多个自变量多个因变量用SPSS如何分析?
多个自变量多个因变量用SPSS如何分析?我是在做问卷,然后是要研究A与B两个问题之间的关系.然后AB分别设定了n个问题,从完全不符合到完全符合设为1到5的数值.昨晚问卷后我就有A1,A2……An这些自变量,然后B1,B2……Bn这些因变量,都有数值,要分析A对B的影响,该怎么办?实在不能直接分析能不能用简单相加的方法,就是把一个问卷的A1到An加起来,B1到Bn加起来,然后再把所有问卷放在一起分析,这样可不可以?如果用因子分析提取主成分的话,就只能把收集来的所有问卷的A1提取一个主成分,所有问卷的A2提取一个主成分以此类推,可是我想要的是一个问卷中的A1到An提取一个主成分,如果不能的话能不能简单相加啊……
可以做因子分析.首先,先将A1到An用提取主成分分析的方法,形成一个因子,同理,对B项做同样处理.其次,再在因子的层面上对两个因子单变量方差分析（当然,如果存在多个自变量因子和多个因变量因子,可以用多变量方差分析）.最后,如果想考察两者的线性的数量关系,可以再做回归分析.因子分析的步骤：菜单栏"分析"——“降维”——“因子分析”,在变量框里分别选入变量,记住将因子得分保存为新的变量.方差分析的步骤：分析——一般线性模型——单变量,将因变量选入“因变量"框内,将自变量选入”固定因子“框内,点确定.回归分析：分析——回归.选择线性或曲线模型. 再问： 小白问题：因子分析出来哪个是要的因子啊……保存为新的变量又是怎么做……嘤嘤嘤嘤我没学过不要嫌弃我 而且这样MS是A1所有的问题形成一个变量，A2所有的问题形成一个变量，不能A1到An形成一个变量吗？
我有更好的回答：
剩余:2000字
与《多个自变量多个因变量用SPSS如何分析?》相关的作业问题
这个是比较两个模型的差异,有差异就说明你的中介变量有作用 再问： 两个模型的差异再怎么比较？能具体说明下吗？
如果你的分析方法是正确的话,这个结果是能够说明的变量3在该模型中是有贡献的,有意义的,而变量1并不显著,对Y影响不大.
用典型相关分析,做不到你说的回归分析,回归需要因变量只有一个,你可以用因子分析提取一个共因素,然后再进行回归
要用到AMOS了,用SPSS和AMOS结合起来做
统计后自己做表不就完了吗?哪儿有软件能直接生成这样的结果,晕
这说明这些变量之间存在自相关,模型选择的是代表程度更高且自变量相互之间相关性低的自变量来,以保证自变量变化时,只影响因变量,而不影响其它模型中的自变量.建议你对这些自变量做两两之间的相关性检验,以说明他们不适合同时存在于模型中. 再问： 多谢回答！这个是所谓的共线性的问题么？那我做自变量两两之间的相关性检验，什么样的结
可以做多元回归.这方面的资料,在star统计分析工作室有的,百度输入即可
模型为：VAR0+0.14X1+0.074X2+0.065X4+0.365X5+0.248X6+0.306X7X1,X2,X4,X5,X6,X7分别为各自变量.1.调整的R平方为0.915,说明因变量VAR00008不确定性的绝大部分（91.5%）能由回归方程解释,回归方程拟合优度较好.2.从AN
这些都是常规模板,但是你自己要提供数据才行的阿我替别人做这类的数据分析蛮多的
这个可以用spss或者amos来做数据你收集好了吗?我经常帮别人做这类的数据分析的
不是层次回归 是采用路径分析,在spss里面是需要分步骤进行,比如A----C-----B,那就做A到C的回归,再用C的预测值做C到B的回归；A-------D-----B,就做A到D的回归,再用D的预测值做D---B的回归.如果不用spss,可以直接用amos 直接就可以做出来
请参照下列操作.系数(a)模型& & & & & &非标准化系数& & & & & & & &标准系数& & & & & &nbs
多项选择的logit模型也可以做的,需要多设几个虚拟变量.是写论文么,帮人 数据 he 分析, 再问： 写论文呢，多设虚拟变量？是不是每个选项都设置成0,1形式呢？万分感谢啊 再答： 是的，根据虚拟变量的设定原则，比选项少设置一个变量。再问： 直接叩谢指点迷津啊，还有个小问题，就是自变量有十个左右，数据是600份左右，
f称为对应法则.比如：y=f(x)=x²,这个从自变量x到因变量y的对应法则就是把自变量平方.
统计学中想比较回归系数之间的差异,可以利用标准化回归系数,通过比较回归系数的标准化值的大小来比较变量的影响程度,当然前提是,回归系数都是显著的.另外,你可以用F检验或Wald检验对多个回归系数的线性约束进行检验,当然这个说白了还是系数显著性检验,比如你的原假设可以是x1-x2=2,其中x1,x2都是变量的回归系数.比如
解1： 3x+5y=155y=-3x+15y=(-3/5)x+3解2：x=(y+2)/(y-5)(y-5)x=y+2xy-5x=y+2xy-y=5x+2(x-1)y=5x+2y=(5x+2)/(x-1)
是,变指自变量.
理论上成立,不过习惯上不这样用~
人为规定,不仅仅在数学.程序方面也有很多不成文的规定.如果你说X是因变量,很多人就不适应,总是少数服从多数的.所以按照规定来说是明智的.你列的方程不仅仅是你一个人看.m,n是常熟XY是变量这些都是习惯最新公告：目前，本站已经取得了出版物经营许可证 、音像制品许可证，协助杂志社进行初步审稿、征稿工作。咨询:400-888-7501
您现在的位置：&&>>&&>>&&>>&正文
统计分析分类以及SPSS分析方法
定制原创材料,由写作老师24小时内创作完成,仅供客户你一人参考学习,无后顾之忧。发表论文
根据客户的需要,将论文发表在指定类别的期刊,只收50%定金,确定发表通过后再付余款。加入会员
申请成为本站会员,可以享受经理回访等更17项优惠服务,更可以固定你喜欢的写作老师。
一、统计分析内容的分类人类对客观事物的认识是多种多样的，这些认识可以是企业生产的规模，可以是企业生产机器的稳定性，可以是一个地区的教学质量，可以是市场经济的规律，也可以是一个时期的经济形势或环境等等。撇开这些形形色色的形式内容，人们对客观事物的认识从目的来看可分为表面认识和本质认识两种。本文将这种从形式内容中抽象出来的对客观事物的认识称之为统计分析内容。表面认识就是对客观事物表面特征的认识；本质认识是从客观事物表面特征出发，最终得到超越客观事物表面特征的本质特征的认识。同样，与统计分析内容相对应的统计分析（方法）就可分为表面分析和本质分析两种。在统计分析方法的使用上，形式内容的认识与统计分析方法的关联不大，反而是在统计分析内容认识（对客观事物表面认识和本质认识）上，分析方法的使用差别较大，因此本文主要从统计分析方法的角度对统计分析内容加以细分。在SPSS中，横向叫个案，所有个案组成样本；纵向叫变量，一个变量代表客观事物的某方面特征。表面认识在SPSS中主要对应于样本认识，目的是认识样本所代表的具体事物的特征（当然样本的特征离不开变量，但目的不在变量）。本质认识则以样本数据为基础，总结出同类事物的普遍特征，这些特征就是变量自身的特征（它从样本出发，但又超越样本），因此本质认识可以认为就是对变量的认识。统计分析内容的划分与人们对客观事物的认识规律也密不可分。人类对客观事物的认识都是由浅入深、由外及里的。这种由浅入深、由外及里的认识过程正好体现了表面认识和本质认识两个过程。统计分析的两种内容既是人们对客观事物认识的两个方面，也是人们对客观事物认识的两个过程，但它们可以是相互独立的。因为人类出于认识目的的需要可以只认识客观事物的表面，也可以只认识客观事物的规律。（一）表面认识表面认识是一种以认识具体客观事物表面特征为目的的认识。对具体客观事物表面特征的认识，从定量和定性两个角度出发，还可以分为事物描述认识和事物评价认识两种。1.事物描述认识。事物描述认识是指只对具体客观事物作纯粹的描述，而不加任何主观意见的认识，如集中趋势描述。从认识内容的复杂性来看，事物描述认识又可分为简单描述认识和综合描述认识。简单描述认识是对具体客观事物的一种现象（变量）特征的认识，如认识一群企业的规模。综合描述认识则是结合具体客观事物的很多现象（变量）对具体客观事物的特征加以认识，如认识事物在两个定类变量中交互分布等。综合描述不是简单描述的组合，而是简单描述的提升。2.事物评价认识。事物评价认识是指对具体客观事物的某种特征给出人为意见或判断的认识。评价分析通常给出定性结果，如判断两种产品某种性能的差异是否存在。按评价内容来分，评价分析主要包括事物成绩评价分析和事物间差异评价分析两种。事物成绩评价按评价所依赖的现象多寡还可分为简单评价和综合评价。简单评价是对事物的一方面特征给出评价意见，如根据销售数据对企业的销售成绩作出评价。综合评价是对事物的多方面特征给出综合的评价意见，如根据利润率、流动资金周转率、净资产收益率等特征对企业的经济效益作出评价。（二）本质认识本质认识是一种以认识普遍客观事物本质为目的的认识。本质认识仍以特定样本事物的数据为依据，但认识的结果已经远远超出样本事物的范围。撇开具体事物后，人类对事物本质的认识，则主要体现为对普遍事物的现象（变量）自身规律的认识和对普遍事物的现象（变量）间关系规律的认识。这两种认识还可以给他们一个更简单的名字，就是单现象本质认识和多现象关系认识，这也可以看作是本质认识按现象复杂性的划分。1.单现象本质认识。单现象本质认识是对单变量自身规律的认识。单现象本质认识按现象与时间的关系，又分为现象自身分布规律认识（静态）和现象自身变化规律认识（动态）两种。（1）现象自身分布规律认识，是指认识现象自身的分布特征，属静态认识，如认识成绩是否成正态分布，摇号时每个号码的出现是否呈均匀分布等。（2）现象自身变化规律认识，是认识现象在时间上的变化规律，属动态认识，如长期趋势认识、季节变动规律认识等。2.多现象关系认识。多现象关系认识是对变量间关系的存在与否、关系的程度大小及方向等内容的认识。多现象关系认识，按变量间关系是否平等又分为对等关系认识和影响关系认识两种。（1）对等关系认识，是对两群对等变量间关系的认识。对等关系认识中，变量相互影响，没有自变量与因变量之分，如相关认识。两群变量之间的对等关系可以是，一对一的关系（如简单相关认识、偏相关认识），也可以是一对多的关系（如复相关认识），还可以是多对多的关系（如变量聚类认识）。两群变量的关系可以是线性的、曲线的，或者没有关系。（2）影响关系认识，是对一群变量如何影响另一群变量的认识。影响关系认识中，两群变量间的关系是不平等的，存在自变量和因变量之分，如回归关系认识。影响关系认识中的因变量通常是一个，但自变量却可以是一个或多个。因此影响认识又可以分为一对一影响和多对一影响。二、SPSS分析方法按统计分析内容的归纳与统计分析内容相对应的SPSS分析方法首先分为表面分析和本质分析两种。（一）表面分析表面分析是以认识客观事物表面特征为目的的一种分析方法，与表面认识相对应。表面分析，从认识的性质出法，具体又分为事物描述分析和事物评价分析两种。1.事物描述分析，是对客观事物的表面特征进行认识的一种分析。按认识时涉及的变量数多少，可分为单现象描述分析和多现象描述分析两种。（1）单现象描述分析（简单描述分析），是对客观事物单方面特征进行描述的分析。对客观事物的描述方法（分析方法），以其手段的不同归纳起来可以有指标描述法、表格描述法、图形描述法、推断描述法等。指标描述法，是以统计指标方式来认识事物，认识的具体内容包括集中趋势、离中趋势、分布特征等。相关的SPSS方法主要是描述统计中的描述，除此之外还有描述统计中的频率、探索两方法。这些分析的特点是输出统计指标。表格描述法，是以分组表的方式来描述事物的特征，其内容仅包括简单分布表（交互分布表属多现象描述分析）。相关SPSS方法是描述统计中的频率，其特点是输出频率表。图形描述法，是以统计图方式来认识事物的特征，其内容包括箱索图、茎叶图、饼图、条形图、直方图、散点图等。相关的SPSS方法是描述统计中的探索、频率方法和图形菜单中的各种图形功能。探索功能可输出箱索图和茎叶图。频率功能可输出饼图、条形图和直方图。图形功能则可输出除茎叶图外的各种图。推断描述法，是以数据库中的样本数据为依据，推断总体特征。尽管此处的总体事物超出SPSS中的样本范围，但人们也只不过将其看作是更大的样本罢了。从认识目的来看，推断描述中对总体均值、比率或方差的认识仍属表面认识。统计抽样推断的具体内容包括统计估计和假设检验两种。统计估计的主要内容就是完成总体均值、成数的区间估计，相关的SPSS分析方法是描述统计中的探索功能。假设检验的主要内容是均值、成数假设检验，相关的SPSS分析方法是均值比较中的单样本T检验。（2）多现象描述分析（综合描述分析），是对客观事物的多方面（变量）特征进行综合的描述（并非多个简单描述的叠加）。综合描述分析方法按其认识目的不同又可分为交互分布描述、分类描述、降维描述和分类识别等几种。交互分布描述，其目的是认识事物在多变量下的联合分布。其描述内容包括交互表和与交互表对应的分布图，相关的SPSS分析方法是描述统计中的交互表和图形菜单的条形图等。分类描述，其目的是认识哪些个案间的关系较为接近。相关的SPSS分析方法是聚类分析中的个案聚类分析，聚类分析方法又包括两步聚类、K-均值聚类和系统聚类等三种。降维描述，其目的是认识多变量下的主要影响因素（主成分）有哪些。相关的SPSS分析方法是降维分析中因子分析和对应分析。分类识别，其目的是认识某事物在已有实物分类上的类别归属。相关的SPSS分析方法是判别分析。2.事物评价分析。（1）成绩评价分析。简单评价，是对事物在某个方面（变量）的成绩所做的评价。评价客观事物的成绩可有多种标准，按其评价标准的不同，简单评价可有对照评价、横向评价和纵向评价等三种。对照评价，是根据给定评价标准来评价客观事物成绩的分析方法。相关的SPSS分析方法是均值比较中的单样本T检验。横向评价，是以同类事物作为评价标准来评价客观事物成绩的分析方法。相关的SPSS分析方法是均值比较中的独立样本T检验。纵向评价，是以评价事物的历史成绩作为评价标准来评价现时成绩的分析方法。相关的SPSS分析方法是均值比较中的独立样本T检验或配对样本T检验。上述的几种评价都较简单，可以直接靠经验而无需借助SPSS软件。综合评价，是对事物在多个方面（变量）作出的成绩所进行的评价。这是一种复杂的评价方法，它不是每个变量简单评价的叠加，因此通常要求多种SPSS分析方法同时运用。如要得出综合排名，则要经过标准化处理和综合分计算两个步骤。标准化处理，是将非标准化数据，折算成均值为0，标准差为1的标准化数据，目的是消除变量间的不可比性。在此过程中，还要统一变量的正逆性。相应的SPSS方法是均值比较中的描述。在描述功能中，勾选“将标准化得分另存为变量”复选框则可。综合分计算，是根据事物的多个特征（变量）值来计算其综合得分。这种综合得分可以是简单综合分或加权综合分。相应的SPSS方法是转换菜单中的计算变量。（2）差异评价分析，是对事物与事物之间的差异是否显著所做的评价。差异评价的内容包括均值差异、结构差异和方差差异等几种。均值差异评价。均值差异评价在分析方法上有两事物差异和多事物差异之分。两种事物间差异评价，是比较两种事物在同一时间和同一现象（变量）上均值差异是否显著的一种评价，如比较两个地区人民生活水平差异是否显著。相关的SPSS分析方法包括比较均值中的独立样本T检验、方差分析等。多种事物间差异评价，是比较多种事物在同一现象（变量）上均值差异是否显著的一种评价，如比较不同文化程度人群间收入差异是否显著。相关的SPSS分析方法是比较均值中的单因素方差分析。结构差异评价，是评价两总体的结构差异是否显著的一种分析。相关的SPSS分析方法是非参数检验中卡方检验。方差差异评价，是评价两个总体中同一变量方差差异是否显著的一种评价。相关的SPSS分析方法是F检验，这是独立样本T检验中的附带功能。（二）本质分析1.单现象本质分析。（1）分布特征分析（静态）。分布特征通常可通过分布图和分布表来认识，但分布图和分布表认识的只是具体事物的现象特征，并非普遍事物的现象特征。SPSS是通过显著性检验来判断普遍事物的现象特征，相关的SPSS分析方法包括非参数检验中的卡方检验、二项式检验、单样本K-S检验等。但在使用SPSS操作前还应通过分布图和分布表初步判断现象的特征，然后再用SPSS非参数检验方法来判断现象的本质特征。非参数检验的主要作用是检验事物的分布是否显著成某种特征，这些特征包括正态分布、均匀分布、泊松分布和二项式分布等。具体分析方法包括以下几方面。单总体比率假设检验，检验总体中某一特征的总体单位的比例是否为某个特定值，如检验总体中男性比重是否显著为50%。相关的SPSS分析方法为非参数检验中的二项式。单总体结构分布检验，检验总体在某一现象（变量）上的分布是否成某种已知分布形态（如均匀分布、泊松分布、二项式分布等）。检验方法包括非参数检验中的卡方检验、单样本K-S检验。正态分布检验，检验总体在某一现象上的分布特征是否为正态分布。相关的SPSS分析方法是非参数检验中的单样本K-S检验。（2）变化规律分析（动态）。长期趋势分析，是一种分析事物在时间上的变化是否成某种规律以及还原其函数关系式的分析。在变化规律形态的判断上，需要用到散点图，相关的SPSS分析方法是图形菜单下的散点图功能。函数关系式回归的分析则属时间序列自回归，相应的SPSS方法是回归分析，在回归菜单下的“线性”及“曲线估计”等功能中完成。季节变动分析，是一种寻找季节变动规律的分析。主要内容包括季节变动规律是否存在的判断和季节指数的计算。在季节变动规律是否存在的判断中，相关的SPSS方法是图像菜单下的线图。在季节指数的计算中，相关的SPSS操作方法需分两步完成：第一步，添加时间序列，在数据菜单的定义日期功能中完成；第二步，完成季节指数计算，在分析菜单中预测子菜单下的季节性分解功能中完成。2.多现象关系分析。（1）对等关系分析。现象对等关系分析的主要任务是判断变量间关系是否存在，其次是判断其相关方向及相关程度的大小等。由于相关变量的类型不同，相应的分析方法也不同。若将相关变量的类型分为定类、定序和定距三种，则在两两组合搭配下，变量间关系的类型可有6种之多。若将6种关系中分析方法相同的关系加以组合，则可得出以下三种组合关系：定类与定类、定序、定距的关系；定序与定序、定距的关系；定距与定距的关系。第一种，定类与定类、定序、定距的关系，可采用卡方检验方法来分析。相关的SPSS分析方法是描述统计的交互表。第二种，定序与定序、定距的关系，可采用散点图、卡方检验和相关分析几两种方法来分析。卡方检验只能判断关系是否显著存在，相关的SPSS分析方法是描述统计的交互表。散点图可以判断相关形态及方向；相关分析则可进一步分析相关程度的高低及相关方向。相关的SPSS分析方法包括图形菜单下的散点图和分析菜单中的相关分析（简单相关分析）。第三种，定距与定距的关系，可采用散点图和相关分析来进行分析。分析现象间相关形态及相关方向，可采用SPSS中的散点图功能。对现象间相关关系大小的分析，依相关变量数量多少及地位的不同，可有简单相关分析（距离分析）、偏相关分析、复相关分析几种。简单相关分析（包括距离分析），可用来分析两个定序变量间、两个数值变量间、定序数值变量间的相关关系。相关的SPSS分析方法是相关菜单下的“双变量”及“距离”菜单功能。根据变量间关系的大小（距离的远近），还可以进一步对变量群作分组认识，相关的SPSS分析方法是聚类分析中的变量聚类分析。偏相关分析，是在排除外部变量对分析变量影响后，分析两个变量间线性关系大小及方向的分析方法。相关的SPSS分析方法是相关菜单下的“偏相关”菜单功能。复相关分析，是分析一个变量同时与多个变量间的线性关系是否存在，以及相关方向及大小的分析方法。相关的SPSS分析方法是多元线性回归分析。多元线性回归分析中，输出的方差分析数据可以判断线性关系是否存在，输出的相关系数就是复相关系数。（2）影响关系分析。影响关系分析中依自变量和因变量类型不同，可有多种不同的分析方法。因变量的类型主要有定距、定序和二分变量等三种，自变量的类型则包括定距、定序和定距三种类型的全部。单自变量情况下两两排列可有九种情况，加上多自变量（当前尚无多因变量的回归分析），情况将更加复杂。有些组合无法进行分析，其余可以进行分析的组合中，结合它们的共性，最终综合成以下八种情况：三种变量对定距变量的定性分析、定距定序变量对定距变量的定量分析、三种变量对定序变量的定性分析、定距定序变量对二分变量的定量分析、多自变量对定距变量的定性分析、多定距定序变量对定距变量的定量分析、多自变量对定序变量的定性分析、多定距定序变量对二分变量的定量分析。三种变量对定距变量的定性分析，可分析自变量对定距变量的影响是否存在。相关的SPSS分析方法包括独立样本T检验、单因素方差分析。独立样本T检验的影响因素的取值只能是两个，单因素方差分析的影响因素取值可以是两个或多个。定距定序变量对定距变量的定量分析，可还原因变量和自变量间的函数关系式。相关的SPSS分析方法是回归分析。回归分析依变量间关系形态不同又分为线性回归分析和曲线回归分析两种。相关的操作包括回归菜单下的“线性”及“曲线估计”等功能。三种变量对定序变量的定性分析，分析方法同上述A情况。定距定序变量对二分变量的定量分析，可还原因变量和自变量间的函数关系式。相关的SPSS分析方法是回归菜单下的二分逻辑回归。多对一影响分析。多自变量对定距变量的定性分析，可分析自变量对定距变量的影响是否存在。相关的SPSS分析方法是多因素方差分析，在一般模型下的单变量功能中完成。多定距定序变量对定距变量的定量分析，可还原因变量和自变量间的线性函数关系式。相关的SPSS分析方法是多元线性回归分析，在回归菜单下的线性功能中完成。多自变量对定序变量的定性分析，方法同A情况。多定距定序变量对二分变量的定量分析，分析方法同一对一影响分析的D情况。三、三点总结（一）两种分析方法的关系不管是表面分析还是本质分析，都是对客观事物特征的认识。前者着眼具体事物，后者着眼普遍事物。正因为表面认识着眼的是具体事物，所以对具体事物的评价分析（虽带定性特征）仍属表面分析。由于普遍事物是个抽象概念，在分析过程中人们要依赖具体事物的数据，但分析结果却超越具体事物。超越具体事物后，人们得到的就是变量自身的规律。表面分析，认识的是具体事物的特征，但认识过程又离不开变量。本质分析，认识的是普遍事物某种现象（变量）自身规律的特征，但认识过程却离不开具体事物（样本）。在本质分析中将具体事物看作是样本，得出的却是同类事物的规律。而表面分析中，要认识的就是具定事物的特征，但这些特征一般不能看作是同类事物的特征。如某个地区的人口分布呈老年化是事物特征，但并不等于所有地区的人口分布都呈老年化（普遍规律）。（二）分析内容与SPSS分析方法的关系统计分析内容和SPSS分析方法的关系，表现为目的与手段的关系。相同的分析内容可以使用不同的分析方法，不同的分析内容，可以使用相同的分析手段。用同一种分析方法完成的分析，其分析内容属表面分析还是本质分析取决于你的认识目的。如独立样本T检验分析方法，可以用来分析一个班（校）中男女成绩差异是否显著，也可以用来分析性别变量对成绩变量的影响是否显著。前者属表面分析，后者属本质分析。因为前者着眼的是一个班（校）的学生的成绩特征，后者着眼的是性别和成绩两种现象的关系。正因为本质认识着眼的是普遍现象的特征，因此要求样本量应足够大，显著性水平应足够高。对于表面认识，因为它认识的是样本特征，因此样本量大小与认识目的无关，显著性水平要求也可低些。（三）统计分析内容分类及SPSS分析方法归纳的意义统计分析内容的分类在于给SPSS分析方法进行归纳。SPSS分析方法归纳的意义主要体现在以下两方面。一是提供统计分析时SPSS分析方法的选择；二是提供知识系统性归类，方便学习者记忆。（本文来自于《经济师》杂志。《经济师》杂志简介详见.）作者：侯海桂单位：肇庆科技职业技术学院统计分析分类以及SPSS分析方法责任编辑：xchen1&&&&阅读：人次
上一篇论文： 下一篇论文：
按栏目筛选
统计分析论文热门范文
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
统计分析论文相关文章
没有相关论文[转载]SPSS学习笔记之——多因素方差分析
我的图书馆
[转载]SPSS学习笔记之——多因素方差分析
[转载]SPSS学习笔记之——多因素方差分析&问题：对小白鼠喂以三种不同的营养素，目的是了解不同营养素增重的效果。采用随机区组设计方法，以窝别作为划分区组的特征，以消除遗传因素对体重增长的影响。现将同品系同体重的24只小白鼠分为8个区组，每个区组3只小白鼠。三周后体重增量结果(克)列于下表，问小白鼠经三种不同营养素喂养后所增体重有无差别？区组号营养素1营养素2营养素3150.1058.2064.50247.8048.5062.40353.1053.8058.60463.5064.2072.50571.2068.4079.30641.4045.7038.40761.9053.0051.20842.2039.8046.20SPSS软件版本：18.0中文版。统计操作:1、建立数据文件变量视图：建立3个变量，如下图&数据视图：如下图：区组号用1-8表示，营养素号用1-3表示&&2、统计菜单选择：分析 -& 一般线性模型 -& 单变量&&点击进入“单变量”对话框&&将“体重”选入“因变量”框，“区组”、“营养素”选入固定因子框&&点击右边“模型”按钮，进入“单变量：模型对话框”&&点击“设定”单选按钮，在“构建项”下拉菜单中选择“主效应”&&把左边框中区组和营养素均选入右边框中&&其余选项取默认值就行，点击“继续”按钮，回到“单变量”界面&&点击“两项比较”按钮，进入下面对话框&&将右边框中“区组”、“营养素”均选入右边框中&&再选择两两比较的方法，LSD、S-N-K，Duncan为常用的三种方法，点击“继续”按钮回到“单变量”主界面&&点击“选项”按钮&&勾选“统计描述”及“方差齐性检验”，设置显著性水平，点击“继续”按钮，回到“单变量”主界面&&点击下方“确定”按钮，开始分析。&&3、结果解读&主体间因子&值标签N区组1区组132区组233区组334区组435区组536区组637区组738区组83营养素1营养素182营养素283营养素38&这是一个所分析因素的取值情况列表。&描述性统计量因变量:体重区组营养素均值标准&偏差N区组1营养素150.100.1营养素258.200.1营养素364.500.1总计57.6007.21873区组2营养素147.800.1营养素248.500.1营养素362.400.1总计52.9008.23473区组3营养素153.100.1营养素253.800.1营养素358.600.1总计55.1672.99393区组4营养素163.500.1营养素264.200.1营养素372.500.1总计66.7335.00633区组5营养素171.200.1营养素268.400.1营养素379.300.1总计72.9675.66073区组6营养素141.400.1营养素245.700.1营养素338.400.1总计41.8333.66923区组7营养素161.900.1营养素253.000.1营养素351.200.1总计55.3675.72923区组8营养素142.200.1营养素239.800.1营养素346.200.1总计42.7333.23323总计营养素153.90010.69638营养素253.9509.49328营养素359.13713.54998总计55.66311.154724&&变量的描述性分析&主体间效应的检验因变量:体重源III&型平方和df均方FSig.校正模型a9280.14411.517.000截距1.000区组7339.48213.956.000营养素144.917272.4592.979.084误差340.5431424.324&&总计24&&&校正的总计23a.&R&方&=&.881（调整&R&方&=&.805）这是一个典型的方差分析表，只不过是两因素的而已，首先是所用方差分析模型的检验，F值为00.517，P小于0.05，因此所用的模型有统计学意义，可以用它来判断模型中系数有无统计学意义；第二行是截距，它在我们的分析中没有实际意义，忽略即可；第三行是变量是区组，P&0.001，可见有统计学意义，不过我们关心的也不是他；第四行是我们真正要分析的营养素，非常遗憾，它的P值为0.084，还没有统计学意义。尽管不太愿意，我们的结论也只能是：尚不能认为三种营养素喂养的小白鼠体重增量有差别。由于我们没有设置重复，不能分析他们两者之间的交互相应。以下是两两比较，结果略。&3、对话框介绍：&在“单变量”对话框中：【因变量】框选入需要分析的变量（应变量），只能选入一个。这里我们的应变量为体重，将他选入即可。【固定因子】框即固定因素，如果你搞不明白，那么绝大多数要分析的因素都应该往里面选。这里我们要分析的是区组和营养素两个变量，把他们全都给我抓进去。固定因素指的是在样本中它所有可能的取值都出现了，比如例中的营养素，只可能有1、2、3这三个值，并且都出现了，就被称作固定效应；而相对应的随机效应的因素指的是所有可能的取值在样本中没有都出现，或不可能都出现，如本例中的区组，实际上总体中当然不可能只有这8窝，因此要用样本中区组的情况来推论总体中区组未出现的那些取值的情况时就会存在误差，因此被称为随机因素。我这里让区组也选入固定框是基于下面的事实：这样做统计分析的结论是完全相同的。不同的只是推论的那部分。【随机因子】框用于选入随机因素，如果你弄不明白，假装没看见他就是了。【协变量】框用于选入协方差分析时的协变量，现在还用不到。【WLS加权】框即用于选入最小二乘法权重系数。不懂，别理他。【模型】钮单击后出现一个对话框，用于设置在模型中包含哪些主效应和交互因子，默认情况为“全因子”，即分析所有的主效应和交互作用。我们这里没有交互作用可分析，所以要改一下，否则将作不出结果来。将按钮切换到右侧的“设定”，这时中部的“构建项”下拉列表框就变黑可用，该框用于选择进入模型的因素交互作用级别，即是分析主效应、两阶交互、三阶交互、还是全部分析。这里我们只能分析主效应：选择主效应，再用黑色箭头将“区组”和“营养素”选入右侧的框中。该对话框中还有两个元素：左下方的“平方和”用于选择方差分析模型类别，有1型到4型四种，如果你搞不清他们之间的区别，使用默认的3型即可；中下部有个“包含截距”复选框，用于选择是否在模型中包括截距，不用改动，默认即可。【对比】钮弹出“对比”对话框，用于对精细趋势检验和精确两两比较的选项进行定义。【绘制】钮用于指定用模型的某些参数作图，比如用食物和区组来作图。【两两比较】钮选择两两比较的方法及定义两两比较时的显著性水平，默认为0.05。【保存】钮将模型拟合时产生的中间结果或参数保存为新变量供继续分析时用，可保存的东东有预测值、残差、诊断用指标等。【选项】钮可以定义输出哪些指标的估计均数、并做所选择的两两比较，还有其他一些输出，如常用描述指标、方差齐性检验等。
TA的最新馆藏[转]&[转]&[转]&[转]&[转]&
喜欢该文的人也喜欢