，pb的主效应显著，F=，pMultivariate报告Boxs Test of Equality of Covariance Matrices 简单效应结果报告M

19、anovaREPEATED MEASURE如果Mauchly test of sphericity检验不显著，交互作用、组内主效应结果报告Tests of Within-Subjects Effects如果Mauchly test of sphericity检验显著，交互作用、组内主效应结果报告Multivariate Tests 组建主效应报告Tests of Between-Subjects Effects组内变量事后检验结果报告Estimated Marginal Means-Pairwise Comparisons如果是不平衡处理，组间变量事后检验报告Estimated Margina

20、l Means- Pairwise ComparisonsOption如果是平衡处理报告，组间变量事后检验报告Pairwise ComparisonsPosthoc重复测量方差分析结果显示，a与b交互作用显著，F=，p 75% 很好； 50-75% 不错；25-50% 一般； 25% 不够 模型总效应报告ANOVABeta、b结果报告Coefficients以a，b，c为自变量，用逐步回归方法对d进行分析。回归的拟合度良好，R2adj=，模型的总效应F（）=，p0.005。当其他变量恒定时，a与d有正相关，beta=0.653，其效应边缘显著，t（）=，p0.6R的特征值和奉献率报告Total Variance Explained碎石图报告Scree plot主成分载荷报告Component Matrix因子旋转结果报告Rotated Component MatrixR的特征值和奉献率如表1。根据Kaiser准那么，取特征大于1的a为主成分，其积累奉献率到达c%，根本包括了全部指标所包括的信息。取前n个特征值，计算主成分载荷。由主成分分析的结论，对因子载荷阵实行方差最大旋转，可将m个指标分为n类，结果如表2：