分析

可以的啊，需要将自变量哑变量化，就是将自变量转化为0和1的虚拟变量，你这里可以将干预组设置为1，将对照组设置为0。剩余的分析步骤和连读变量是一样的。

你对照组和实验组是用T检验还是卡方检验？你的二分变量是通过logistic回归分析还是一般回归分析？

有人认为，对于小样本，你就无法使用统计的。但，这是一个误解，一个 常见的误解 。对于小样本，我们也有适当的统计方法。 一个研究者的“小样本”，在另一个研究者看来则可能意味着“大样本”。本文中，小样本主要是指样本量在5-30个用户（可用性研究中常见的样本量，进一步阅读:http://www.measuringusability.com/blog/actual-users.php）。 值得注意的是，用户研究并不是出现小样本的唯一领域。其他具有较高操作成本的研究也会出现这个现象，比如fMRis和动物实验等。 尽管我们有相应的方式来处理小样本研究数据，但我们应该清晰地知道小样本的局限性：你很难看到很大的差异，很明显的效果。 这就像使用双筒望远镜进行天文观测一样：使用双筒望远镜，你可能无法看到行星、恒星、月亮和偶尔出现的彗星。但这并不以为着你就不能进行天文观测了。事实上，伽利略就是使用望远镜（ 与今天相当的双筒望远镜相当 ）发现了木星的卫星。 统计也是一样。仅仅因为你的样本不够大，并不能判断你能不能使用统计。再次强调， 小样本的关键限制是，你难以发现设计或措施的效果是否有差异。 幸运的是，在用户体验研究中，我们往往关心的是不同用户可能发现的不同问题：比如：导航的结构变化，搜索结果页面的改进等等。 下面是我们在小样本用户研究中的常见统计分析方法。 比较compare 如果您需要对比两个独立组别的完成率、完成时间，问卷评分等。有两种大样本或者小样的方法可以采用。具体适用与哪种方法，取决于数据的特征：连续的还是离散的。比较均值： 如果你的数据是连续的（不是二进制），比如任务完成时间、问卷评分等，你可以采用独立样本t检验。实践证明，它对于小样本也是适用的。 二分变量比较： 如果你的数据是二进制的（成功/失败，是/否），你可以采用N-1的卡方检验。当期望数目小于1时，使用Fisher精确检验往往有更好的表现。 置信区间Confidence Intervals 当你想从样本数据来推测整个用户群，你会想到生成一个置信区间（译者注：关于置信区间，可参阅： http://baike.baidu.com/view/409226.htm ）。 尽管小样本的置信区会相当宽（通常为20-30个百分点），但是建立这样的区间总是有益的。例如：你想知道，用户在安装打印机前是否会去阅读“Read this first”文档。而测试中，8名用户中有6名用户没有去阅读。这时候我们可以推知：至少40%的用户很可能会这么做——这是一个相当大的比例。 置信区间的计算方法有三种，这取决于你数据是否是二进制、时间或者连续的。基于平均值的置信区间Confidence interval around a mean :如果你的数据是连续的（非二进制），如评定量表、以美元计算的订单金额，页面访问数等。那么，置信区间的计算可以基于t分布进行计算（当然，这需要考虑到样本量）。 基于任务时间的置信区间Confidence interval around task-time :任务时间的理论最小值为0秒（不多见），一些用户的任务时间可能是其他用户的10-20倍。对于这种不对称性，我们需要进行数据转换（ log-transformed ），然后基于转换后的数据进行计算。待报告时再转换回来。 基于二进制的置信区间 Confidence interval around a binary measure :二进制的数据比如完成率或yes/no。这类置信区间的计算，可以采用校正后沃尔德检验法（ Adjusted Wald interval ）计算（这种方法对于所有样本规模均适用）。 点估计（均值）Point Estimates (The Best Averages ) 任何研究报告中，何为"最好"的平均时间或平均完成率的估计，应当取决于研究的目标。 请记住：即使是“最好”的均值估计，也依然不代表实际的平均值。 所以对于未知总体均值的估计而言，置信区间是更好的展示方法。 在可用性研究中，小样本的均值计算，比较适宜的有两个：任务时间和完成率。不同样本规模中更常见的则是量表评分（SUS评分等）。 完成率： 小样本的完成率，通常可能只有几个数值（译者注：可用性测试中，这一数字可能为5）。例如：有五个用户进行任务操作，其任务完成率只可能是：0％，20％，40％，60％，80％和100％几个数字中的某一个（100%也并不罕见）。基于小样本得出一个完美的成功率，可能并不恰当——因为它可能并不能揭示真实情况（测试结果优于真实情况）。 我们（指作者）对自己的小样本可用性测试数据，利用拉普拉斯估计（theLaPlace estimator）和简单比例（一般称为，最大似然估计，the Maximum Likelihood Estimator）进行了均值估计（参见：http://www.upassoc.org/upa_publications/jus/2006_may/lewis_small_sample_estimates.pdf ）。 评定量表的均值问题： 量表是一个有趣的度量类型，它们大多是有限的区间（如：1-5,1-10等）除非你是 Spinal Tap （译者注：因翻译期间，该链接视频未能打开。故未译成中文）。我们发现，在小型或大型的样本中，均值最好是在中位数上（参阅：http://drjim.0catch.com/1993_MultipointScales_MeanAndMedianDifferencesAndObservedSignificanceLevels.pdf）。当然，我们有许多方式来报道评定量表的分数，比如 top-two boxes （直观理解，可参照NPS的计算规则）。 具体如何报告取决于你的灵敏度需要和组织要求。任务时间均值 ：一个较长的任务时间可能让算术平均值产生扭曲，这时候中位数则是用来描述平均水平的更恰当的指标。样本数在25以上的，中位数对均值具有良好的代表性（进一步阅读：http://www.measuringusability.com/average-times.php）。 不幸的是，中位数往往不够准确，在样本数小于25的情况下，比平均值更加不准确。这时候，几何平均值往往具有更好的衡量意义（译者注：几何平均值受极端值的影响更小）。 【工具箱】 小样本计算器：http://www.measuringusability.com/wald.htm 任务时间置信区间计算： http://www.measuringusability.com/time_intervals.php 二分变量差异检验： http://www.measuringusability.com/ab-calc.php top-two boxes：https://www.measuringusability.com/blog/top-box.php 几何平均数计算器： http://www.ab126.com/goju/1710.html 数字帝国-统计计算器： http://zh.numberempire.com/statisticscalculator.php —————————————————————————————— 【译后记】译罢此文，深深感触：对于结果直接提供算术平均数就是耍流氓！而多数报告也确实只提供了算术平均数一种。 本文对于更严谨科学地分析和解读研究发现，具有重要的启发意义。 因时间和精力限制，译文难免存在谬误，欢迎批评指正。

K-mean聚类方法 对聚类变量的要求 必须是连续型数据变量，就是你说的必须是12345这样的打分，或者是比如距离 重量 这种实际数据 你如果你有其他的分类变量数据 可以尝试用系统聚类方法，或者 2阶段聚类

二分类变量和连续变量相关分析不显著手动移除出共线性的自变量调。因为变量关系不显著，可以尽量引用更多关于变量关系的理论依据，手动移除出共线性的自变量调节增强相关性。所以二分类变量和连续变量相关分析不显著手动移除出共线性的自变量调。二分类变量是按照观察对象的某一特性或特点，将调查对象分为两组的变量。

SPSS数量掌握 我可以代分析的 且有多年给研究生分析数据的经验

1、首先，大家平时理解的变量是单纬的，而不是你说的多维的。因此，对spss而言，X1、X2、X3、Y1、Y2、Y3分别是6个变量。2、spss的相关性分析中可以分别统计这6个变量间的相关性。通过他们之间相关性的计算，你或许可以得到你所说的X与Y之间的相关性，但这种相关性只是你推测的定性描述而已，是不能定量描述的。3、主成分分析，目的是将分析对象的多个维度简化为少数几个维度，方便分析，这样做的前提是维度很多且其中的多个维度之间有较强的相关性。而不是你想象的可以把X1、X2、X3降维成一个变量，因为只有三个维度，已经很少了，这三个维度可以做降维分析的可能性几乎没有。4、回归分析，只有一个因变量，可以有多个自变量，最终算得因变量与自变量间的回归关系。估计你只是自己想象了一个例子，实际中一般是不会有这样的分析案例的。

用SPSS进行多元回归以后，系统会自动给出x1、x2和x3（从大到小）的R的平方和，相减就是解释率。

。

这要根据你的研究目的 比如自变量是组别 ，因变量是效果（痊愈、好转、无效），如果想看不同组别效果有无差异的话 可以考虑用秩和检验如果做回归分析的话 可以考虑有序logistic回归

在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同 两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述. Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。 Kendall"s tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格； 计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。 计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用 spearman或kendall相关 Pearson 相关复选项 积差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 复选项 等级相关 计算分类变量间的秩相关，适用于合并等级资料 Spearman 复选项 等级相关计算斯皮尔曼相关，适用于连续等级资料注：1若非等间距测度的连续变量 因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关2当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。3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项： Pearson Kendall"s tau-b Spearman：Spearmanspearman（斯伯曼/斯皮尔曼）相关系数 斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法” 斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。Kendall"s相关系数 肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1 ，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。 肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。正态分布的相关检验 对来自正态总体的两个样本进行均值比较常使用T检验的方法。T检验要求两个被比较的样本来自正态总体。两个样本方差相等与不等时用的计算T值的公式不同。 进行方差齐次性检验使用F检验。对应的零假设是：两组样本方差相等。P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。 U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。在这种情况下总体方差通常是已知的。 虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。 均值检验时不同的数据使用不同的统计量 使用MEANS过程求若干组的描述统计量，目的在于比较。因此必须分组求均值。这是与Descriptives过程不同之处。 检验单个变量的均值是否与给定的常数之间存在差异，用One-Sample T Test 单样本T检验过程。 检验两个不相关的样本是否来自来具有相同均值的总体，用Independent-Samples T test 独立样本t检验过程。 如果分组样本不独立，用Paired Sample T test 配对t检验。 如果分组不止两个，应使用One-Way ANOVO一元方差分析（用于检验几个独立的组，是否来自均值相等的总体）过程进行单变量方差分析。 如果试图比较的变量明显不服从正态分布，则应该考虑使用一种非参数检验过程Nonparametric test. 如果用户相比较的变量是分类变量，应该使用Crosstabs功能。 当样本值不能为负值时用右侧单边检验。

将因变量定义为categorical分类变量即可。

回归分析模型的有以下种类：一元回归分析和多元回归分析具体如下：就是回归分析中当研究的因果关系只涉及因变量和一个自变量时叫做一元回归分析就是当研究的因果关系涉及因变量和两个或两个以上自变量时叫做多元回归分析

这个有序多分类变量是自变量还是因变量啊？自变量的话看似然比检验，显著的话就不能当作数值型变量，而需要当作分类变量来做，转换成哑变量；因变量的话用multinomial logistic来做。

在SPSS软件相关分析中,pearson(皮尔逊),kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述.Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。Kendall"stau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格；计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据;计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用spearman或kendall相关Pearson相关复选项积差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复选项等级相关计算分类变量间的秩相关，适用于合并等级资料Spearman复选项等级相关计算斯皮尔曼相关，适用于连续等级资料注：1若非等间距测度的连续变量因为分布不明-可用等级相关/也可用Pearson相关，对于完全等级离散变量必用等级相关2当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。3若不恰当用了Kendall等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。在SPSS里进入Correlate－》Bivariate，在变量下面CorrelationCoefficients复选框组里有3个选项：PearsonKendall"stau-bSpearman：Spearmanspearman（斯伯曼/斯皮尔曼）相关系数斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。Kendall"s相关系数肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。正态分布的相关检验对来自正态总体的两个样本进行均值比较常使用T检验的方法。T检验要求两个被比较的样本来自正态总体。两个样本方差相等与不等时用的计算T值的公式不同。进行方差齐次性检验使用F检验。对应的零假设是：两组样本方差相等。P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。在这种情况下总体方差通常是已知的。虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。均值检验时不同的数据使用不同的统计量使用MEANS过程求若干组的描述统计量，目的在于比较。因此必须分组求均值。这是与Descriptives过程不同之处。检验单个变量的均值是否与给定的常数之间存在差异，用One-SampleTTest单样本T检验过程。检验两个不相关的样本是否来自来具有相同均值的总体，用Independent-SamplesTtest独立样本t检验过程。如果分组样本不独立，用PairedSampleTtest配对t检验。如果分组不止两个，应使用One-WayANOVO一元方差分析（用于检验几个独立的组，是否来自均值相等的总体）过程进行单变量方差分析。如果试图比较的变量明显不服从正态分布，则应该考虑使用一种非参数检验过程Nonparametrictest.如果用户相比较的变量是分类变量，应该使用Crosstabs功能。当样本值不能为负值时用右侧单边检验。

SPSS提供了多种适用于不同类型数据的相关系数表达，这些相关性检验的零假设都是：行和列变量之间相互独立，不存在显著的相关关系。根据SPSS检验后得出的相伴概率（Concomitant Significance）判断是否存在相关关系。如果相伴概率小于显著性水平0.05，那么拒绝零假设，行列变量之间彼此相关；如果相伴概率大于显著性水平0.05，那么接受原假设，行列变量之间彼此独立。在交叉列联表分析中，SPSS所提供的相关关系的检验方法主要有以下3种：（1）卡方（χ2）统计检验：常用于检验行列变量之间是否相关。计算公式为：其中，f0表示实际观察频数，fe表示期望频数。卡方统计量服从（行数 1） （列数 1）个自由度的卡方统计。SPSS在计算卡方统计量时，同时给出相应的相伴概率，由此判断行列变量之间是否相关。（2）列联系数（Contingency coefficient）：常用于名义变量之间的相关系数计算。计算公式由卡方统计量修改而得，公式如下：（3） 系数（Phi and Cramer"s V）：常用于名义变量之间的相关系数计算。计算公式由卡方统计量修改而得，公式如下：系数介于0和1之间，其中，K为行数和列数较小的实际数。交叉列联表分析的具体操作步骤如下：打开数据文件，选择【分析】（Analyze）菜单，单击【描述统计】（Descriptive Statistics）命令下的【交叉表】（Crosstabs）命令。"交叉表"（Crosstabs）主对话框如图3-13所示。在该主对话框中，左边的变量列表为原变量列表，通过单击 按钮可选择一个或者几个变量进入右边的"行"（Row(s)）变量列表框、"列"（Column(s)）变量列表框和"层"（Layer）变量列表框中。如果是二维列联表分析，只需选择行列变量即可，但如进行三维以上的列联表分析，可以将其他变量作为控制变量选到"层"（Layer）变量列表框中。有多个层控制变量时，可以根据实际的分析要求确定它们的层次，既可以是同层次的也可以是逐层叠加的。在"交叉表"对话框底端有两个可选择项：显示复式条形图（Display clustered bar chart）：指定绘制各个变量不同交叉取值下关于频数分布的柱形图；取消表格（Suppress table）：不输出列联表的具体表格，而直接显示交叉列联表分析过程中的统计量，如果没有选中统计量，则不产生任何结果。所以，一般情况下，只有在分析行列变量间关系时选择此项。该对话框的右端有4个按钮，从上到下依次为【精确】（Exact）按钮、【统计量】（Statistics）按钮、【单元格】（Cells）按钮和【格式】（Format）按钮。单击可进入对应的对话框。单击【精确】（Exact）按钮，打开"精确检验"（Exact Tests）对话框，如图3-14所示。该对话框提供了3种用于不同条件的检验方式来检验行列变量的相关性。用户可选择以下3种检验方式之一：仅渐近法（Asymptotic only）：适用于具有渐近分布的大样本数据，SPSS默认选择该项。Monte Carlo（蒙特卡罗法）：此项为精确显著性水平值的无偏估计，无需数据具有渐近分布的假设，是一种非常有效的计算确切显著性水平的方法。在"置信水平"（Confidence Level）参数框内输入数据，可以确定置信区间的大小，一般为90、95、99。在"样本数"（Number of samples）参数框中可以输入数据的样本容量。精确（Exact）：观察结果概率，同时在下面的"每个检验的时间限制为"（Time limit per test）的参数框内，选择进行精确检验的最大时间限度。用户在本对话框内进行选择后，单击【继续】（Continue）按钮即可返回"交叉表"主对话框。一般情况下，"精确检验"（Exact Tests）对话框的选项都默认为系统默认值，不作调整。单击【统计量】（Statistics）按钮，打开"交叉表：统计量"（Crosstabs：Statistics）对话框，如图3-15所示。在该对话框中，用户可以选择输出合适的统计检验统计量。对话框中各选项的意义如下：（1）卡方（Chi-square）检验复选框：检验列联表行列变量的独立性检验，也被称为Pearson chi-square检验、χ2检验。（2）相关性（Correlations）检验复选框：输出列联表行列变量的Pearson相关系数或Spearman相关系数。（3）名义（Nominal）栏：适用于名称变量统计量。相依系数（Contingency coefficient）：即Pearson相关系数或Spearman相关系数。Phi 和Cramer变量（ 系数）：常用于名义变量之间的相关系数计算。计算公式由卡方统计量修改而得，如公式（3.13）所示。ψ系数介于0和1之间，其中，K为行数和列数较小的实际数。Lambda（λ系数）：在自变量预测中用于反映比例缩减误差，其值为1时表明自变量预测因变量好，为0时表明自变量预测因变量差。不定性系数（Uncertainty coefficient）：以熵为标准的比例缩减误差，其值接近1时表明后一变量的信息很大程度上来自前一变量，其值接近0时表明后一变量的信息与前一变量无关。（4）有序（Ordinal）栏：适用于有序变量的统计量。Gamma（伽马系数，γ系数）：两有序变量之间的关联性的对称检验。其数值界于0和1之间，所有观察实际数集中于左上角和右下角时，取值为1，表示两个变量之间有很强的相关；取值为0时，表示两个变量之间相互独立。Somers"d值：两有序变量之间的关联性的检验，取值范围为[-1，1]。Kendall s tau-b值：考虑有结的秩或等级变量关联性的非参数检验，相同的观察值选入计算过程中，取值范围为[-1，1]。Kendall s tau-c值：忽略有结的秩或等级变量关联性的非参数检验，相同的观察值不选入计算过程，取值范围界为[-1，1]。（5）按区间标定（Nominal by interval）栏：适用于一个名义变量与一个等距变量的相关性检验。Kappa系数：检验数据内部的一致性，仅适用于具有相同分类值和相同分类数量的变量交叉表。Eta值：其平方值可认为是因变量受不同因素影响所致方差的比例。风险（相对危险度）：检验事件发生和某因素之间的关联性。McNemar检验：主要用于检验配对的资料率（相当于配对卡方检验）。（6）Cochran"s and Mantel-Haenszel统计量复选框：适用于在一个二值因素变量和一个二值响应变量之间的独立性检验。用户在"交叉表：统计量"对话框中进行选择后，单击【继续】（Continue），即可返回"交叉表"（Crosstabs）主对话框。一般情况下，对"交叉表：统计量"对话框内的选项不作选择或选择较为常用的卡方检验。单击【单元格】（Cells）按钮，打开"交叉表：单元显示"（Crosstabs：Cell Display）对话框，如图3-16所示。在该对话框中，用户可以指定列联表单元格中的输出内容。SPSS17.0默认在交叉列联表中输出实际的观察值，但观察值有时候不能确切地反映事物的实质，因此还需要输出其他的数据项。对话框中各选项的具体意义如下：（1）计数（Counts）栏：观察值（Observed）：系统默认选项，表示输出为实际观察值。期望值（Expected）：表示输出为理论值。（2）百分比（Percentages）栏：行（Row）百分比：以行为单元，统计行变量的百分比。列（Column）百分比：以列为单元，统计列变量的百分比。总计（Total）百分比：行列变量的百分比都进行输出。（3）残差（Residuals）栏：未标准化（Unstandardized）：输出非标准化残差，为实际数与理论数的差值。标准化（Standardized）：输出标准化残差，为实际数与理论数的差值除以理论数。调节的标准化（Adjusted standardized）：输出修正标准化残差，为标准误确定的单元格残差。（4）非整数权重（Noninteger Weights）栏：四舍五入单元格计数（Round cell counts，系统默认）：将单元格计数的非整数部分的尾数四舍五入为整数。截短单元格计数（Truncate cell counts）：将单元格计数的非整数部分的尾数舍去，直接化为整数。四舍五入个案权重（Round case Weights）：将观测量权数的非整数部分的尾数四舍五入为整数。截短个案权重（Truncate case Weights）：将观测量权数的非整数部分的尾数舍去，化为整数。无调节（No adjustments）：不对计数数据进行调整。用户在"交叉表：单元显示"对话框中进行选择后，单击【继续】（Continue）按钮，即可返回"交叉表"主对话框。一般情况下，对"交叉表：单元显示"对话框的选项都默认为系统默认值，不作调整。单击【格式】（Format）按钮，打开"交叉表：表格格式"（Crosstabs：Table Format）对话框，如图3-17所示。在该对话框中，用户可以指定列联表的输出排列顺序。对话框中各选项的具体意义如下：在行序（Row Order）栏中有如下两个选项：升序（Ascending）：系统默认，以升序显示各变量值；降序（Descending）：以降序显示各变量值。用户在该对话框中进行选择后，单击【继续】（Continue）按钮，即可返回"交叉表"主对话框。在"交叉表"对话框中单击【确定】（OK）按钮，可在输出窗口中得到数据概述、交叉列联表、卡方检验表、交叉分组下频率分布柱形图、相对危险性估计等图表。

不可以的，anova是针对continuous data的

1、概念不同：（1）多重线性回归模型可视为简单直线模型的直接推广，具有两个及两个以上自变量的线性模型即为多重线性回归模型。（2）logistic属于概率型非线性回归，是研究二分类(可扩展到多分类)观察结果与一些影响因素之间关系的一种多变量分析方法。2、变量的特点多元回归分析的应变量：1个；数值变量（正态分布)；自变量：2个及2个以上；最好是数值变量，也可以是无序分类变量、有序变量。logistic回归的分析应变量：1个；二分 类变量（二项分布）、无序 /有序多分类变量；自变量：2个及2个以上；数值变量、二分类变量、无序/有序多分类变量。总体回归模型LogitP=(样本)偏回归系数含义表示在控制其它因素或说扣除其它因素的作用后(其它所有自变量固定不变的情况下)，某一个自变量变化一个单位时引起因变量Y变化的平均大小。表示在控制其它因素或说扣除其它因素的作用后(其它所有自变量固定不变的情况下)，某一因素改变一个单位时，效应指标发生与不发生事件的概率之比的对数变化值(logitP的平均变化量)，即lnOR。3、适用条件LINE：1、L：线性——自变量X与应变量Y之间存在线性关系；2、I：独立性——Y值相互独立，在模型中则要求残差相互独立，不存在自相关；3、N：正态性——随机误差（即残差）e服从均值为零，方差为 2的正态分布；4、E：等方差——对于所有的自变量X，残差e的方差齐。观察对象（case）之间相互独立；若有数值变量，应接近正态分布（不能严重偏离正态分布）；二分类变量服从二项分布；要有足够的样本量；LogitP与自变量呈线性关系。

应该用logistic回归。前提是设计好变量类型。使用有序Logistic进行回归分析时，需要考虑4个假设：假设1：因变量唯一，且为有序多分类变量，如血压水平可以分为高、中、低；某病的治疗效果分为痊愈、有效、无效等。假设2：存在一个或多个自变量，可为连续、有序多分类或无序分类变量。假设3：自变量之间无多重共线性。假设4：模型满足比例优势假设。意思是无论因变量的分割点在什么位置，模型中各个自变量对因变量的影响不变，也就是自变量对因变量的回归系数与分割点无关。有序多分类的Logistic回归原理是将因变量的多个分类依次分割为多个二元的Logistic回归。例如本例中因变量患者满意度有4个等级，分析时拆分为三个二元Logistic回归，分别为(0 vs 1+2+3) 、(0+1 vs 2+3)和(0+1+2 vs 3)，均是较低级与较高级对比。在有序多分类Logistic回归中，假设几个二元Logistic回归的自变量系数相等，仅常数项不等。结果也只输出一组自变量的系数。因此，有序多分类的Logistic回归模型，必须对自变量系数相等的假设（即比例优势假设）进行检验（又称平行线检验）。如果不满足该假设，则考虑使用无序多分类Logistic回归。假设1-2都是对研究设计的假设，需要研究者根据研究设计进行判断。经过分析，本研究符合假设1和假设2，那么应该如何检验假设3、假设4，并进行有序Logistic回归呢？

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，

我现在正在做统计分析，有个地方涉及到分类变量的相关性问题，我不知道两个分类资料间能不能做相关分析。请高手指点一下了！

一、解释变量内生性检验首先检验解释变量内生性（解释变量内生性的Hausman检验：使用工具变量法的前提是存在内生解释变量。Hausman检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。regldilofdiestimatesstoreolsxtivregldi(lofdi=l.lofdildeplexr)estimatesstoreivhausmanivols（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivregdepvar[varlist1](varlist_2=varlist_iv)（选择项可以为fe，re等，表示固定效应、随机效应等。详见helpxtivreg）如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp二、异方差与自相关检验在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，面板异方差检验：xtglsencinvsexpimpescmrl,iglspanel(het)estimatesstoreheteroxtglsencinvsexpimpescmrl,iglsestimatesstorehomolocaldf=e(N_g)-1lrtestheterohomo,df(`df")面板自相关：xtserialencinvsexpimpescmrl则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（OveridentificationTest或JTest）：estatoverid三、工具变量效果验证工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。需要做的检验：检验工具变量的有效性：（1）检验工具变量与解释变量的相关性如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weakinstruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estatfirst（显示第一个阶段回归中的统计量）（2）检验工具变量的外生性（接受原假设好）在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（OveridentificationTest），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0HSargan统计量，Stata命令：estatoverid四、GMM过程在Stata输入以下命令，就可以进行对面板数据的GMM估计。.sscinstallivreg2（安装程序ivreg2）.sscinstallranktest（安装另外一个在运行ivreg2时需要用到的辅助程序ranktest）.use"traffic.dta"（打开面板数据）.xtsetpanelvartimevar（设置面板变量及时间变量）.ivreg2yx1(x2=z1z2),gmm2s（进行面板GMM估计，其中2s指的是2-stepGMM）

解释变量内生性检验首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。reg ldi lofdiestimates store olsxtivreg ldi (lofdi=l.lofdi ldep lexr)estimates store ivhausman iv ols（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp二、异方差与自相关检验在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，面板异方差检验：xtgls enc invs exp imp esc mrl,igls panel(het)estimates store heteroxtgls enc invs exp imp esc mrl,iglsestimates store homolocal df = e(N_g) - 1lrtest hetero homo, df(`df")面板自相关：xtserial enc invs exp imp esc mrl则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid三、工具变量效果验证工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。需要做的检验：检验工具变量的有效性：（1） 检验工具变量与解释变量的相关性如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）（2） 检验工具变量的外生性（接受原假设好）在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0HSargan统计量，Stata命令：estat overid四、GMM过程在Stata输入以下命令，就可以进行对面板数据的GMM估计。. ssc install ivreg2 （安装程序ivreg2 ）. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）. use "traffic.dta"（打开面板数据）. xtset panelvar timevar （设置面板变量及时间变量）. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

——第二章：动态规划的分析学基础——我们已经了解了集值映射的基本理论。在这一章，我们致力于解决确定性动态规划的一些最重要的问题，随后（第三章）我们会转入测度论与积分理论的简要介绍，为随机递归模型做准备。第二章的内容会稍微有些多，因为从现在开始我们要切入《经济动态的递归方法》这本书的主题了。第二章总的脉络就是：回顾确定性动态规划的传统处理方式，提出问题：在什么情况下，对于Bellman方程的传统的处理方式是合法的？利用集值映射的基本理论、压缩映射原理给出Bellman方程解的存在性与唯一性，并说明了函数空间迭代法的合理性。利用凸分析中的一些概念（次梯度）和技巧说明 Step1.中的问题，说得确切一些，就是值函数的可微性。【一、关于动态规划的回顾】我们首先来复习一下，确定性动态规划要解决什么问题？或者说，它能够为我们做些什么？我们要清楚：状态变量，是指在 [公式] 时刻取值已经被确定了的量，其取值一般来自于过去的行为，或者来自于系统外部的其他过程。比如，我们考虑最简单的鲁滨逊 · 克鲁索经济：[公式]其中 [公式] 为效用贴现率，[公式] 为资产折旧率， [公式] 为当期投资， [公式] 为产出，资本存量 [公式] 是由 [公式] 时期继承而得到的，它是前定变量，因此它确定无疑地属于状态变量。但是，对于控制变量的选择有多种方案。鲁滨逊 · 克鲁索显然可以直接对当期的消费量 [公式] 做出选择，也就是说，此时 [公式] 就是控制变量；他也可以对 [公式] 进行选择，一旦选定了 [公式] 作为控制变量，那么当期消费量就被式子 [公式] 决定了。然而，我们一般选择 [公式] 作为控制变量！这主要是出于模型推导的方便性考虑的。我们马上就会明白为什么不选择 [公式] 作为控制变量。先选择 [公式] 作为控制变量，我们列出Bellman方程：[公式]其中第 [公式] 时刻的值函数 [公式] ， [公式] 。Bellman方程最大的特点是递归地表达问题，这也是为什么Nancy Stokey与两位诺奖得主 Lucas 和Prescott 写就的这部伟大著作称之为《经济动态的递归方法》，以及另一位诺奖得主 Sargent 将其名著取名为《递归宏观经济理论》的原因。本来鲁滨逊 · 克鲁索经济面临的是一个可数无穷维优化问题，现在转化为一个个（可数多个）一维优化问题。假设（问题就在这儿）值函数 [公式] 是存在的，并且有一阶可微性，那么我们首先要解出贝尔曼方程右边的那个优化问题，由一阶条件（对 [公式] 求导）我们得到：[公式]我们很快发现一阶条件包含了 [公式] ，这个导数我们是不知道的。同时，我们凭什么能够随意假设值函数是存在的，并且有一阶可微性？因为并不是对于所有的动态规划问题都会有这个性质。换句话说，我们须研究：动态规划模型必须满足哪些条件，才能够使得值函数是存在的，并且有一阶可微性？这是我们提出的问题。先把这个（纯数学）问题搁置一下，我们还是复习传统的做法，我们知道Benveniste Scheinkman包络定理（这个定理在本文后面会给出证明）： [公式] 的导数可以通过对Bellman方程中的值函数关于 [公式] 求偏导得到，即： [公式] 。将这个表达式后移一期就得到 [公式] ，带入到一阶条件的表达式中，就有经济学中著名的Euler方程：[公式] 。读者可以试一试用 [公式] 作为控制变量会怎么样？答案是：会很难处理下去！我们不妨写出用 [公式] 作为控制变量的Bellman方程：[公式]运用Benveniste Scheinkman包络定理 ，我们得到[公式]值函数的导数中依然含有值函数的导数，没有任何的改进。所以动态规划中，选择控制变量的诀窍是：要使得Benveniste Scheinkman包络定理的形式更简单，尽量多地把变量都放进目标函数里，目的是为了让预算约束中不包含 [公式] 时期的状态变量！以后，我们总是选择下期状态变量为控制变量。（《经济动态的递归方法》原书也是这么做的）【二、Bellman方程解的存在性与唯一性】我们知道在（完备的）度量空间中有一个极其简单但却非常有力的不动点定理：压缩映射原理。压缩的意思就是说：它可以使度量空间中的两个点不断地靠近。我们称算子 [公式] 是一个以 [公式] 为模的压缩映射，是指 [公式] ，其中 [公式] 表示距离。

这种哪好量化哦！学历又不等于能力，中国培训出来的高分低能的例子还少吗？在大学生普遍难就业的今天，学历文凭这些东西只能做个参考了。当然，职务跟工作能力是相关联的，这个可以进行岗位绩效考核，从工作内容要求及完成效果上进行量化打分。

在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同 两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述. Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。 Kendall"s tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格； 计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。 计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用 spearman或kendall相关 Pearson 相关复选项 积差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 复选项 等级相关 计算分类变量间的秩相关，适用于合并等级资料 Spearman 复选项 等级相关计算斯皮尔曼相关，适用于连续等级资料 注： 1若非等间距测度的连续变量 因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关 2当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。 3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。 在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项： Pearson Kendall"s tau-b Spearman：Spearman spearman（斯伯曼/斯皮尔曼）相关系数 斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法” 斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。 Kendall"s相关系数 肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1 ，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。 肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。 正态分布的相关检验 对来自正态总体的两个样本进行均值比较常使用T检验的方法。T检验要求两个被比较的样本来自正态总体。两个样本方差相等与不等时用的计算T值的公式不同。 进行方差齐次性检验使用F检验。对应的零假设是：两组样本方差相等。P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。 U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。在这种情况下总体方差通常是已知的。 虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。 均值检验时不同的数据使用不同的统计量 使用MEANS过程求若干组的描述统计量，目的在于比较。因此必须分组求均值。这是与Descriptives过程不同之处。 检验单个变量的均值是否与给定的常数之间存在差异，用One-Sample T Test 单样本T检验过程。 检验两个不相关的样本是否来自来具有相同均值的总体，用Independent-Samples T test 独立样本t检验过程。 如果分组样本不独立，用Paired Sample T test 配对t检验。 如果分组不止两个，应使用One-Way ANOVO一元方差分析（用于检验几个独立的组，是否来自均值相等的总体）过程进行单变量方差分析。 如果试图比较的变量明显不服从正态分布，则应该考虑使用一种非参数检验过程Nonparametric test. 如果用户相比较的变量是分类变量，应该使用Crosstabs功能。 当样本值不能为负值时用右侧单边检验。

《spss数据分析教程》第1章　统计学和spss统计分析软件简介　11.1　统计分析的基本概念　11.1.1　统计分析的步骤　21.1.2　数据的类型　21.2　常见统计分析软件简介　31.2.1　spss　31.2.2　sas　41.2.3　splus或者r　41.2.4　其他数据分析软件　41.3　spss统计分析软件的发展　41.4　spss版本和授权　51.5　spss统计分析软件的特点　61.6　主要模块及功能简介　71.7　spss的安装　91.8　spss的几种基本运行方式　121.9　spss的界面　141.10　spss的图形用户界面　171.11　spss帮助系统　191.12　小结　23.思考与练习　23参考文献　25第2章　数据文件的建立和管理　262.1　数据管理的特点　262.2　spss数据编辑器简介　272.2.1　开始spss　272.2.2　spss的数据编辑器界面　272.3　新建数据文件、数据字典　312.4　保存文件　332.5　读入数据　342.5.1　读入excel数据　352.5.2　读入文本数据　362.5.3　读入数据库数据　392.6　数据文件的合并　432.6.1　添加个案　432.6.2　添加变量　462.7　数据文件的拆分　50附录：如何为数据库文件建立odbc数据源　522.8　小结　53思考与练习　54参考文献　56第3章　描述性统计分析　573.1　频率分析　573.2　中心趋势的描述：均值、中位数、众数、5%截尾均值　603.2.1　均值　603.2.2　中位数　603.2.3　众数　613.2.4　5%截尾均值　613.3　离散趋势的描述：极差、方差、标准差、均值的标准误、分位数和变异指标　623.3.1　极差　623.3.2　方差和标准差　633.3.3　均值的标准误　633.3.4　变异系数　633.3.5　分位数　643.4　分布的形状——偏度和峰度　643.5　spss描述性统计分析　653.5.1　频率入口　663.5.2　描述子菜单　673.5.3　探索子菜单　683.5.4　表格　693.6　应用统计图进行描述性统计分析　713.6.1　定性数据的图形描述——条形图、饼图、帕累托图　713.6.2　定量数据的图形描述——直方图、茎叶图和箱图　743.7　数据标准化　783.8　小结　79思考与练习　79参考文献　80第4章　概率论初步　814.1　离散型随机变量的仿真　814.1.1　均匀分布的随机数　814.1.2　正态分布的随机数　844.2　理论分布　874.2.1　二项分布的分布函数和概率　874.2.2　连续分布的随机变量——正态分布　934.3　经验分布　974.4　抽样分布　994.5　置信区间　1024.6　小结　104思考与练习　104第5章　均值的比较　1055.1　假设检验的思想及原理　1055.2　均值　1075.2.1　均值过程分析　1075.2.2　双因素的均值过程分析　1095.3　单样本t检验　1105.3.1　数据准备　1115.3.2　单样本t检验　1135.3.3　置信区间和自抽样选项　1145.4　独立样本t检验　1155.4.1　数据初探　1165.4.2　t检验　1195.4.3　均值差的绘图　1215.5　配对样本t检验　1225.6　小结　125思考与练习　125参考文献　126第6章　非参数检验　1276.1　非参数检验简介　1276.2　单样本非参数检验　1286.2.1　卡方检验　1326.2.2　二项式检验　1366.2.3　k-s检验　1436.2.4　wilcoxon符号秩检验　1466.2.5　游程检验　1466.3　独立样本非参数检验　1476.3.1　独立样本检验简介　1476.3.2　独立样本检验举例　1496.4　相关样本非参数检验　1516.4.1　相关样本检验简介　1516.4.2　相关样本检验举例　1536.5　小结　156思考与练习　156参考文献　157第7章　相关分析　1587.1　相关分析的基本概念　1587.1.1　相关关系的种类　1597.1.2　相关分析的作用　1597.2　散点图　1607.2.1　散点图简介　1607.2.2　散点图——旧对话框　1607.2.3　用图表构建程序绘制散点图　1637.3　相关系数　1657.3.1　线性相关的度量——尺度数据间的相关性的度量　1667.3.2　spearman等级相关系数——定序变量之间的相关性的度量　1707.3.3　kendall的tau-b(k)　1717.4　偏相关分析　1717.5　小结　173思考与练习　173参考文献　174第8章　回归分析　1758.1　线性回归分析的基本概念　1758.2　简单线性回归　1778.2.1　简单回归方程的求解　1788.2.2　回归方程拟合程度检验　1798.2.3　用回归方程预测　1808.2.4　简单线性回归举例　1818.3　多元线性回归　1838.3.1　多元线性回归方程简介　1838.3.2　多元线性回归方程的显著性检验　1838.3.3　应用举例　1848.3.4　线性回归自变量进入的方式　1878.4　线性回归的诊断和线性回归过程中的其他选项　1898.4.1　回归分析的前提条件　1898.4.2　回归分析前提条件的检验　1908.4.3　回归诊断　1928.5　非线性回归　1978.6　曲线估计　2048.7　小结　207思考与练习　207参考文献　207第9章　方差分析　2099.1　方差分析的术语与前提　2099.2　单因素的方差分析　2109.2.1　描述性数据分析　2119.2.2　单因素方差分析　2119.3　多因素方差分析　2159.3.1　多因素方差分析简介　2159.3.2　多因素方差分析举例　2169.4　协方差分析　2209.4.1　协方差分析简介　2209.4.2　协方差分析案例分析　2219.5　小结　227思考与练习　228参考文献　228第10章　聚类分析　22910.1　聚类分析简介　22910.2　个案间的距离　23010.2.1　定距数据(scale mearsurement)距离定义方式　23010.2.2　分类数据的频数数据(count)之间的距离　23110.2.3　二分类数据　23210.3　类之间的距离　23210.4　系统聚类算法过程　23310.5　系统聚类案例　23410.6　k-均值聚类　23810.6.1　k-均值法简介　23810.6.2　k-均值法案例　23910.7　两步法聚类　24210.7.1　两步法简介　24210.7.2　两步法案例分析　24310.8　聚类分析注意事项　24710.9　小结　248思考与练习　248参考文献　248第11章　主成分分析　24911.1　主成分分析简介　24911.1.1　主成分分析的目的与功能　24911.1.2　主成分分析的数学理论　25011.2　主成分分析的应用条件　25111.2.1　bartlett球形检验　25111.2.2　kmo统计量　25211.2.3　基于相关系数矩阵还是协方差矩阵　25311.3　主成分分析案例　25311.3.1　综合评价案例　25311.3.2　主成分分析用于探索变量间结构关系　26311.4　小结　265思考与练习　265参考文献　266第12章　因子分析　26712.1　因子分析简介　26712.2　因子分析的统计理论　26812.2.1　因子分析的模型　26812.2.2　因子分析模型的求解方法　26912.2.3　因子分析的应用前提　27112.2.4　因子个数的确定　27112.2.5　因子的解释　27212.2.6　因子旋转　27312.2.7　因子得分　27512.3　因子分析案例　27512.3.1　探索变量间的结构关系　27512.3.2　因子分析在市场调查中的应用　28112.4　因子分析结果的有效性　28612.5　因子分析和主成分分析的比较　28612.6　小结　287思考与练习　287参考文献　288

相关就是相关系数分析，为何用均值比较呢？

x2检验亦称卡方检验。统计学中假设检验的方式之一。x是一个希腊字母，x2可读音为卡方，所以译为卡方检验。卡方检验主要用于定类或定序变量的假设检验，在社会统计中应用非常广泛。卡方检验的步骤一般为：（1）建立假设，确定显著水平a与自由度df、查x2值表得到否定域的临界值；（2）由样本资料计算x2值；（3）将计算所得的x2值与临界x2值（负值都取绝对值）作比较，若计算值大于临界值，则否定Ⅱ0；反之，则承认Ⅱ0。计算卡方值的公式一般可表示为：x2=∑[（fo—fc）2/fc]式中：fo表示实际所得的次数，fc表示由假设而定的理论次数，∑为加总符号。x2检验对于定类与定类或定类与定序变量之间的相关检验应用较多。

个人感觉的话还是不错的，挺好的，好好。

你说的是wald吗?那是wald卡方值，等于b除以它的标准误（s.e.）的平方值，所以这个值是用于对回归系数显著性进行检验的。显著性去看sig就好了

当你想要探究两个定类数据对年龄的影响时，可以使用卡方检验（Chi-square test）进行分析。卡方检验是一种常用的统计方法，用于检验两个分类变量之间是否存在相关性或者关联性。卡方检验可以帮助你确定两个定类变量之间的关系是否是由于随机因素引起的，或者是否存在显著的关联。在你的情况中，你可以使用卡方检验来评估两个定类变量（可能是性别、教育水平、职业等）对年龄的影响。具体步骤如下：1. 收集数据：收集包含两个定类变量和年龄的数据样本。2. 构建列联表：根据你的数据，构建一个2x2或更大的列联表，将两个定类变量和年龄分别作为行和列。3. 计算期望频数：根据样本数据的总计数和边际总计数，计算每个单元格的期望频数。4. 进行卡方检验：使用计算机软件或在线统计工具，对列联表进行卡方检验。该检验将基于实际观察值和期望频数之间的差异来计算卡方统计量。5. 解释结果：根据卡方检验的结果，判断两个定类变量是否对年龄存在显著的影响。如果卡方统计量达到显著水平（通常为0.05），则可以得出两个变量之间存在显著关联的结论。需要注意的是，卡方检验可以告诉你两个变量之间是否存在关联，但不能确定因果关系。如果你想要进一步探究因果关系，可能需要进行其他类型的分析，如回归分析或实验设计。总之，卡方检验是一种适用于两个定类变量对年龄影响的统计分析方法，可以帮助你确定两个变量之间是否存在关联。声明：该答案来源于“知否AI问答”，一款全方位“智能问答”、“知识获取”和“内容生成”系统。

sig就是p值，考察你的两个变量是不是有相关性的。你的p值是0.000，就是说小于0.001，那就是在0.1%的误差下认为两个变量相关。那个0.389则是相关系数，说明相关性强弱的。这个是弱相关。还可以啦。

是变量类型错了吧 因子分析的变量类型必须是尺度变量，而不能是分类变量类型的，所以你可能是每个变量最后面有个定义类型搞错了 就没有选项选了

抱歉，刚看到你的求助。用年级（一年级、二年级、三年级）来给你举例，将原先这个变量转换成2个虚拟变量X1 X2，当X1 X2取1 0时表示一年级，X1 X2取0 1时表示二年级，X1 X2同时取0时表示三年级，然后将X1 X2两个虚拟变量同时放入回归模型中做回归分析。

建议使用逐步回归，这样可以排除不显著的变量

对应分析可根据所分析变量的数目分为：简单对应分析、多重对应分析。 简单对应分析主要用于两个分类变量之间关系的研究，多重对应分析用于分析3个或更多变量之间的关系。

应该可以，因为综合评价的指标项都是随机变量，而综合得分只是将其进行了加权，这与主成分分析类似，可以理解为一种降维的手段。但是，如果各项指标的得分都是采用专家打算法得到的顺序变量，比如划分123456这样的等级，而不是连续的定距变量，这样得到的综合得分进行回归分析意义不大。

SPSS定类数据和定序数据间的相关用二列相关或者列联相关，二列相关用于二分数据，列联相关不限于二分数据。二列相关可以直接用积差相关的操作来完成，其实一般的各种相关作为积差相关的特列，其实公式和积差相关的是等价的，也就是无论是定序还是二分变量与连续变量的相关，都可以用积差相关的操作做，结果一样的。　　列联相关的公式：　　　　如果是定类数据之间，可以用phi系数、四格相关等。　　席皮尔曼相关系数为0.389**，代表这个相关系数是0.389，**代表该系数在0.01水平显著（*是0.05水平，***是0.001水平），sig是具体的显著性水平。分享本回答由科学教育分类达人 张雪认证其他类似问题2014-04-20spss中定序变量和定距变量之间用什么作分析？12015-03-31spss中如何检验一个定类变量和一个定序...2011-03-21在SPSS中，利用皮尔森相关系数分析，若得到两变量存在相关或...192011-04-19SPSS计算变量怎么算？52010-08-23如何在spss中给定序变量赋值3更多关于SPSS中,在进行定类变量对定类变量的相关分析(Lambda值)时,渐进标准误差等于零是什的问题>>为您推荐：举报| 2009-01-07 16:44＃“谁是脑力达人”之科学教育分类鏖战ing!＃提问者采纳首先，SPSS中只区分三种测量尺度，即定类、定序和定距，定比尺度的分析技术和定距一般不再做严格区分；其次，采用哪种相关系数一般取决于测量尺度较低的那个，譬如定类-定序，只能找适合定类尺度度量的那个相关系数。但是现在的统计学家比较会折腾，能想出很多指标来满足你的各种要求，譬如定类-定距，可以用Eta系数来分析，所以至于怎么区分，最好还是看看SPSS的参考书，一般情况下，实际这点也不难，看下Crosstab过程的Statistics里面指标分类格局，你就能搞懂它就是按照测量尺度分的。至于相互之间的关系：bivarate是两个变量之间的相关关系度量，这两个变量如果测量尺度都是定距以上，那就选Pearson相关系数，……crosstable是交叉表，主要用于检验变量之间的独立性，实际上也是研究变量之间是否是相关的，所以也跟你的主题相关至于discriptive好像和你的主题差别很大，这是做变量的描述用的，譬如计算变量的平均数、标准差、区间估计等上述只代表个人观点，如有不妥，请指正，欢迎交流。

统计学依据数据的计量尺度将数据划分为三类：定距型数据（Scale）、定序型数据（Ordinal）、定类型数据（Nominal）。定距型数据通常是指诸如身高、体重、血压等的连续型数据，也包括诸如人数、商品件数等离散型数据；定序型数据具有内在固有大小或高低顺序，但它又不同于定距型数据，一般可以数值或字符表示。如职称变量可以有低级、中级、高级三个取值，可以分别用1、2、3等表示，年龄段变量可以有老、中、青三个取值，分别用A B C表示等。这里，无论是数值型的1、2 、3 还是字符型的A B C ，都是有大小或高低顺序的，但数据之间却是不等距的。因为，低级和中级职称之间的差距与中级和高级职称之间的差距是不相等的；定类型数据是指没有内在固有大小或高低顺序，一般以数值或字符表示的分类数据。如性别变量中的男、女取值，可以分别用1、 2表示，民族变量中的各个民族，可以用‘汉"‘回"‘满"等字符表示等。这里，无论是数值型的1、 2 还是字符型的‘汉"‘回"‘满"，都不存在内部固有的大小或高低顺序，而只是一种名义上的指代。我觉得教育年限应该设置成定距型数据（Scale）吧。因为，教育年限应该是一个连续的变量，它不存在内在的大小或高低顺序问题。

方差分析和交叉分析的区别是连续的等距变量。方差分析是求交叉分组下，某个连续性变量的均值是否有显著差异。应用于社会学，经济学，商业等诸多领域中。1、而交叉分析，用于分析两个定性变量之间的关系。把统计分析数据制作成二维交叉表格，将具有联系的变量分别设置为行变量和列变量，两个变量在表格中的交叉结点即为变量值，通过表格体现变量之间的关系。例如性别和购买彩电尺寸之间的关系。

小事糊涂，大事聪明。作为一个中小企业的老板，关键的技术、主要的客户、原材料和产品的购销网络一定要亲自掌握，定期或不定期的亲自参与。千万不可被一，二个人所控制，否则，一旦有所意外被卡住脖子就后悔不已了。

做是可以的没问题的我替别人做这类的数据分析蛮多的

如果因变量是分类变量，哪你采用多元回归分析就是错误的了应该采用logistic回归来进行的因变量的4分类是否属于有序的还是无序的如果有序，则使用有序多分类logistic回归若无序，则使用无序多分logistic回归

独立样本t检验1.在进行独立样本T检验之前，要先对数据进行正态性检验。满足正态性才能进一步分析，不满足可以采用数据转化或非参数秩和检验；2.在菜单栏上执行：分析-比较均数-独立样本t检验；3.将要比较平均数的变量放到检验变量，将分组变量放到分组变量，点击定义组；4.打开的对话框中，设置组1和组2的值分别是分组类别，然后点击继续。

qca定性比较分析是一种以案例研究为导向的理论集合研究方法。它强调通过实证资料以及相关理论的不断对话，从小样本数据中建构出研究议题的因果性关系。 这是基于集合论与布尔代数的分析，即从集合而不是相关的角度考察条件与结果的关系，并使用布尔代数算法形式化人们分析问题时的逻辑过程。QCA尝试超越传统的个案研究方法，系统地考察事件发生的成因以及内部生成因子之间的互动关系、可能性关系组合，试图解释促成事件产生的关键因子、因子之间的相互联系以及激发事件产生的复杂的成因组合，以期深化对事件产生的复杂因果关系的理解。qca定性比较分析的优势（1）对于样本规模的要求不高：在15-80个样本规模上都可以运用。（2）在变量主要由二分，定类和定序等形式组成的中小规模样本的研究中，QCA具有较大的优势。（3）由于QCA对样本量的要求不高(只要在12-15个样本之上)，所以研究者能够在研究过程中对总样本进行多次细分，形成不同的子样本级，从而得出更为精细和有趣的结论，也使得分析得出的结果更加符合情理，并且使之后的研究更具有目的性。（4） 从根本上说,QCA能充分分析社会现象的多样性与因果关系的复杂性，它能提供不同的因素组合对结果的影响作用，以便于研究者更深入地挖掘变量与结果之间的作用机制，为更深入的研究提供方向。

测量的作用在于确定一个特定分析单位的特定属性的类别或水平。测量（measurement）是指根据一定的法则，将某种物体或现象所具有的属性或特征用数字或符号表示出来的过程，主要作用是确定一个特定分析单位的特定属性的类别或水平。在社会研究中，变量按照取值的性质可以分为定类变量、定序变量、定距变量、定比变量。定类变量称为定性变量，后三个变量称为定量变量。变量的解释和运用离不开测量，不同的变量需要相应的测量尺度。史蒂文斯于1951年创立了测量尺度分类法，将测量尺度分为定类尺度、定序尺度、定距尺度、定比尺度。定类尺度可分为标记和类别两种：①标记：标记可作为一个识别的记号。数字当用作标记时，不表示数量的多少，也不能做加减乘除运算。例如，体育运动中用号码区分运动员：3号球员、6号球员、9号球员……但不能说9号球员＞6号球员、3号球员 6号球员=9号球员或者9号球员x3号球员=18号球员。②类别：类别可作为对变量的不同状态的度量。类别区分可以说明观测对象的某些本质特征，也可以用数字表示，但这种数字仅用于区分而不能运算。例如在输入问卷数据时，1表示男性，2表示女性，而不能得出1男性 1男性=2女性。

统计数据类型与对应的相关性分析方法在统计学中，统计数据主要可分为四种类型，分别是定类数据，定序数据，定距数据，定比变量。1.定类数据（Nominal）：名义级数据，数据的最低级，表示个体在属性上的特征或类别上的不同变量，仅仅是一种标志，没有序次关系。例如， ”性别“，”男“编码为1，”女“编码为2。定类变量之间的相关系数，只能以变量值的次数来计算，常用λ系数法；2.定序数据（Ordinal）:数据的中间级，用数字表示个体在某个有序状态中所处的位置，不能做四则运算。例如，“受教育程度”，文盲半文盲=1，小学=2，初中=3，高中=4，大学=5，硕士研究生=6，博士及其以上=7。定序变量的相关性测量常用Gamma系数法和Spearman系数法；3.定距数据（Interval）:具有间距特征的变量，有单位，没有绝对零点，可以做加减运算，不能做乘除运算。例如，温度。定距变量的相关性测量常用Pearson系数法；4.定比变量（Ratio）:数据的最高级，既有测量单位，也有绝对零点，例如职工人数，身高。一般来说，数据的等级越高，应用范围越广泛，等级越低，应用范围越受限。不同测度级别的数据，应用范围不同。等级高的数据，可以兼有等级低的数据的功能，而等级低的数据，不能兼有等级高的数据的功能。

SPSS的规定：因素变量只能是数值变量，不能是字符变量。你需要使用Transform > Recode > Into Different Variable，把字符变量转换为数值变量。

SPSS的规定：因素变量只能是数值变量，不能是字符变量。你需要使用Transform>Recode>IntoDifferentVariable，把字符变量转换为数值变量。

你就是把第一行改成int a=10；它结果还是2 4 6 8 10你一看，main函数里面有个int a，那么外面的a就不起作用，所以，对main函数分析的时候，就不用考虑外面的a会出现了。对于每个循环中都调用的sub函数，他的形参表，是int a，那么就是一个深拷贝，sub里面的a只是传入的a的一个副本，不对外面的a起作用，随着每次sub函数的return，这个复制品就在里面不断出现，运算，消失，纯自娱自乐。总的来说，你这个程序等价于main（）{int a;for(a=1;a<10;a++){a++；printf(“%d”,a);}}你要是肯自己设断点，单步看看就更明白了。

性别本省就是分类变量，无序的，直接按照无序变量进入就行了，你前面提到的那种情况，是指有的变量，如家庭收入，年龄等是有序的分类变量，如果符合线性的话，可以直接以连续性变量的形式进入，而不需要哑元化

哑元化怎么分析，哑元，又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。引入哑变量可使线形回归模型变得更复杂，但对问题描述更简明，一个方程能达到两个方程的作用，而且接近现实。

两点就能决定一条直线了。男、女正好两个点。点多了才麻烦了。无序多分类肯定不是线性关系，就要转化成多个二分类，跟上面就一样了。有序多分类就当作计量资料看待了，前提当然是必须满足线性关系了，也就是等级之间的差别呈现线性比例。

SPSS回归分析：两阶最小二乘法一、两阶最小二乘法（分析-回归-两阶最小二乘法）标准线性回归模型假设因变量中的误差与自变量不相关。如果不是这种情况（例如，变量间的关系是双向的），则使用普通最小平方法(OLS)的线性回归不再提供最佳模型估计。两阶段最小平方回归使用与误差项不相关的工具变量来计算有问题的预测变量的估计值（第一阶段），然后使用计算出的值来估计因变量的线性回归模型（第二阶段）。由于所计算的值基于与误差不相关的变量，所以两阶段模型的结果是最优的。1、示例。对某种商品的需求是否与其价格和消费者的收入相关？此模型中的困难之处是，价格和需求互相具有倒数作用关系。即，价格可以影响需求，而需求也可以影响价格。两阶段最小平方回归模型可能使用消费者的收入和延迟的价格，计算与需求中的测量误差无关的价格代理。此代理可替换原先指定的模型中的价格本身，然后对代理进行估计。2、统计量。对于每个模型：标准和非标准回归系数、复R、R2、调整R2、估计的标准误、方差分析表、预测值和残差。此外，还有用于每个回归系数的95%的置信区间，以及参数估计的相关性和协方差矩阵。3、数据。因变量和自变量必须是定量的。分类变量（例如宗教、专业或居住地）需要重新编码为二分类（哑元）变量或其他类型的对比变量。内生解释变量应是定量变量（非分类变量）。4、假设。对于自变量的每个值，因变量的分布必须是正态的。对于自变量的所有值，因变量分布的方差必须是恒定的。因变量和每个自变量之间的关系应为线性关系。5、相关过程。如果确信没有任何预测变量与因变量中的误差相关，则可使用“线性回归”过程。如果您的数据违反了假设之一（例如，正态性假设或恒定方差假设），则尝试转换数据。如果您的数据不线性相关，且转换也没有帮助，则使用“曲线估计”过程中的备用模型。如果因变量是二分变量，例如指示特定的销售是否已完成，则请使用“Logistic回归”过程。如果您的数据不独立（例如，如果您在多个条件下观察同一个人），请使用Advanced Models选项中的“重复度量”过程。

在经济分析中，除了内生变量之外，还有外生变量。内生变量是指在经济模型中被解释变量的值所依赖的变量。也就是说，内生变量是模型内部自生生成的变量。例如，在需求曲线模型中，价格是内生变量，因为它是由需求量和供给量的交互作用所决定的。而外生变量是指在经济模型中不受解释变量影响的变量。外生变量可以是外部环境中的某些因素，例如政策、自然灾害等。例如，在需求曲线模型中，消费者收入就是一个外生变量，因为它不受价格影响，而是由消费者的收入水平决定的。在经济分析中，内生变量和外生变量都是非常重要的变量，它们的变化会对经济模型的结果产生重要的影响。因此，经济分析需要同时考虑内生变量和外生变量的影响，以便更准确地预测和解释经济现象。

回归分析因变量可以是外生变量吗，任何一个系统（或模型）都是由各种变量构成的，当我们分析这些系统（或模型）时，可以选择研究其中一些变量对另一些变量的影响，那么我们选择的这些变量就称为自变量，而被影响的量就被称为因变量。在经济模型中，内生变量是指该模型所要决定的变量。外生变量...

录到一个数据库里，前测的数据一列，后测的数据一列，用变量名区分。高低组区分看你的实验目的。不做高低组的话就是可以做所有被试前测和后测之间是否有区别。

调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要

遇到什么问题呢，我可以帮助您。（南心网为您解决SPSS数据统计分析问题）

数值变量对分类变量没有影响 可用划分分析的方法进行。

不用处理系统是可以识别这种分类的，无论英文还是中文

R语言中有 arules 包，看看这包的使用方法； 作关联规则分析即可。

logistic回归自变量是可以数值变量的因变量不行

1.相关性分析相关分析是指变量之间存在着非严格的依存关系。也就是说，当一个变量或几个变量取定一个数值时，另一个对应变量的数值是不确定的，但是，该变量的数值却是随着前述变量的所取数值而发生一定的变化规律。如果变量之间存在一种相关关系，可能的情形有以下三种：（1）变量之间存在因果关系；（2）变量之间存在着相互依存的关系，这时就很难确定孰因孰果；（3）变量之间存在虚假的依存关系，这时候的变量间仅仅是从数字上来看有关系。比如某人将某地区一段时间内的植物生长速度与市场上水果的销售数量做相关性分析，发现他们之间是负相关，也即是市场上的水果销售数量越多，植物的生长速度越慢。这就是典型的伪相关分析。因此，在做相关性分析之间，我们必要联系实务、科学理论等方面来分析，不能简单的从数字上来探讨变量间的相关性关系。脱离了现实中实际情况的数据分析，都是伪分析！2.相关分析种类划分方式笔者认为主要有两种：函数关系和统计关系。统计关系：企业竞争力=F(企业规模、利润增长、营收增长、议价能力……)；而统计关系按照相关性的形态来说，可以分为线性和非线性。直接上图，一目了然：而对于其中的线性与非线性的关系，见下图所示：3.相关分析的解释（1）含义：简单相关分析：就是直接计算两变量之间的相关程度；偏相关分析：排除了某个因素后，两变量之间的相关程度；距离相关分析：通过两变量之间的距离来评估其相似性，在现实中很少用到。上图：（2）度量简单的相关分析，主要有三种相关系数：pearson系数、spearman相关系数、kendall系数。在统计上，我们最常用的是pearson系数，其计算公式为：相关系数的取值范围：[-1,1]。大于0，表示正相关；小于0，表示负相关；等于0，表示不相关。总之，数值越接近0，表示变量之间的相关性越弱。4.相关分析探索：图形探讨、统计显著性（1）图形探讨：折线图和散点图折线图对于数据不复杂的两变量之间的相关关系，可以直接先画一个简单的折线图看一下，一目了然。如下图：很明显能够看出来，x1与x2之间的相关性关系很弱。散点图还是上一组数据，可以得出如下散点图：从图中可以明显的看出，该组数据的点与趋势线基本没在一条线上或在这条线的附近，说明相关性弱；另选一组数据来画散点图和折线图，变量之间的相关性关系就非常明显了：散点图折线图（2）统计显著性检验步骤：①提出原假设：两变量之间无显著线性关系；②构造一个t统计量：变量x与y服从正态分布时，该t统计量服从自由度（n-2）的t分布；③计算统计量t，并查询t分布对应的概率p值；

统计关系本身不可能意味着任何因果关系

（1）个变量之间的关系不一定是确定的关系，这是一个不正确的结论．（2）相关关系是一种非确定性关系，相关关系不是函数关系，这是一个不正确的结论．（3）回归分析是对具有相关关系的两个变量进行统计分析的一种方法，所以（3）不对．与（3）对比，依据定义知（4）是正确的，故选A．

《变量间的相关关系》的主要内容为采用定性和定量相结合的方法研究变量之间的相关关系，主要研究线性相关关系．主要概念有“相关关系”、“散点图”、“回归直线和回归直线方程”、“相关系数”等．研究方法为先绘制散点图，直观表示观测数据，定性描述变量间相关关系的类型、方向、相关程度．然后应用最小二乘法确定变量间相关关系的具体表达形式，描述变量间的数量规律，并由一个变量的取值去推测另一个变量的取值．这部分内容涉及到一些重要的统计思想和方法，对学生的学习和教师的教学都有一定的难度．本文就研究对象、核心概念、研究方法、统计思想及相关应用进行简单的解读，提出一些教学建议，希望对教学能提供一些帮助．一、相关概念及统计思想方法1．相关关系——变量间的不确定关系两个变量之间的数量关系有两种不同的类型：一种是函数关系，一种是相关关系．当一个变量取一定的值时，另一个变量有确定的值与之对应，我们称这种关系为确定的函数关系．一般把作为影响因素的变量称为自变量，把与之对应变化的变量称为因变量．当一个变量取一定的数值时，与之对应的另一个变量的值虽然不确定，但它按某种规律在一定的范围内变化，变量间的这种关系称为不确定性的相关关系．或者说两个变量之间确实存在某种关系，但不具备函数关系所要求的确定性．函数关系和相关关系都是指两个变量之间的数量关系．函数关系是两个非随机变量之间的一种确定关系，是一种因果关系．而相关关系是两个变量之间的一种不确定的关系，这两个变量中至少有一个是随机变量．两个相关变量之间可能有内在联系（真实相关），也可能完全不存在内在联系（虚假相关）．之所以X和Y之间是相关关系，原因是变量X是影响变量Y的主要因素，但不是唯一因素，还有其他种种因素，而这些因素我们又不能完全把握．研究函数关系，可以用数学分析的方法．例如，已知y和x之间具有线性关系，即，此时只要知道变量的两组取值就可以确定函数表达式．研究相关关系则必须对变量进行多次观测，借助统计的相关思想和方法．例如，有人认为人的体重y和身高x之间具有近似的二次函数关系，由三个人的身高和体重数据，确定出y和x之间的表达式．这样得到的结果很不可靠，难以使人信服．2．散点图—描述相关关系的直观工具由于相关关系的不确定性，寻找变量X和Y之间的相关关系时，首先要对变量进行观测．设n次观测值为．在直角坐标系中，横轴代表变量X，纵轴代表变量Y，将观测数据用坐标点的形式描绘出来，得到的图形称为散点图．散点图是研究相关关系的直观工具，可以定性的判断相关的方向和程度． 如果散点大致分布在一条直线附近，又不完全在一条直线上，说明变量间具有线性相关关系；如果这些点大致分布在一条曲线附近，说明变量间具有非线性相关关系；如果这些点的分布几乎没有什么规则，说明两个变量间没有相关关系．对于线性相关，如果散点从左下角到右上角沿直线分布，那么两个变量正相关，如果散点从左上角到右下角沿直线分布，两个变量负相关．如果散点在整体上和某一直线越接近，表明变量间相关关系越强．3．数据分析方法—相关分析与回归分析对变量间相关关系，在定性分析的基础上，需要进行定量分析．定量分析有相关分析和回归分析两种方法．相关分析是用一个指标（称为相关系数）来反映变量间相关关系的密切程度（见人教A版必修3P85，阅读与思考）．回归分析就是根据相关关系的具体形态，选择一个合适的数学模型，来近似表达变量间的平均变化关系．相关分析和回归分析具有共同的研究对象，在具体应用时，需要互相补充．作相关分析需要依靠回归分析表明变量相关的具体形式，而进行回归分析需要通过相关分析表明变量间的相关程度，只有变量间存在高度相关时，由回归分析得到的变量间的具体形式才有意义．相关分析研究变量间的相关的方向和相关程度，它不提供相互关系的具体形式，也无法从一个变量的变化来推测另一个变量的变化情况．相关分析不必确定哪个变量是自变量，哪个是因变量，所涉及的两个变量可以都是随机变量．回归分析根据观测数据，确定一个数学方程式（回归方程），根据这个方程式可以由已知量推测未知量，为估算和预测提供一个重要方法．回归分析必须事先确定具有相关关系的变量中哪个为自变量，哪个为因变量．一般地说，自变量是普通变量（人为可以控制其取值），因变量是随机变量．4．最小二乘思想—统计学基础的重要部分当两个变量之间存在相关关系时，由于不确定性，如果只有很少几组变量观测值，很难估计误差的大小．法国法数学家勒让德（Le Gendre，1752—1833）在根据测量数据预测彗星轨道的问题时，发现了如何有效利用全部测量数据的方法．即通过计算得出一组数值，在使数据组的偏差达到最小的意义下，这些数值是最优的．由勒让德的方法得出的数值充分利用了所有数据信息，这个方法现在叫做最小二乘法．人们立即认识到勒让德发现的价值，运用最小二乘法的数学并不难，所以绝大多数从事测量的科学家，都能从这一方法中受益，他们可以充分利用数据．当时最小二乘思想在科学界迅速流传．1809年，德国数学家高斯（Gauss，1777—1855年）在一篇论文中，分析了如何充分利用一系列测量数据来预测天体轨道的问题，在文章中也叙述了最小二乘法，并声称自己发明了这一方法．事实上，勒让德第一个发表了最小二乘法思想，并影响了统计学；高斯也使用了最小二乘法，并且考虑了最小二乘法的误差分析问题，他还发现了最小二乘法理论中的重要结果，它从统计学的角度回答了最小二乘法在缩小误差上的优势，使得在勒让德那里只是处理测量数据的代数方法逐渐渗透到统计数据分析的领域，最小二乘法对统计学就象微积分对于数学中的影响一样深远，高斯的巨大声望使一些历史学家把最小二乘法归功于他．下面通过一个简单问题，阐述最小二乘思想．一段公路，实际长度为a千米，a是未知的，对公路进行n次实际测量，假设测量值为．可是每次测量都有一定的误差，这些误差或正或负，或大或小．应该如何估计a的值呢？直观的想法是a 的值应该最接近这些测量数据，数学描述就是： a的值应该使所有的误差平方和 达到最小． 当时，达到最小．即用测量数据的平均值作为a的估计值．这里估计参数a所采用的就是最小二乘法的思想．用数理统计知识可以证明这样的估计也是最佳的． 最小二乘法的优点是：有效利用了全部测量数据，使误差平方和达到最小，防止了某一极端误差对决定参数估计值取得支配性地位．在计算上只需对参数求偏导数求解线性方程组即可． 5．回归直线与回归方程当两个变量之间具有线性相关关系时，散点图中的点大致分布在一条直线附近，这条直线叫做回归直线，这条直线的方程叫做回归方程．数学模型：假设因变量y主要受自变量x的影响，它们之间的数量关系为，其中x是非随机变量，是未知的常数．是随机误差项，它反映了未列入方程的其它各种因素对y的影响．从而y是随机变量，它可以用由x的值完全确定的部分和随机误差部分来解释．当由观测数据估计出和b时，得到直线回归方程为．将观测数据代入中，得，或，其中为n次观测的误差．求的估计值，使“从整体上看各点与直线的距离最小”．应用最小二乘思想，就是求使误差平方和达到最小的的值．可以用配方法或求偏导数的方针求出的估计值． 6．相关系数—变量间线性关系密切程度的度量相关系数是用来衡量两个变量之间线性关系密切程度（强与弱）的一个数量指标．只有了解构造相关系数的统计思想，才能对相关系数有较深刻的理解．下面对相关统计量的意义及构造相关系数的统计思想做一简述．设回归方程为，与对应的回归值为．称为偏差，称为偏差方和．的值越小，反映各偏差普遍较小，数据点整体上比较接近回归直线，说明变量间线性关系比较密切．但是一个绝对量，需要进行调整．为方便引入以下记号：，，，．衡量数据的波动大小，衡量数据的波动大小．，反映主要由的变化引起的间的波动，反映除线性关系之外的各种随机因素引起的间的波动．可以证明：．令，显然，而且越接近1，就越接近0，说明x和y之间的线性关系越密切．当时，x和y正相关，当时，x和y负相关．但由于只与有关，所以不能反映相关的方向．因此定义相关系数如下： ，一般越接近1，x和y之间的线性关系越密切．需要注意的两点是：（1）相关系数只衡量变量间线性关系的密切程度，即使变量间具有确定的非线性函数关系，也可能非常接近0．（2）当n很小时，即使非常接近1，也不表明变量间的线性关系强．例如，无论x和y之间是何种关系，当n=2时，总有．二、教学建议1．“相关关系”的有关概念及定性描述相关关系的概念是描述性的，不必追求形式化上的严格．建议采用案例教学法．对比函数关系，重点突出相关关系的两个本质特征：关联性和不确定性．关联性是指当一个变量变化时，伴随另一个变量有一定的变化趋势；不确定性是指当一个变量取定值时，与之相关的变量的取值仍具有随机性．因为有关联性，才有研究的必要性．因为其不确定性，从少量的变量观测值，很难估计误差的大小，因此必须对变量作大量的观测．但每个观测值都有一定误差，为了消除误差的影响，揭示变量间的本质联系，就必须要用统计分析方法．判断两个变量间是否具有相关关系，一是凭经验及学科专业知识，二是借助散点图．下面是一些可供选择的例子，教学时可先逐一分析其关联性和不确定性，然后结合散点图，进一步判断相关关系的类型和方向．实例变量X和Y关联性不确定性相关类型例1家庭收入X，消费支出Y收入高的家庭消费支出相应也较高．收入相同的家庭，消费支出未必相同．正线性相关例2人的身高X，脚的长度Y一般身材较高者，脚的尺寸也较大同样身高的人，脚的尺寸不一定相同．正线性相关例3数学成绩X，英语成绩Y数学成绩高者，一般英语成绩也较高，反之也对．存在数学成绩高（低）而英语成绩低（高）的学生．正线性相关（虚假相关）例4气温X，热饮销量Y随着气温的升高，热饮的销量相应会减少．温度相同的日期内，热饮的销量也未必相同．负线性相关例5（非线性相关和不相关的例子）对0到18岁之间的未成年人来说，年龄和身高之间具有非线性的相关关系．对成年人来说，年龄和身高之间没有相关关系（散点图略）．例6 吸烟和患肺部疾病之间不具有因果关系，但具有相关关系．我们引入两值变量X和Y： 如果调查了700人，其中400个不吸烟者中有40人患肺部疾病（10%），300个吸烟者中有60个人患肺部疾病（20%），说明吸烟对患肺部疾病有一定的影响．但不吸烟者也可能患肺部疾病，吸烟者也可能不患肺部疾病，因此X和Y之间具有相关关系．例7 有人曾经观察过某一国家历年的国内生产总值与精神病患者的人数的关系，发现两者之间存在较强的正相关．实际上国内生产总值与精神病患者的人数之间没有内在联系，是一种典型的虚假相关．这是因为它们都和人口总量有内在的相关关系．说明：（1）适当例举非线性相关和不相关的例子，有助于对相关关系的全面了解，但我们研究的重点是线性相关关系，而且正相关或负相关只对线性相关有意义．（2）讨论“相关关系”时，对中学生来说，不要求说明哪个变量是随机变量，哪个变量是普通变量．（3）根据学生实际情况，可以从散点图判断线性关系的强弱，进行适当拓展．2．相关关系的定量描述——求回归直线方程本小节的重点是用最小二乘法求回归直线方程．采用探究式教学方式．在给出回归直线和回归直线方程的定义后，提出如下问题：如何求回归直线方程，要求这条直线在整体上与数据点最接近？许多统计思想和方法都比较直观，学生可能提出各种不同的方法，包括教材上列举的方法．为了防止漫无目的，对求回归直线的方法应提出一些基本要求：尽可能利用全部数据，体现整体偏差最小，便于数学计算，结果确定等．离这些要求越来越远的方法，不必多加考虑．通过对有些方法逐步修正，最后引导到使用最小二乘法求回归直线方程．方法1：逐渐移动直线，测量各点到直线的距离，使距离和最小．该方法体现了整体偏差最小的思想，缺点是难以实现，而且测量的方法很难得到确定的结果．方法2：选择两点画直线，使直线两侧的点的个数基本相同．这种方法没有利用全部数据信息，其结果会因人而异．方法3：用多条直线的斜率和截距的平均值作为回归直线的斜率和截距．这种方法既没有利用全部数据信息，也没有体现整体误差最小的思想，结果也不确定．设回归方程为，，是第i个观测值的偏差，是第i个观测点到回归直线的距离．设是回归直线的倾斜角，则．方法4：距离和最小．求a，b使达到最小．这是方法1的数学严格化．方法5：总的偏差和最小．求a，b使达到最小．方法4和方法5是等价的．方法5利用了全部数据，体现整体偏差最小的思想，结果是唯一确定的．唯一的缺点是不便数学计算．方法6偏差平方和最小．求a，b使达到最小．该方法克服了方法5的缺点．这种方法称为最小二乘法．说明：（1）我们的目的是通过探究找到一个求回归方程的“较优”的方法，这里所说的“较优”也是基于直观的思想，在学生现有的知识水平下，无法严格证明．如果对用上面的方法得到直线的“优劣”进行评判，我认为是理解上的偏差，况且也做不到．（2）应用最小二乘法求回归方程是一个纯数学的问题，用配方法显得繁琐，用求偏导数的方法超出了学生的能力要求．对此不做要求，直接给出a，b的公式，不影响对统计方法的理解．（3）也可以按下面的过程展开教学．①提供实际问题情境，从测量数据出发，采用偏差平方和最小的思想（最小二乘思想）求参数的估计值．②通过类比用最小二乘法求回归直线方程．3．回归方程的计算回归方程中a，b的计算公式比较复杂，要求利用计算器或计算机进行计算．为了熟悉公式的构成及相关量的计算过程，建议使用Excel软件中的公式进行计算．以年龄和脂肪含量的关系为例．如下表所示：在相应的单元格内输入数据，第15行为合计．先计算，，在单元格C1，D1，E1中输入相应的公式．通过公式复制然后求和得到：（C15）（D15）（E15），相关系数,，回归方程为．作为拓展还可以计算与对应的回归值，与实际观测值进行比较，了解偏差的大小．由相关系数的大小判断线性关系的强弱． ABCDEFG1239.5628.50445.24315.4212.81-3.3122717.8443.94199.3289.4915.112.6933921.282.2654.9636.7222.03-0.8344125.949.989.621.8523.192.7154527.59.42-0.740.0625.492.0164926.30.86-0.890.9227.80-1.5075028.23.721.810.8828.37-0.1785329.624.3011.545.4830.10-0.5095430.235.1617.438.6430.68-0.48105631.462.8832.8317.1431.83-0.43115730.879.7431.6112.5332.41-1.61125833.598.6061.9638.9432.990.51136035.2142.3294.7263.0434.141.06146134.6167.1894.9153.8834.72-0.1215673381.71828.931054.34644.99———— 4．回归方程的意义及应用回归直线方程作为变量x和y之间线性关系的代表，它近似描述了x和y之间的数量关系．利用回归方程，当已知x的值时，可以推断y的取值．回归方程中b的意义为：当自变量x改变一个单位时，因变量y的平均改变量．为当时y的估计值，也可以理解为当时y的可能取值的平均值．在教学中下面的实例可供选择．例1主要解释系数b和回归值的意义；例2说明回归方程用于预测时的作用；例3介绍“回归”一词的由来的背景知识，同时也说明了回归方程在揭示了变量间的依存规律时的作用．例1 年龄和脂肪含量之间的回归方程为．（1）解释b（0.5765）的意义；（2）当x=37时，计算相应的值并解释其意义．解 （1）回归直线方程中b是直线的斜率，b>0表示随年龄的增长，人体脂肪含量呈现增长的趋势，b=0.5765说明年龄每增加1岁，身体脂肪含量平均增加0.5765%．（2）当x=37时，%，20.9%是37岁的人脂肪含量的一个估计值，可以理解为众多37岁人脂肪含量的平均值．说明：年龄的取值范围为23—61岁，一般在这个年龄范围内估计脂肪含量时误差相对较小，如果估计80岁人的脂肪含量，误差会很大，结果不可靠．例2 某博物馆发现文物被盗，公安刑侦人员经过分析，推测案犯的身高在175㎝左右．刑侦人员是如何推断的呢？原来在现场发现了案犯的脚印，测量脚印的长度为25.5㎝,已知成年人的脚印长x和身高y之间存在线性相关关系，回归方程为．因此可以从脚印的长度，推断其大致身高，为破案提供重要线索．例3 英国遗传学家高尔顿（Francis Galton，1822-1911年）在子女与父母相像程度遗传学研究方面，取得了重要进展．高尔顿的学生卡尔·皮尔逊（Karl Pearson，1857-1936年）在继续这一遗传学研究的过程中，测量了1078个父亲及其成年儿子的身高．用x表示父亲的身高，y表示儿子的身高（单位为英寸）．求得回归方程为（如图所示），发现了一个重要的规律．主要计算结果及描述见下表： 计算结果关系描述　子代的平均身高大于父代的平均身高，大约高1英寸．父亲的身高与儿子的身高线性正相关，相关关系较弱．一般高个子的父亲儿子身材也较高，而矮个子父亲的儿子身材也较矮．时，时，较矮父亲的儿子们的平均身高比父亲要高．较高父亲的儿子们的平均身高比父亲要矮．有回归到一般高度的趋势．高尔顿和皮尔逊把这种现象称为“回归效应”，现在人们把由一个变量的变化去推断另一个变量变化的方法统称为回归分析．

数据拟合？最小二乘法比较常用

做分层逐步回归

你的混合设计就是要用重复测量，被试内用重复测量，3个处理水平。被试间的之间用被试间分析。交互作用用交互作用图可以分析。

做a和c的简单效应比较就行 /EMMEANS=TABLES(A*C) COMPARE(A) ADJ(LSD)/EMMEANS=TABLES(A*C) COMPARE (C)ADJ(LSD)

描述性统计，然后合并

被试内设计，需要看交互效应。所以只要是被试内设计，不管几因素几水平、随机还是区组，一概都用重复测量。(保证对)

如果是我，先做一个重复测量方差分析，15天作被试内变量，各组做被试间变量。如果你真的只想每天的数据做一个差异，难道做15个ANOVA？

如果是2*2*2，那就是5个变量，一个变量是被试间的c，数值为1、2。另外有四个变量a1b1、a1b2、a2b1、a2b2。把数据录入以后。去SPSS找重复测量方差分析，被试内被试间变量放到相应框内，计算。需要什么去里面设置。

混合实验设计的方差分析，在SPSS里用重复测量方差分析，把被试间、被试内变量分别放入对应变量框。结果里看到是否存在3个因素及有前后测的因素的主效应（注意被试内与被试间变量的表格不在同一个地方），是否有二重、三重甚至四重交互作用，如果存在，编写SPSS句法进行简单效应、简单简单效应检验。在这里办法做特别详细的回答，建议你从两因素混合实验设计的案例开始入手。详见舒华《心理与教育研究中的多因素实验设计》或《心理学研究方法》

因变量：至少2个以上，且是数值变量。固定因素：适用于固定效应模型，为分类变量，选一个或几个。协变量：与因变量有关的数值变量，协方差分析时才用。WLS权重：变量加权，用于加权最小二乘分析。2/6指定模型：系统默认是“全因子”，包含所有因子的主效应、所有协变量的主效应、所有因子的交互效应，但不含协变量交互效应。“设定”则为用户自己定义，因素交互作用、因素和协变量间的交互效应，所有因素和协变量均含在模型中。“因子与协变量”中，F表示固定因素，C表示协变量。“交互”：所有因素不同水平各种组合的交互效应，系统默认。“主效应”：只考虑主效应，不考虑交互效应。“所有三阶”：考虑3个因素的交互效应，其他几阶解释同于此理。3/6计算离差平方和：共有4种，系统默认“类型3”，“类型3”是最多应用的方法。“类型1”：平衡设计，确定一级交互效应之前必须先确定主效应的离差，确定二级交互效应之前必须先确定一级交互效应离差，其他同理；多项式回归模型，其中，高次项确定前先确定低次项；嵌套模型，一级效应嵌套于二级效应之中，二级嵌套于三级之中，依次类推。“类型2”：平衡的方差分析模型、仅含主效应模型、所有回归模型、纯嵌套模型。“类型3”：类型1和类型2所列的模型、没有缺失数据的平衡或非平衡设计资料。“类型4”：有缺失数据的平衡或非平衡设计资料、类型1和类型2所列的模型。系统默认模型内含有截距。4/6“对比”：单变量组间比较，共6中方法供选择。“偏差”：将每个水平的均数与所有水平的总均数进行比较。“简单”：将各水平的均数与指定水平的均数进行比较。特别适合有对照的设计。“差值”：将每个水平的均数与前一水平的均数进行比较（第一水平除外）。“Helmert”：将每个水平的均数与后一水平的均数进行比较（最后一个水平除外）。“重复”：将每个水平的均数与其后各水平的均数进行比较（最后一个水平除外）。“多项式”：比较线性效应，二次效应、三次效应等，用于估计多项式趋势。5/6某因素某个水平上某因变量的估计均数，散点联线后显示估计均数随两个因素不同水平组合的变化趋势，若平行线条，表示两因素没有交互作用，若有交叉，存在交互作用。用于比较模型中的因变量均数估计。“两两比较”：具体操作可见我以前写的文章，搜索“spss教程：单因素方差分析 百度经验”。6/6因子与因子交互：选入预估计条件总体均数的主效应和交互效应的因素，并选入右框“显示均值”，显示框内因素的条件均数估计、包括均数、标准误、可信区间。“比较主效应”：提供模型中各主效应的条件估计均数的非校正多重比较。“输出”：描述统计、SSCP矩阵、方差齐性检验。

单因素被试间设计采用t检验或单因素方差分析的统计方法,具体根据因素的水平数选择。两因素被试间设计采用单变量方差分析,单因素或两因素被试内设计,均采用重复测量方差分析,混合实验设计也采用重复测量方差分析。总之,只要实验设计中涉及被试内变量,均可以采用重复测量方差分析。

你可以直接用重复测量，SPSS里面哪里包含了组内变量和组间变量。不需要单独分开，而且你分开是错误的，你的设计本来是三因素，而不是你说的三水平。然后结果有处理内效应，处理间效应，还有交互作用。如果是每个因素主效应显著，必须就像多重比较。如果是交互作用，就必须进行简单效应检验！然后SPSS好像简单效应检验，要编脚本语句！推荐你看 舒华《心理实验多因素设计》