做中介费的作用作用分析时，SPSS警告说奇异矩阵，该怎么修改数据?

来源：蜘蛛抓取(WebSpider) 时间：2023-06-20 11:56 标签： 中介费的作用

选择擅长的领域继续答题？
{@each tagList as item}
${item.tagName}
{@/each}
手机回答更方便，互动更有趣，下载APP
提交成功是否继续回答问题？
手机回答更方便，互动更有趣，下载APP
展开全部可以。奇异值分解是一种矩阵因子分解的方法，在主要成分分析和潜在语义分析都会用到这一个重要的工具。奇异值分解中特征值分解得到的矩阵是一个对角矩阵，里面的特征值是由大到小排列的，这些特征值所对应的特征向量就是描述这个矩阵变化方向。但是特征值分解的局限，就是不变化矩阵必须是方阵，对于非方阵而言，就只能进行奇异值分解。已赞过已踩过你对这个回答的评价是？评论
收起
推荐律师服务：
若未解决您的问题，请您详细描述您的问题，通过百度律临进行免费专业咨询
为你推荐：
下载百度知道APP，抢鲜体验使用百度知道APP，立即抢鲜体验。你的手机镜头里或许有别人想知道的答案。扫描二维码下载
×个人、企业类侵权投诉
违法有害信息,请在下方选择后提交
类别色情低俗
涉嫌违法犯罪
时政信息不实
垃圾广告
低质灌水
我们会通过消息、邮箱等方式尽快将举报结果通知您。说明
做任务开宝箱累计完成0
个任务
10任务
50任务
100任务
200任务
任务列表加载中...
多数情况下，变量关系研究是问卷研究的核心，变量关系研究包括相关分析，线性回归分析，中介作用分析，调节作用分析等，并且如果因变量Y值是分类数据，则会涉及Logistic回归分析。相关分析是研究两两变量之间的相关关系情况，线性回归分析或者Logistic回归分析均是研究影响关系，区别在于线性回归分析的因变量Y值是定量数据，而Logistic回归分析的因变量Y值是分类数据。中介作用或者调节作用研究是更深入的关系研究分析，会在之后的文章中介绍。本文重点对相关分析和回归分析的常见问题进行解答。0）相关和回归的关系和区别相关分析和回归分析，二者既有联系，又有区别。接下来详细说明。相关分析：研究有没有关系，关系强度如何。回归分析：研究影响关系如何，有没有影响关系，影响关系如何。相关分析是研究有没有关系，回归分析是研究影响关系。明显地，相关分析是基础，然后再进行回归分析。首先需要知道有没有相关关系；有了相关关系，才可能有回归影响关系；如果没有相关关系，是不应该有回归影响关系的。因而从分析角度，应该先进行相关分析，完成相关分析后，确认有了相关分析，再进行回归分析。有时候会出现奇怪的现象，比如：有回归影响关系，但是却没有相关关系【此时建议以‘没有相关关系作为结论’】负向影响关系，但却是正向相关关系【此时建议以‘有相关关系但没有回归影响关系作为结论’】1）回归分析缺少Y回归分析是研究X对于Y的影响。有时候由于问卷设计问题，导致直接缺少了Y，建议可以考虑将X所有题项概括计算平均值来表示Y。（SPSSAU用户使用“生成变量”的平均值功能）另提示：如果问卷中并没有设计出Y对应的题项，没有其它办法可以处理2）是否需要进行散点图分析？散点图可以直观展示两个变量之间的关系，通常情况下需要首先进行散点图分析，再进行相关关系分析，接着进行回归分析。3）相关分析应该选择Pearson还是Spearman？相关系数分为两种，分别是Pearson相关系数和Spearman相关系数。绝大多数情况下均使用Pearson相关系数，软件默认使用Pearson相关系数。如果研究时发现研究变量严重的不正态分布，此时使用Spearman相关系数较为合适。4）相关分析结果与线性回归分析结果矛盾？如果相关分析结果与线性回归分析矛盾，比如没有相关关系，但是却呈现出显著的回归影响关系。也或者变量之间为显著正相关，但是却出现负向回归影响关系。此时应该以相关分析结论为准，出现此类问题的原因很可能是Suppressor effect(压抑效应)。5）分类数据作为自变量如何进行回归分析？如果分类数据希望作为自变量放入模型，应该首先将分类数据进行虚拟变量处理，然后再放入模型中，虚拟变量处理可参考5.2.8部分。6）分类数据作因变量时的分析方法。如果分类数据作为因变量，此时应该使用Logistic回归分析，具体Logistic回归分析的类别选择，可以参考10.2.4部分。7）回归分析没有通过F检验，但回归系数呈现出显著性。如果回归分析并没有通过F检验，此说明所有自变量X均不应该对因变量Y产生影响关系，即研究模型没有意义。此时即使回归系数呈现出显著性，也应该以F检验结果为准，即说明自变量X不会对因变量Y产生影响关系。8）回归分析时VIF值高于10。如果VIF值高于10，说明具有严重的多重共线性问题，此时模型结论不可信。针对多重共线性问题，最佳的处理办法是对题项进行探索性因子分析，利用探索性因子分析得到的因子得分重新进行回归分析。除此之外，也可以将自变量进行相关分析，找出相关关系最为紧密的研究变量，将此类变量移出回归分析重新进行分析。9）回归分析时，某变量没有呈现出显著性，但理论上确认肯定应该显著。如果回归分析时某研究变量没有呈现出显著性，但是理论上认为应该具有显著性，此时可以考虑对样本进行筛选处理，以及将样本个人背景信息作为控制变量加入模型,重新进行分析。10）R平方值很小，低于0.4。R平方值表示模型的解释力度，即模型拟合度情况，此值介于0~1之间，数值越大，说明模型拟合度越高，通常情况下越大越好。实际研究中，此指标的意义相对较小，即使此指标小于0.4也没有关系。应该重点关注自变量X与因变量Y之间的回归关系，即自变量是否呈现出显著性。11）调整R平方值为负数。调整R平方值可以为负数，如果出现负数时，通常情况下R平方值会非常小，接近于0，模型基本没有意义。12）控制变量是什么，用处是什么？控制变量，实质就是自变量，但通常该类变量并非研究核心变量，其可能会对模型产生干扰，因此也需要将其放入模型，并且称之为控制变量。通常情况下控制变量为样本基本背景信息题项，比如性别，学历，年龄，收入等。将控制变量放入回归模型中，目的在于防止此类变量对于研究带来的干扰。通常情况下，控制变量为诸如性别，学历等为分类数据，因而多数情况下控制变量需要进行虚拟变量处理。13）探索性因子分析保存得分是否可以作为自变量？如果一个研究变量对应多个题项，常见的做法是将多个题项计算平均值，并且以平均值代表整体研究变量。如果对研究变量进行探索性因子分析，并且保存因子分析，也可以利用因子得分去代表对应研究变量，进行相关或者回归分析。14）Hosmer and Lemeshow检验对应P值小于0.05。进行二元Logistic回归分析时，如果Hosmer and Lemeshow检验显示P值小于0.05，即说明模型拟合情况与实际情况有较大出入，模型并不理想。可以考虑对自变量数据重新组合处理，也或者对因变量数据重新组合处理等多种方法测试，寻找出最优结果。15）整体预测准确率低于70%。如果二元Logistic回归分析显示整体预测准确率较低，低于70%时，说明模型整体情况不佳。可以考虑对自变量进行重新组合处理，或者对个别无意义自变量进行删除处理等，多种处理对比，找出最优结果。16）输出结果中某项不显示P值。如果二元Logistic回归分析中有分类数据，则模型会以某项作为参照对比项，参照对比项不会输出P值等指标。更多常见问题解答SPSSAU：如何设计一份合格的调查问卷？SPSSAU：问卷调查数据应该怎么分析？SPSSAU：SPSS数据分析中的常见问题（统计学基础篇）SPSSAU：SPSS数据分析中的常见问题（问卷篇）SPSSAU：数据分析中的常见问题——SPSS操作问题SPSSAU：SPSS数据分析中的常见问题（信效度篇）（SPSSAU支持在线进行数据分析，拖拽点一下的傻瓜操作，提高分析效率。同时针对每一个分析方法SPSSAU的帮助手册里都有详细的讲解和案例说明，想要获得更多内容可登录SPSSAU官方网站。）

我要回帖

更多关于 中介费的作用 的文章

 

随机推荐