怎么用SPSS进行相关分析
相关分析的应用示例
【例】
表1是某市从1978年至1992年社会商品零售总额、居民收入和全市总人口统计数字表，试分析它们之间是否存在线性关系。
表1某市统计表
第一步：建立数据文件。
定义变量：序号为Number，假设年份用y表示，零售总额用r表示，居民收入用i表示，全市总人口用p表示，输入数据，如下截图示：
第二步：进行数据分析。
在数据文件管理窗口中，点击Analyze，展开下拉菜单，再点击Correlate中的Bivariate项，进入Bivariate Correlations对话框，请童鞋们看下图：
(1)在左边的这个东东为源变量列框，右边的Variables
框为待分析的变量列框，就是这个东东：
(2)再看下边的Correlation Coefficients选项，也就是分析方法选择项，就是
这个东东。
主对话框中有三种相关系数可供选择，分别对应于三种分析方法：Pearson：皮尔逊相关，计算连续变量或是等间距测度的变量间的相关分析；Kendall：肯德尔相关，计算等级变量间的秩相关；
Spearman：斯皮尔曼相关，计算斯皮尔曼秩相关。
（童鞋们要注意以下选择：
对于非等间距测度的连续变量，因为分布不明，可以使用等级相关分析，也可以使用Pearson相关分析；
对于完全等级的离散变量，必须使用等级相关分析相关性，当数据资料不服从双变量正态分布或总体分布型未知，或原始数据是用等级表示时，宜用Spearman或Kendall相关分析。）
(2)再往看下边的Test of Significance选项，东东：级选择显著性检验类型，他们兄弟俩的区别是：
Two-tailed：双尾检验，如果事先不知道相关方向（正相关还是负相关）则可以选择此项；
One-tailed：单尾检验，如果事先知道相关方向可以选择此项。
反正你也不晓得，你就选双尾好了。
(3)继续往下看，这个东东，Flag Significant Correlations：表明显著水平，如果选择此项，输出结果中在相关系数值值右上方是用“*”表示显著水平为5%；用“**”表示其显著水平为1%。
在本例中，在源变量列框中，选中“零售总额r”，“居民收入i”和“总人口p，
点击右边键头这个按钮，使之进入Variables框中。就变成了这个样子了：
分析方法选择Pearson项，双尾检验。
再点击最右边的“Options”按钮，进入Options对话框，看下边这个图：
在对话框中，有两项选择项。
（1）Statistics：统计量选择项
在该栏中有两个有关统计量的选择项，只有在主对话框中选择了Pearson相关分析方法时才可以选择这两个选择项，如果选择了这些项，在输出结果中就会得到样本的相应的统计量数值。它们是：
Means and standard deviations：均值与标准差；
Cross-product deviations and covariances：叉积离差阵和协方差阵。
（2）missing values：缺失值的处理方法选择项，在该栏中有两个关于缺失值的处理方法选择项：
Exclude cases pairwise：仅剔除正在参与计算的两个变量值是缺失值的观测量。这样在多元相关分析中或多对两两分析中，有可能相关系数矩阵中的相关系数是根据不同数量的观测量计算出来的，系统默认为此项；
Exclude cases listwise：剔除在主对话框中Variables矩形阵中列出的变量带有缺失值的所有观测量。这样计算出来的相关系数矩阵，每个相关系数都是一句相同数量的观测量计算出来的。
在这个例中，我们选择均值与标准差（Means and standard deviations）和叉积离差阵和协方差阵（Cross-product deviations and covariances）两项，缺失值的处理用默认项。这个样子：
点击“Continue”按钮，返回上一级对话框。
再点击“OK”按钮即可，得到的结果看下边两个表：
上表是该市从1978年到1992年的社会零售总额、居民收入和总人口水平的平均数分别为130.2760、112.8747和89.8513，它们分别的标准差为57.97819、52.69135和6.00592，15是它的样本数。
再看这个表，显示了它们之间的Pearson相关系数，1%的显著水平的双尾检验概率值，叉积离差阵和协方差阵。
从表中可以看出，社会零售总额与居民收入之间的相关系数为0.991，双尾检验的概率值为0，小于1%，即相关程度是显著的，叉积离差值为42403.443，协方差为3028.817,；社会零售总额与总人口的相关系数为0.850，双尾检验的概率值为0，小于1%，即相关程度也是显著的，叉积离差值为4141.919，协方差为295.851；居民收入与总人口的相关系数为0.790，双尾检验的概率值为0，小于1%，即相关程度是显著的，叉积离差值为3498.399，协方差为249.886。因此可以说，该市从1978年到1992年社会零售总额、居民收入和总人口两两之间有着
明显的线性关系。
后边这个矩阵很重要的一个表了，主要解释他们之间有木有存在我们当初想要的相关关系，童鞋们可以用一些数据实验一下下。
另外，数据录入的时候在大家都还不是很熟悉情况下最好先定义变量，打开的时候看左下角的那两个工资表，就是这个两个东东，
你点击这个，出来这个
这个就是需要你进行定义的一些选项，如name、type、width是关于它的名称，数值类型、宽度等等这些，你可以根据需要进行定义，还有decimals小数点label 变量名标签等等。像例题
当然，如果你已经很熟悉了，而且有些变量又都是系统已经默认的，那你直接在工作表状态下输入也可以，但是需要你已经很熟悉的前提下，知道个分别代表啥子。
好了，童鞋们可以自己找一些数据来试试，多鼓捣几下就会了。
另外，如果你的毕业论文中学会有用到这样的分析软件来做论文的话，我相信你都会得高分，I promise!
如何用spss做相关性分析
如何用spss做相关性分析 ? ?|DBQG4NOBE8KM2CR6GZWM83US94ILCFVVBJR9HEPF8WU7ONR4JD5KZ98GXIE5OPT7YGN BN6RT2X2NUI2MCI2E5JPUEYSB ?浏览：20013 ?| ?更新：2014-06-14 10:19 简介 相关性是指两个变量之间的变化趋势的一致性,如果两个变量变化趋势一致,那么就可以认为这两个变量之间存在着一定的关系(但必须是有实际经济意义的两个变量才能说有一定的关系)。相关性分析也是常用的统计方法,用SPSS统计软件操作起来也很简单,具体方法步骤如下。 方法步骤 1.选取在理论上有一定关系的两个变量,如用X,Y表示,数据输入到SPSS中。
2.从总体上来看,X和Y的趋势有一定的一致性。 3.为了解决相似性强弱用SPSS进行分析,从分析-相关-双变量。 4.打开双变量相关对话框,将X和Y选中导入到变量窗口。
5.然后相关系数选择Pearson相关系数,也可以选择其他两个,这个只是统计方法稍 有差异,一般不影响结论。
6.点击确定在结果输出窗口显示相关性分析结果,可以看到X和Y的相关性系数为 0.766,对应的显著性为0.076,如果设置的显著性水平位0.05,则未通过显著性检 验,即认为虽然两个变量总体趋势有一致性,但并不显著。
相关分析研究的是两个变量的相关性,但你研究的两个变量必须是有关联的,如果你把历年人口总量和你历年的身高做相关性分析,分析结果会呈现显著地相关,但它没有实际的意义,因为人口总量和你的身高都是逐步增加的,从数据上来说是有一致性,但他们没有现实意义。
典型相关分析报告SPSS例析
典型相关分析 典型相关分析（Canonical correlation ）又称规则相关分析，用以分析两组变量间关系的一种方法；两个变量组均包含多个变量，所以简单相关和多元回归的解惑都是规则相关的特例。典型相关将各组变量作为整体对待，描述的是两个变量组之间整体的相关， 而不是 两个变量组个别变量之间的相关。 典型相关与主成分相关有类似， 不过主成分考虑的是一组变量，而典型相关考虑的是两 组变量间的关系，有学者将规则相关视为双管的主成分分析；因为它主要在寻找一组变量的 成分使之与另一组的成分具有最大的线性关系。 典型相关模型的基本假设： 两组变量间是线性关系， 每对典型变量之间是线性关系，每 个典型变量与本组变量之间也是线性关系；典型相关还要求各组内变量间不能有高度的复共 线性。典型相关两组变量地位相等，如有隐含的因果关系，可令一组为自变量，另一组为因 变量。 典型相关会找出一组变量的线性组合 * *= i i j j X a x Y b y 与，称为典型变量；以 使两个典型变量之间所能获得相关系数达到最大，这一相关系数称为典型相关系数。 i a 和j b 称为典型系数。如果对变量进行标准化后再进行上述操作，得到的是标准化的典型系数。 典型变量的性质 每个典型变量智慧与对应的另一组典型变量相关，而不与其他典型变量相关； 原来所有 变量的总方差通过典型变量而成为几个相互独立的维度。一个典型相关系数只是两个典型变 量之间的相关，不能代表两个变量组的相关；各对典型变量构成的多维典型相关， 共同代表 两组变量间的整体相关。 典型负荷系数和交叉负荷系数典型负荷系数也称结构相关系数， 指的是一个典型变量与本组所有变量的简单相关系数，
显著性分析用SPSS进行统计检验
用SPSS进行统计检验 在教育技术研究中，经常需要利用不同的教学媒体或教学资源对不同的对象进行教学改革试验，但教学试验的总体往往都有较大数量，限于人力、物力与时间，通常都采用抽取一定的样本作为研究对象，这样，就存在样本的特征数量能否反映总体特征的问题，也存在着两种不同的样本的数量标志的参数是否存在差异的问题，这就必需对样本量数进行定量分析与推断，在教育统计学中称为“统计检验”。 一、统计检验的基本原理 统计检验是先对总体的分布规律作出某种假说，然后根据样本提供的数据，通过统计运算，根据运算结果，对假说作出肯定或否定的决策。如果现要检验实验组和对照组的平均数（μ1和μ2）有没有差异，其步骤为： 1．建立虚无假设，即先认为两者没有差异，用表示； 2．通过统计运算，确定假设成立的概率P。 ⒊根据P 的大小，判断假设是否成立。如表6-12所示。 二、大样本平均数差异的显著性检验——Z检验 Z检验法适用于大样本（样本容量小于30）的两平均数之间差异显著性检验的方法。它是通过计算两个平均数之间差的Z分数来与规定的理论Z值相比较，看是否大于规定的理论Z值，从而判定两平均数的差异是否显著的一种差异显著性检验方法。其一般步骤： 第一步，建立虚无假设，即先假定两个平均数之间没有显著差异。 第二步，计算统计量Z值，对于不同类型的问题选用不同的统计量计算方法。 （1）如果检验一个样本平均数（）与一个已知的总体平均数()的差异是否显著。其Z值计算公式为： 其中是检验样本的平均数； 是已知总体的平均数； S是样本的方差； n是样本容量。 （2）如果检验来自两个的两组样本平均数的差异性，从而判断它们各自代表的总体的差异是否显著。其Z值计算公式为：
SPSS中的相关分析及假设检验
相关分析及假设检验 spss 1.概念 变量之间相关，但是又不能由一个或几个变量值去完全和唯一确定另一个变量值的这种关系称为相关关系。相关关系是普遍存在的，函数关系仅仅是相关关系的特例。事物之间有相关关系，不一定是因果关系，也可能仅是伴随关系，但是事物之间有因果关系，则两者必然相关。 相关分析用于分析两个随机变量的关系，可以检验两个变量之间的相关度或多个变量两两之间的相关程度，也可以检验 两组变量之间的相关程度 偏相关分析是指在控制了其他变量的效应以后，对两个变量相关程度的分析。、 2.皮尔逊积差相关系数 pearson product－moment correlation coefficient 变量之间的相关程度由相关系数来度量，pearson相关系数是应用最广的一种。它用于检验连续型变量之间的线性相关程度 前提假设 1）正态分布皮尔逊积差相关只适用于双元正态分布的变量，即两个变量都是正态分布，注意只有pearson要求正态分布 如果正态分布的前提不满足，两变量间的关系可能属于非线性相关 2）样本独立样本必须来自总体的随机样本，而且样本必须相互独立 3）替换极值变量中的极端值如极值、离群值对相关系数的影响较大，最好加以删除或代之以均值或中数 相关分析的前提假设检验 一般情况下是对是否满足正态分布进行检验，对于正态分布的检验有好几种方法，总的可分为非参数检验和图形检验法 1）非参数检验法 spss中的1－sample K－S检验，检验样本数据是否服从某种特定的分布，方法有三种 a. Asymptotic only 是一种基于渐进分布的显著性水平的检验指标，通常显著性水平小于则认为显著，适用于大样本。如果 样本过小或分布不好，该指标的适用性会降低 Carlo 精确显著性水平的无偏估计，适用于样本过大无法使用渐进方法估计显著性水平的情况，可以不必依赖渐近方法的假设前提 精确计算观测结果的概率值，通常小于即被认为显著，表明横变量和列变量之间存在相关，同时允许用户键入每次检验的最长 时间显著，可以键入1到99之间的数字，但只要一次检验超过指定时间的30分钟，就应该用monte carlo 假设是服从某种分布 所以如果计算出的值比如Asymp. Sig 小于，那么拒绝原假设，说明样本为非正态分布，否则值越大越服从某种分布 单样本K－S首先计算每一阶段实际值与观察值的差异值，再计算每一阶段差异值的绝对值Z，即K－S的Z值，Z值越大，样本服从理论分布的可能性越小 还有一个是2 －sample Kolmogorov—Smirnov用于检验2个样本的分布是相同的假设2）图形法 spss中graph －Q正态检验图
spss相关分析实验报告
实验五相关分析实验报关费 一、实验目的： 学习利用spss对数据进行相关分析(积差相关、肯德尔等级相关)、偏相关分析。利用交叉表进行相关分析。 二、实验内容： 某班学生成绩表1如实验图表所示。 1.对该班物理成绩与数学成绩之间进行积差相关分析和肯德尔等级相关 分析。 2.在控制物理成绩不变的条件下，做数学成绩与英语成绩的相关分析（这 种情况下的相关分析称为偏相关分析）。 3.对该班物理成绩与数学成绩制作交叉表及进行其中的相关分析。 三、实验步骤： 1.选择分析→相关→双变量，弹出窗口，在对话框的变量列表中选变量 “数学成绩”、“物理成绩”，在相关系数列进行选择，本次实验选择 皮尔逊相关（积差相关）和肯德尔等级相关。单击选项，对描述统计 量进行选择，选择标准差和均值。单击确定，得出输出结果，对结果 进行分析解释。 2.选择分析→相关→偏相关，弹出窗口，在对话框的变量列表选变量“数 学成绩”、“英语成绩”，在控制列表选择要控制的变量“物理成绩” 以在控制物理成绩的影响下对变量数学成绩与英语成绩进行偏相关分 析；在“显著性检验”框中选双侧检验，单击确定，得出输出结果， 对结果进行分析解释。 3.选择分析→描述统计→交叉表，弹出窗口，对交叉表的行和列进行选 择，行选择为数学成绩，列选择为物理成绩。然后对统计量进行设置， 选择相关性，点击继续→确定，得出输出结果，对结果进行分析解释。 四、实验结果与分析：
表1
五、实验结果及其分析：
分析一：由实验结果可观察出，数学成绩与物理成绩的积差相关系数r=，肯德尔等级相关系数r=可知该班物理成绩和数学成绩之间存在显著相关。
用SPSS做相关性分析的入门操作步骤
概述： 自变量是连续变量，因变量是连续变量，怎么做相关性分析？ 自变量是分类变量，因变量是连续变量，怎么做相关性分析？ 自变量是连续变量，因变量是分类变量，怎么做相关性分析？ 注：还有其他可替代的分析方法，但效果基本一致。 1、线性回归（自变量连续变量，因变量连续变量） （1）步骤：分析-回归-线性 （2）数据处理： i对变量取lg：对连续变量取lg再做回归，用于检验非线性相关关系。 ii均值中心化： 先求均值：数据-分类汇总-把变量放到“汇总变量-变量摘要”里。 再进行均值中心化：转换-变量计算-“变量-均值”-得出中心化的新变量。 2、比较均值“独立样本T检验”（自变量分类变量，因变量连续变量） 步骤：分析-比较均值-独立样本T检验-因变量放“检验变量”，自变量放“分组变量”，然后定义组-确定 结果解读： 关注点：看“Sig.(双侧)”是否小于0.05。 3、logistic回归（自变量连续变量，因变量分类变量） 步骤：分析-回归-二元logistic-自变量放“协变量”-“选项”点Hosmer-Lemeshow 拟合度（类似于R方） 结果解读： （1）模型拟合 = Hosmer 和 Lemeshow 检验 = 步骤卡方df Sig. 1 24.641 8 .002
关注点：卡方越小，Sig.越高，说明模型拟合度越高。 关注点：看变量的显著性水平是否小于0.05。 4、列联表分析（自变量分类变量，因变量分类变量） 步骤：分析-描述统计-交叉表-自变量放“列”，因变量放“行”-“统计量”点“卡方” -“单元格”点“百分比-行” 结果解读： 关注点：看Pearson卡方的显著性水平是否小于0.05。 5、描述性统计：分析-表-设定表
spss对数据进行相关性分析实验报告
管理统计实验报告 实验一 一.实验目的 掌握用spss软件对数据进行相关性分析，熟悉其操作过程，并能分析其结果。 二.实验原理 相关性分析是考察两个变量之间线性关系的一种统计分析方法。更精确地说，当一个变量发生变化时，另一个变量如何变化，此时就需要通过计算相关系数来做深入的定量考察。P值是针对原假设H0：假设两变量无线性相关而言的。一般假设检验的显著性水平为0.05，你只需要拿p值和0.05进行比较：如果p 值小于0.05，就拒绝原假设H0，说明两变量有线性相关的关系，他们无线性相关的可能性小于0.05；如果大于0.05，则一般认为无线性相关关系，至于相关的程度则要看相关系数R值，r越大，说明越相关。越小，则相关程度越低。而偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程，其检验过程与相关分析相似。 三、实验内容 掌握使用spss软件对数据进行相关性分析，从变量之间的相关关系，寻求与人均食品支出密切相关的因素。 (1)检验人均食品支出与粮价和人均收入之间的相关关系。 a.打开spss软件，输入“回归人均食品支出”数据。
b.在spssd的菜单栏中选择点击Analyze correlate Bivariate，弹出一个对话窗口。 C.在对话窗口中点击ok,系统输出结果，如下表。
从表中可以看出，人均食品支出与人均收入之间的相关系数为0.921，t检验的显著性概率为0.000<0.01，拒绝零假设，表明两个变量之间显著相关。人均食品支出与粮食平均单价之间的相关系数为0.730，t检验的显著性概率为 0.000<0.01，拒绝零假设，表明两个变量之间也显著相关。 (2)研究人均食品支出与人均收入之间的偏相关关系。 读入数据后： A.点击Analyze correlate partial,系统弹出一个对话窗口。 B.点击OK，系统输出结果，如下表。 从表中可以看出，人均食品支出与人均收入的偏相关系数为0.8665，显著性概率p=0.000<0.01，说明在剔除了粮食单价的影响后，人均食品支出与人均收入依然有显著性关系，并且0.8665<0.921，说明它们之间的显著性关系稍有减弱。
相关分析与回归分析SPSS实现
相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS 软件进行相关分析和回归分析，具体包括： (1) 皮尔逊pearson 简单相关系数的计算与分析 (2) 学会在SPSS 上实现一元及多元回归模型的计算与检验。 (3) 学会回归模型的散点图与样本方程图形。 (4) 学会对所计算结果进行统计分析说明。 (5) 要求试验前，了解回归分析的如下内容。 ? 参数α、β的估计 ? 回归模型的检验方法：回归系数β的显著性检验（t －检验）；回归 方程显著性检验（F －检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson 简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。 线性回归数学模型如下： i ik k i i i x x x y εββββ+++++= 22110 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： i ik k i i i e x x x y +++++=ββββ????22110 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量
SPSS相关分析报告案例讲解要点
相关分析 一、两个变量的相关分析：Bivariate 1．相关系数的含义 相关分析是研究变量间密切程度的一种常用统计方法。相关系数是描述相关关系强弱程度和方向的统计量，通常用r 表示。 ①相关系数的取值范围在-1和+1之间，即：–1≤r ≤ 1。 ②计算结果，若r 为正，则表明两变量为正相关；若r 为负，则表明两变量为负相关。 ③相关系数r 的数值越接近于1（–1或+1），表示相关系数越强；越接近于0，表示相关系数越弱。如果r=1或–1，则表示两个现象完全直线性相关。如果=0，则表示两个现象完全不相关（不是直线相关）。 ④3.0 系部：土木工程 专业： 年级： 13级 _ 课程名称：应用统计学 学号： 姓名： 指导教师： 2015年 5 月 3 日 《应用统计学》SPSS操作实验1 主讲老师：2015年 5 月 4 日姓名成绩 年级专业学号 课程名称应用统计学实验名称数据录入、描述性统计练 习 教 师 评 语 年月日一、实验目的及要求 熟练掌握图表描述与统计量描述。 二、写出下列概念 1.频率 2. 累积频率 3. 众数 4. 中位数 5. 极值 6. 极差 7. 样本均值 8. 样本方差 答：1.频率又称相对次数，即某一事件发生的次数被总的事件数目除，亦即某一数据出现的次数被这一组数据总个数去除。频率通常用比例或百分数表示。也就是说在某一不确定的事件中，所考察对象出现的次数与实验次数的比叫做频率。 2. 累积频率把样本值小于某个样本数据的都加起来的值。 3. 众数样本数据集合中出现频次最高的那个样本值，称为众数。 4. 中位数对样本数据进行排序，把处于中间位置上的数据称为中位数。 5. 极值样本数据中最大的和最小的值，称为极值。 6. 极差极大值和极小值的差 7. 样本均值把样本数据集合中的所有数据加起来，然后在除以样本数据集合中的样本个数。 8. 样本方差离差平方和与n-1的比值。 三、实验内容 1. 某高校海外学生的第一学期的汉语成绩如下： 67 69 71 70 72 74 76 75 75 74 73 74 74 78 77 81 73 73 74 68 71 74 78 70 69 73 72 74 77 80 75 74 72 83 68 73 75 78 76 74 73 68 71 72 75 79 74 75 74 74 68 79 75 76 75 77 74 74 75 75 79 77 75 75 74 73 73 72 71 68 70 71 72 73 73 72 72 71 71 70 82 77 76 73 70 68 69 71 77 78 68 72 73 78 77 79 72 72 72 75 75 74 74 74 76 76 74 73 74 73 72 72 74 71 72 73 72 72 74 74 68 71 72 72 75 74 76 77 74 74 73 73 78 78 76 74 75 72 72 72 75 74 76 77 （1）用SPSS制作频数分布表,频率分布表, 累积频率分布表。 （2）用SPSS做如下计算练习： 统计数据的频次、频率、累积频次与累积频率。 计算众数、中位数、样本均值等。 解：数据的频次、频率、累积频次与累积频率如上图所示。 本节将介绍利用SPSS软件对量表进行处理分析。 在获取原始数据后，我们利用SPSS对量表可以作出三种分析，即项目分析、因素分析和信度分析。 项目分析，目的是找出未达显著水准的题项并把它删除。它是通过将获得的原始数据求出量表中题项的 临界比率值——CR值来作出判断。通常，量表的制作是要经过专家的设计与审查，因此，题项一般均 具有鉴别度，能够鉴别不同受试者的反应程度。故往往在量表处理中可以省去这一步。 因素分析，目的是在多变量系统中，把多个很难解释，而彼此有关的变量，转化成少数有概念化意义而 彼此独立性大的因素，从而分析多个因素的关系。在具体应用时，大多数采用“主成份因素分析”法，它 是因素分析中最常使用的方法。 信度分析，目的是对量表的可靠性与有效性进行检验。如果一个量表的信度愈高，代表量表愈稳定。也 就表示受试者在不同时间测量得分的一致性，因而又称“稳定系数”。根据不同专家的观点，量表的信度 系数如果在0.9以上，表示量表的信度甚佳。但是对于可接受的最小信度系数值是多少，许多专家的看 法也不一致，有些专家定为0.8以上，也有的专家定位0.7以上。通常认为，如果研究者编制的量表的 信度过低，如在0.6以下，应以重新编制较为适宜。 在本节中，主要介绍利用SPSS软件对量表进行因素分析。 一、因素分析基本原理 因素分析是通过求出量表的“结构效度”来对量表中因素关系作出判断。在多变量关系中，变量间线性组合对表现或解释每个层面变异数非常有用，主成份分析主要目的即在此。变量的第一个线性组合可以解释最大的变异量，排除前述层次，第二个线性组合可以解释次大的变异量，最后一个成份所能解释总变异量的部份会较少。 主成份数据分析中，以较少成份解释原始变量变异量较大部份。成份变异量通常用“特征值”表示，有时也称“特性本质”或“潜在本质”。因素分析是一种潜在结构分析法，其模式 理论中，假定每个指针（外在变量或称题项）均由两部分所构成，一为“共同因素”、一为“唯一因素”。共同因素的数目会比指针数（原始变量数）还少，而每个指针或原始变量皆有一个唯一因素，亦即一份量表共有n个题项数，则会有n个唯一因素。唯一因素性质有两个假定： （1）所有的唯一因素彼此间没有相关； （2）所有的唯一因素与所有的共同因素间也没有相关。 至于所有共同因素间彼此的关系，可能有相关或可能皆没有相关。在直交转轴状态下， 两变量间相关关系的测量方法 在物理类文献中见到判断相关的方法比较单一，不如社会学那么丰富。尽管有不少相关系数以前并未遇到，但也在整理的过程中同时学习。下面是自己整理的两变量间相关关系的测量方法。难免疏漏，请各位加以修正补充。 一、相关关系 事物之间的联系大致可以分为两类，一类是确定性关系，变量之间存在着一一对应的关系，即函数关系；另一类是不完全确定的关系，两个变量之间存在着相互依赖、相互影响的关系，却不是严格的一一对应关系，称为相关关系。相关关系反映的是变量之间是否存在联系亦即联系的程度。确定性关系与相关关系之间往往无法截然区分，一方面，由于测量误差等随机因素的影响，确定性关系在现实中往往通过相关关系表现出来；另一方面，当人们对客观事物的内部规律了解得更深刻时，相关关系又有可能转化为确定性关系。 二、变量类型 依据测量尺度，在社会科学研究中一般将变量分为定类变量、定序变量和定距变量三大类（此外，还有“定比变量”，社会科学研究不作区分）。它们之间的关系是从定类变量开始，后一个变量比前一个变量的层次高，后一个变量除具有前一个变量的特征外，还具有自己的特点。 定类变量：变量的取值仅仅只有类别属性之分，例如性别，没有大小、优劣之别。在社会调查研究活动中，凡是涉及到类型划分社会现象均属于定类变量。 定序变量：变量的取值除了有类别属性之分外，还有等级或次序的区别，例如教育程度，态度量度。凡属于等级或次序上有区别的变量均为定序变量。 定距/定比变量：变量的取值除了具有类别、次序区别之外，还有类别之间、序列之间的标准化距离的变量。变量的值之间可以比较大小，两个值的差有实际意义。在对社会现象的调查研究中，凡是可以用固定标准测量的、可以划分出距离的变量，均属于定距变量。 其中，定距/定比变量的区别：定距变量＝0，不表示“没有”，因此这一测量类型所得出的数据在数学运算上只能进行加、减运算，而不能做乘除等运算；定比变量＝0，表示“没有”，即有一个有实际意义的零点（绝对零点），因此，定比变量除了可做加减运算，又能做乘除运算。（但两者在SPSS中没有太大的区别）。 用SPSS做相关性分析的入门操作步骤 1、线性回归（自变量连续变量，因变量连续变量）（1）步骤：分析-回归-线性（2）数据处理：i对变量取lg：对连续变量取lg再做回归，用于检验非线性相关关系。ii均值中心化：先求均值：数据-分类汇总-把变量放到“汇总变量-变量摘要”里。再进行均值中心化：转换-变量计算-“变量-均值”-得出中心化的新变量。 2、比较均值“独立样本T检验”（自变量分类变量，因变量连续变量）步骤：分析-比较均值-独立样本T检验-因变量放“检验变量”，自变量放“分组变量”，然后定义组-确定结果解读：独立样本检验方差方程的 Levene 检验均值方程的 t 检验FSig、tdfSig、(双侧)均值差值标准误差值差分的95% 置信区间下限上限完成率假设方差相等、5 52、461-、163 53、871-、014 89、09135-、198 11、16833假设方差不相等-、151 25、9 28、881-、014 89、09884-、21809、18831关注点：看“Sig、(双侧)”是否小于0、05。 3、 logistic回归（自变量连续变量，因变量分类变量）步骤：分析-回归-二元logistic-自变量放“协变量”-“选项”点Hosmer-Lemeshow拟合度（类似于R方）结果解读：（1）模型拟合= Hosmer 和 Lemeshow 检验 =步骤卡方dfSig、1 24、64 18、002关注点：卡方越小，Sig、越高，说明模型拟合度越高。（2）参数检验方程中的变量BS、E,WalsdfSig、Exp (B)步骤1a变量1、1 96、061 10、3801、00 11、216常量-2、4 38、1542 52、21 81、000、087a、在步骤1 中输入的变量: 司龄、关注点：看变量的显著性水平是否小于0、05。 4、列联表分析（自变量分类变量，因变量分类变量）步骤：分析-描述统计-交叉表-自变量放“列”，因变量放“行”-“统计量”点“卡方”-“单元格”点“百分比-行”结果解读：卡方检验值df渐进 Sig、 (双侧)精确 Sig、(双侧)精确 Sig、(单侧)Pearson 卡方3、245a1、072连续校正b2、9001、089似然比3、31 31、069Fisher 的精确检验、0 变异系数又称“标准差率”，是衡量资料中各观测值变异程度的另一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。 标准差与平均数的比值称为变异系数，记为C.V。变异系数可以消除单位和（或）平均数不同对两个或多个资料变异程度比较的影响。 标准变异系数是一组数据的变异指标与其平均指标之比，它是一个相对变异指标。 变异系数有全距系数、平均差系数和标准差系数等。常用的是标准差系数，用CV(Coefficient of Variance)表示。 CV(Coefficient of Variance):标准差与均值的比率。 用公式表示为：CV＝σ/μ 作用：反映单位均值上的离散程度，常用在两个总体均值不等的离散程度的比较上。若两个总体的均值相等，则比较标准差系数与比较标准差是等价的。 变异系数又称离散系数。 cpa中也叫“变化系数” Analyze-Descriptive,计算出标准差和均值，然后用标准差除以均值就算出变异系数了 如何用SPSS软件计算两个变量之间的相关系数? 怎么判定相关是不是显著相关呢? analyze-correlate-bivariate-选择变量 OK 输出的是相关系数矩阵 相关系数下面的Sig.是显著性检验结果的P值，越接近0越显著。 另外，表格下会显示显著性检验的判断结果，你看看表格下的解释就知道，比如“**. Correlation is significant at the 0.01 level (2-tailed).” 就是说，如果相关系数后有"**"符号，代表在0.01显著性水平下显著相关 粗略判断的方法是，相关系数0.8以上，可以认为显著相关了 在这个图表中，你说的R值就是皮尔逊相关系数~（pearson correlation） r>0 代表两变量正相关，r<0代表两变量负相关。 |r|大于等于0.8时，可以认为两变量间高度相关； |r|大于等于0.5小于0.8时，可以认为两变量中度相关； |r|大于等于0.3小于0.5时，可以认为两变量低度相关。 小于0.3说明相关程度弱，基本不相关。 上面说了啊~表格里的pearson correlation，就是R值 相关分析的应用示例 【例】 表1是某市从1978年至1992年社会商品零售总额、居民收入和全市总人口统计数字表，试分析它们之间是否存在线性关系。 表1某市统计表 第一步：建立数据文件。 定义变量：序号为Number，假设年份用y表示，零售总额用r表示，居民收入用i表示，全市总人口用p表示，输入数据，如下截图示： 第二步：进行数据分析。 在数据文件管理窗口中，点击Analyze，展开下拉菜单，再点击Correlate中的Bivariate项，进入Bivariate Correlations对话框，请童鞋们看下图： (1)在左边的这个东东为源变量列框，右边的Variables 框为待分析的变量列框，就是这个东东： (2)再看下边的Correlation Coefficients选项，也就是分析方法选择项，就是 这个东东。 主对话框中有三种相关系数可供选择，分别对应于三种分析方法：Pearson：皮尔逊相关，计算连续变量或是等间距测度的变量间的相关分析；Kendall：肯德尔相关，计算等级变量间的秩相关； Spearman：斯皮尔曼相关，计算斯皮尔曼秩相关。 （童鞋们要注意以下选择： 对于非等间距测度的连续变量，因为分布不明，可以使用等级相关分析，也可以使用Pearson相关分析； 对于完全等级的离散变量，必须使用等级相关分析相关性，当数据资料不服从双变量正态分布或总体分布型未知，或原始数据是用等级表示时，宜用Spearman或Kendall相关分析。） (2)再往看下边的Test of Significance选项，东东：级选择显著性检验类型，他们兄弟俩的区别是： Two-tailed：双尾检验，如果事先不知道相关方向（正相关还是负相关）则可以选择此项； One-tailed：单尾检验，如果事先知道相关方向可以选择此项。 第五节利用SPSS进行量表分析 在第五章调查研究中，我们介绍了量表的类型、编制的步骤及其应用，在本节将介绍利用软件对量表进行 SPSS 处理分析。 在获取原始数据后，我们利用SPSS对量表可以作出三种分析，即项目分析、因素分析和信度分析。 项目分析，目的是找出未达显著水准的题项并把它删除。它是通过将获得的原始数据求出量表中题项的临界比率值一一CR值来作岀判断。通常，量表的制作是要经过专家的设计与审 查，因此，题项一般均具有鉴别度，能够鉴别不同受试者的反应程度。故往往在量表处理中 可以省去这一步。 因素分析，目的是在多变量系统中，把多个很难解释，而彼此有关的变量，转化成少数有概念化意义而彼此独立性大的因素，从而分析多个因素的关系。在具体应用时，大多数采用 “主成份因素分析”法，它是因素分析中最常使用的方法。 信度分析，目的是对量表的可靠性与有效性进行检验。如果一个量表的信度愈高，代表量表愈稳定。也就表示受试者在不同时间测量得分的一致性，因而又称“稳定系数”。根据不 同专家的观点，量表的信度系数如果在以上，表示量表的信度甚佳。但是对于可接受的最小 信度系数值是多少，许多专家的看法也不一致，有些专家定为以上，也有的专家定位以上。 通常认为，如果研究者编制的量表的信度过低，如在以下，应以重新编制较为适宜。 在本节中，主要介绍利用SPSS软件对量表进行因素分析。 一、因素分析基本原理 因素分析是通过求岀量表的“结构效度”来对量表中因素关系作岀判断。在多变量关系中，变量间线性组合 对表现或解释每个层面变异数非常有用，主成份分析主要目的即在此。变量的第一个线性组合可以解释最大的变异 量，排除前述层次，第二个线性组合可以解释次大的变异量， 最后一个成份所能解释总变异量的部份会较少 【本文中采用SPSS18】 首先，要把问卷中的答案都输进SPSS中，强烈建议直接在SPSS中输入，不要在EXCEL中输入，再导入SPSS，这样可能会出问题……在输数据之前先要到变量视图中定义变量……如下图 所有类型都是数值，宽度默认，小数点看个人喜好，标签自定，其他默认……除了值…… 讲讲值的设定…… 点一下有三点的蓝色小框框……会跳出一个对话框，如果你的变量是性别，学历，那么就如下图 如果是五点维度的量表，那么就是 记住，每一题都是一个变量，可以取名Q1，Q2……设定好所有问卷上有的变量之后，就可以到数据视图中输入数据啦……如下图 都输完后……还有要做的就是计算你的每个维度的平均得分……如果你的问卷Q1-Q8是一个维度，那么就把Q1-Q8的得分加起来除以题目数8……那么得到的维度1分数会显示在数据视图中的最后……具体操作如下…… 转换——计算变量 点确定，就会在数据视图的最后一列出现计算后的变量……如果你的满意度有3个维度，那么就要计算3个维度，外加满意度这个总维度，满意度=3个维度的平均分=满意度量表的所有题目的平均分…………把你所有的维度变量都计算好之后就可以分析数据啦…… 1.描述性统计 将你要统计的变量都放到变量栏中，直接点确定…… 如果你要统计男女的人数比例，各个学历或者各个年级的比例，就要用描述统计中的频率……如果要统计男女中的年级分布，比如大一男的有几个，大二女的有几个，就用交叉表……不细说了……地球人都懂的………… 2.差异性分析 差异性分析主要做的就是人口学变量的差异影响，男女是否有差异，年级是否有差异，不做的就跳过…… 对于性别来说，差异分析采用独立样本T检验，也可以采用单因素ANOVA分析，下面以T 检验为例……spss相关性分析报告
利用SPSS软件对量表进行因素分析
spss软件相关分析
用SPSS做相关性分析的入门操作步骤
spss一些用法-变异系数-相关性检验
怎么用SPSS进行相关分析
利用SPSS进行量表分析
利用SPSS做数据分析