spss的相关分析(编辑修改稿)

spss的相关分析(编辑修改稿)内容摘要：

l γ 值，属于 2 2四格表的列联比例函数。 ● Ochiai： Ochiai二分余弦测量。 ● Sokal and Sneath 5： Sokal and Sneath Ⅴ 型相似测量。 ● Phi 4 point correlation： Pearson相关系数的平方值。 ● Dispersion： Dispersion相似测量。 SPSS在距离分析中的 应 用 进行标准化的方法在 【 Standized(标准化 )】 后面的下拉列表中。 单击矩形框右面的箭头按钮展开下拉列表，可选择的标准化方法如下。 ● None：不作数据转换，系统默认项。 ● ZScores：作标准 Z分值转换，此时均值等于 0，标准差等于 1。 ● Range 1 to 1：作 1至 +1之间的标准化转换。 ● Range 0 to 1：作 0至 1之间的标准化转换。 ● Maximum magnitude of 1：作最大值等于 1的标准转换。 ● Mean of 1：作均数单位转换。 ● Standard deviation of 1：作标准差单位转换。 【 Transform Values(转换值 )】 复选项：选择测度转换方法。 在距离测度计算完成后，才进行对测度的转换。 共有 3 个转换方法可以选择。 每种转换方法给出一种转换结果。 3 种转换方法可以同时选择。 SPSS在距离分析中的 应 用 ● Abosolute values：对距离取绝对值。 当符号表明的是相关的方向，且仅对相关的数值感兴趣时使用这种转换。 ● Change sign：改变符号。 把相似性测度值转换成不相似性测度值或相反。 ● Rescale to 0~1 range：重新调整测度值到范围 0～ 1转换法。 对已经按有意义的方法标准化的测度，一般不再使用此方法进行转换。 SPSS在距离分析中的 应 用 实 例分析：价格指 数 的相 关 性 1. 实例内容 价格指数是用来反映不同时期商品价格水平的变化方向、趋势和程度的经济指标，它属于经济指数的一种，通常以报告期和基期相对比的相对数来表示。 价格指数是研究价格动态变化的一种工具，它为制定、调整和检查各项经济政策，特别是价格政策提供依据。 表 711列出了我国 1991年 — 2020年间居民消费价格指数、城市居民消费价格指数、农村居民消费价格指数、商品销售价格指数、工业品出厂价格指数、原材料等购进价格指数和固定资产投资价格指数。 请研究这些价格指数之间的关系。 SPSS在距离分析中的 应 用 2. 实 例操作 本案例要讨论居民消费价格指数等七类价格指数之间关联特征。 由于这些价格指数的构成复杂，因此可以采用距离分析来探讨它们之间的关系。 由于都属于连续型数据，这里可以选择不相似性测距中的欧式距离来测度。 SPSS在距离分析中的 应 用 3. 实 例 结 果及分析 （ 1）基本统计汇总表 表 712是对个案的基本统计汇总分析。 本案例的样本数目等于 15，没有缺失数据。 SPSS在距离分析中的 应 用 （ 2）距离矩阵 表 713是根据欧式距离计算出的各个价格指数之间的距离。 如果距离数值越小，说明两个价格指数越相关；反之。 可以看到，居民消费价格指数和城市居民消费价格指数、农村居民消费价格指数和商品销售价格指数的距离都较小，说明它们都反映了社会总体或某方面价格水平的高低；但是它和工业品出厂价格指数、原材料等购进价格指数和固定资产投资价格指数的距离都较大，说明这些价格指数反映的类型有较大差别。 其余指数之间的关系可以类似分析。 SPSS在距离分析中的 应 用 第 8章 SPSS的回归分析 SPSS 在一元 线 性回 归 分析中的 应 用 一元线性回归的基本原理 线性回归模型侧重考察变量之间的数量变化规律，并通过线性表达式，即线性回归方程，来描述其关系，进而确定一个或几个变量的变化对另一个变量的影响程度，为预测提供科学依据。 一般线性回归的基本步骤如下。 ① 确定回归方程中的自变量和因变量。 ② 从收集到的样本数据出发确定自变量和因变量之间的数学关系式，即确定回归方程。 ③ 建立回归方程，在一定统计拟合准则下估计出模型中的各个参数，得到一个确定的回归方程。 ④ 对回归方程进行各种统计检验。 ⑤ 利用回归方程进行预测。 SPSS 在一元 线 性回 归 分析中的 应 用 基本原理 当自变量和因变量之间呈现显著的线性关系时，则应采用线性回归的方法，建立因变量关于自变量的线性回归模型。 根据自变量的个数，线性回归模型可分为一元线性回归模型和多元线性回归模型 一元线性回归模型是在不考虑其他影响因素的条件下，或是在认为其他影响因素确定的情况下，分析某一个因素（自变量）是如何影响因变量的。 一元线性回归的经验模型是： 式中，表示回归直线在纵轴上的截距，是回归系数，它表示当自变量变动一个单位所引起的因变量的平均变动值。 01ˆ ˆˆyx SPSS 在一元 线 性回 归 分析中的 应 用 在求解出了回归模型的参数后，一般不能立即将结果付诸于实际问题的分析和预测，通常要进行各种统计检验，例如拟合优度检验、回归方程和回归系数的显著性检验和残差分析等。 这些内容，我们将结合案例来具体讲解。 一元 线 性回 归 的 SPSS操作 详 解 Step01：打开对话框 选择菜单栏中的 【 Analyze(分析 )】 → 【 Regression（回归） 】 →【 Linear（线性） 】 命令，弹出 【 Linear Regression（线性回归） 】对话框，这是线性回归分析的主操作窗口。 Step02：选择因变量 在 【 Linear Regression（线性回归） 】 对话框左侧的候选变量列表框中选择一个变量，将其添加至 【 Dependent（因变量） 】 列表框中，即选择该变量作为一元线性回归的因变量。 一元 线 性回 归 的 SPSS操作 详 解 Step03：选择自变量 在 【 Linear Regression（线性回归） 】 对话框左侧的候选变量列表框中选择一个变量，将其添加至 【 Independent(s)（自变量） 】 列表框中，即选择该变量作为一元线性回归的自变量。 一元 线 性回 归 的 SPSS操作 详 解 Step04：选择回归模型中自变量的进入方式 在 【 Method（方法） 】 选项组中可以选择自变量的进入方式，一共有五种方法。 可单击 【 Independent(s)（自变量） 】 列表框上方的【 Next】 按钮，选定的这一组自变量将被系统自动保存于一个自变量块（ Block）中。 接下来选择另一组自变量，单击 【 Next】 按钮将它们保存于第二个自变量块中。 重复上述操作，可以保存若干个自变量块。 若需要输出以哪一组变量为自变量的回归方程，可以通过单击【 Previous】 按钮和 【 Next】 按钮来选择。 一元 线 性回 归 的 SPSS操作 详 解 Step05：样本的筛选 从主对话框的候选变量列表框中选择一个变量，将其移至 【 Selection Variable（选择变量） 】 列表框中，这表示要按照这个变量的标准来筛选样本进行回归分析。 具体操作可以在 Rule窗口中实现。 Step06：选择个案标签 从候选变量列表框中选择一个变量进入 【 Case Labels（个案标签） 】列表框中，它的取值将作为每条记录的标签。 这表示在指定作图时，以哪个变量作为各样本数据点的标志变量。 Step07：选择加权二乘法变量 从候选变量列表框中选择一个变量进入 【 WLS Weigh（ WLS权重） 】 列表框中，表示选入权重变量进行权重最小二乘法的回归分析。 Step08：单击 【 OK】 按钮，结束操作， SPSS软件自动输出结果。 一元 线 性回 归 的 SPSS操作 详 解 执行完上述操作后，可以输出一元线性回归的基本结果报告了。 但是线性回归主对话框中还包括了其他功能选项。 下面列出了它们的具体使用功能。 （ 1） 【 Statistics（统计量） 】 ：选择输出需要的描述统计量，如图 82所示。 其中， 【 Regression Coefficients（回归系数） 】 复选框组用于定义回归系数的输出情况， 【 Residuals（残差） 】 复选框组用于选择输出残差诊断的信息。 一元 线 性回 归 的 SPSS操作 详 解 • Estimates：可输出回归系数 B及其标准误，回归系数的 t检验值和概率p值，还有标准化的回归系数 beta。 • Confidence intervals：每个回归系数的 95%置信区间。 • Covariance matrix：方差 协方差矩阵。 • Model fit：模型拟合过程中进入、退出的变量的列表；以及一些有关拟合优度的检验统计量，例如 R、 R2和调整的 R估计值的标准误及方差分析表。 • R squared change：显示每个自变量进入方程后 R F值和 p值的改变情况。 • Descriptives：显示自变量和因变量的有效数目、均值、标准差等，同时还给出一个自变量间的相关系数矩阵。 • Part and partial correlations：显示自变量间的相关、部分相关和偏相关系数。 • Collinearity diagnostics：多重共线性分析，输出各个自变量的特征根、方差膨胀因子、容忍度等。 • DurbinWatson：残差序列相关性检验。 • Casewise diagnostic：对标准化残差进行诊断，判断有无奇异值 (Outliers)。 一元 线 性回 归 的 SPSS操作 详 解 （ 2） 【 Plots（绘制） 】 ：用于选择需要绘制的回归分析诊断或预测图。 一元 线 性回 归 的 SPSS操作 详 解 用户可以根据上图从中选择部分变量作为 X（横坐标）和 Y（纵坐标）。 同时还可以通过单击 Next按钮来重复操作过程。 绘制更多的图形。 • DEPENDENT：因变量。 • *ZPRED：标准化预测值。 • *ZRESID：标准化残差。 • *DRESID：剔除的残差。 • ADJPRED：调整后的预测值。 • SRESID：学生化残差。 • SDRESID：学生化剔除残差。 一元 线 性回 归 的 SPSS操作 详 解 选择 【 Standardized Residual Plots（标准化残差图） 】 选项，可以选择输出标准化残差图，其中包括以下选项。 • Histogram：标准化残差的直方图。 • Normal probality plot：标准化残差的正态概率图 (PP 图 )，将标准化残差与正态分布进行比较。 • Produce all partial plots：每一个自变量对于因变量残差的散点图。 （ 3） 【 Save(保存 )】 ：将预测值、残差或其他诊断结果值作为新变量保存于当前工作文件或新文件。 【 Predicted Values（预测值） 】 为预测栏，用于选择输出回归模型的预测值。 • Unstandardized：未标准化的预测值。 • Standardized：标准化的预测值。 • Adjusted：经调整的预测值。 • S. E. of mean predictions：预测值的标准误差。 一元 线 性回 归 的 SPSS操作 详 解 【 Residuals（残差） 】 为残差栏，包含以下选项。 • Unstandardized：未标准化残差。 • Standardized：标准化残差。 • Studentized：学生化残差。 • Deleted：剔除残差。 • Studentized Deleted：学生化剔除残差。 【 Distances（距离） 】 为距离栏，包含以下选项。 • Mahalanobis：马氏距离。 • Cook’s：库克距离。 • Leverage values：杠杆值。 一元 线 性回 归 的 SPSS操作 详 解 【 Influence Statistics（影响统计量） 】 反映剔除了某个自变量后回归系数的变化情况。 • DfBeta(s)：由排除一个特定的观测值所引起的回归系数的变化。 • Standardized Dfbeta(s)：标准化的 DfBeta值。 • DfFit：拟合值之差，由排除一个特定的观测值所引起的预测值的变化。 • Standardized DfFit：标准化的 DfFit值。 • Covariance ratio：带有一个特定的剔除观测值的协方差（）阵与带有全部观测量的协方差矩阵的比率。 【 Predicti。