chatspss数据怎么导入

大家好，给大家分享一下如何用恰当 s p s s 一 句话做出配对样本体检验包含他的表格和对应的文字解释。首先我们来看一下什么样式配对样本体检验什么情况下适用 他。主要的分析目的就是看同一组人，他的人群是没有变化的，在不同条件或者时间下，他们两个的某一个数值或者他的成绩。在用了某一个措施之后， 主要的两个关键的指标就是体脂。体脂其实不用特别关注，体脂越大它的改变就越强烈，或者说它的差异就越大，最最重要的是它的皮脂，皮脂只要小于零点零五，就代表它的差异是有效而且是显著的。 主要应用于这种，比如说实验组和对照组，实验组的前后侧或者对照组的前后侧， 你做了这个措施，措施之前要调查一次，措施之后要调查一次。这两个组别之间你要做差异检验，你就要看一下它有没有提升，那么就得用这个配对样本 t 检验。配对的意思就是理解为这个人群或者你这个样本它是没有改变的。 t 检验就是你想要对比的是两个组别之间的差异性，就得用 t 检验。我们还是以实际的数据来说话， 我们就直接用这个来使用 ai 辅助前他的数学成绩和使用 ai 辅助之后一个月的数学成绩，看一下两个成绩之间他是否有差异性，到底是提升了还是下降了。 呃，当然我们从概念里面大概率就能猜到，使用之后他的成绩肯定是有提升的，因为这样的话每一行就是一个学生，所以说他的样本是没有变的，所以说得用配对样本，而且是两个组别，两个时间点， 这两个进行对比，所以说用配对样本体检验，我们来看一下具体怎么样做。我们先心尖聊天，先上传我们的这个数据，这个数据上传成功了，然后他就弹出来了，我们就确定认一下， 我们可以直接告诉他我们想要的目的是什么。我直接告诉他，我想要研究 ai 辅助教学数学成绩是否有提升，提升是否显著，让他自己去判断，选择用什么分析方法，然后得出来什么样的结论，他的分析规划就出来了， 然后他就给了一个非常严谨的数据判断，他就首先进行数据预处理，然后进行描述分析，然后进行正态性检验， 最终进行这个差异检验，如果是前提检验，这种正态性都满足，则进行配对，否则使用非餐的方法。我们重点还是看一下他的配对的这个东西，前面都是一些预处理的内容，我们可以不用特别关注他， 我们可以看到他已经做出来了啊。前面就是他进行了数据的预处理，他还专门形成了一个成绩的差异，这个并不是特别重要，重点是我们最后的这个配对样本 t 检验的结果，可以看到未使用 和使用后，他们进行配对，然后配对出来，配对一就是未使用配对，二就是使用了的他们之间的均值可以看到 是七十分，配对之后就是使用过后，他的均值是八十一分，所以说提升还是蛮大的，差不多有十一分左右的提升均值差，可以看到他计算出来十点一一九分， p 值也是比较大，重点是他的显著性， p 值是零点零零零 三个信号，他零点零零零零的意思就是他显著性非常大，他是小于了零点零一，就会默认把它写作为零点零零零，就是极其显著的意思。我们来看一下他分析的结果， 基于配对样本的数据，然后考察了一下辅助后提升到了这样，这一提升在统计学上高度的显著。 p 小 于零点零一，说明 ai 辅助教学对数学成绩是积极影响的，并非随机的波动，而是有可靠的系统性改善。然后就是这样的一句结论的解答， 这个文本就出来了，但是他说这个 ai 回复，但是没检测到三千秒，他肯定是检测错了，这个就没太大问题。 我们就直接把这个文本复制到你的 word 中，然后把你的这个配对样本体检验也的结果也复制到 word 中就可以了。我们可以直接复制到 word 中配对样本体检验，把它复复制到 word 中，改一下它的字号，改成五号字体 可以了。当然如果这个格式不满意的话，还可以微调一下。我把对应的文字解答也复制到 word 中，因为它做出来是一个非常严谨的过程，我们可以不用那么复杂或者那么严谨，我们就直接用这一个其实就够了。 当然你也可以直接告诉他，请你给我把这两个变量做配对样本 t 检验，比如说像这样生成出来的指令就非常明确，他就不会去做很多前提检验，因为 其实大部分我们做分析的时候是用不上这么严谨和复杂的分析，只需要做一次就够了，把这个配对样本做出来就行了。

马上要写论文的，论文里面有数据分析的，今天这个视频教大家怎么样用 ai 一 句话做出 sars 里面的分析，包括论文可用的表格，还有对应的文字分析，不需要学什么专门的统计知识，不需要学什么操作方法， 更不用背这些参数的含义。 e， 只需要看完这个视频会打字，你知道你的研究目的是什么，就一定能学会。我们先看一下分层回归它是一个什么样的分析方法。 呃，他主要的目的就是分批次的把这种自变量放进这个回归模型，一般是限性回归啊， 分批次的放进去，看一下每一个自变量放进去了之后，他这个模型的一些拟合度，或者说这个模型的一个质量是否有提高，然后每一个变量他到底是促进了还是削落了？这个模型他 的作用是什么？比如说举个例子哈，就 vip 的 登场，首先第一步让一些普通的干扰项，比如说控制变量，人口学变量 这种，先进去看一下它这个模型是不是好的，是不是坏的。一般的情况下，普通观众这种干扰项进去的话，这个模型它的解释度是不高的，也就是它的这个礼盒是不高的。然后再将这种核心的变量慢慢的加进去，如果 它的解释度是显著增长了，说明这些变量确实是比较好的变量。 ok， 主要有两个部分，首先第一个部分就是这个模型它的拟合度，这个是很重要的，比如说加入或者排除了年龄之后，星耀让负率又提升了这个百分之二十， 就是他的解释度增加了百分之二十，说明考虑到年龄变量之后，这个模型是更好的。再就是他的 p 值就是新加入的这个变量是不是有显著的作用， 主要应用于我们去控制一些，比如说个人的一些资料之后，你的这种具体的核心的自变量是否还是对这种 y 值有显著的影响？它的意义就是 新模型和旧模型进行对比，看一下哪个解释力更好。如果是你加了新的这种变量之后，他的解释率增加了，说明这个变量也是一个非常重要的变量。我们来实际看一下这个数据， 我们的数据是一个品牌满意度的一些相关数据，其实最重要的就是它的这种一般资料，还有后面的量表题，量表题分成了五个维度，每个维度下面有具体的题目，然后数据也是将各个维度它的 得分都用均值计算出来了，各个维度的得分可以看到用它的对应的几个维度的均值做出来了。我们来看一下怎么样在恰当 spss 里面做。 首先新建聊天上传数据，他这个视力数据就是这个数据啊。然后我们的分层回归主要的目的，我们首先一般情况下我们做分层回归的研究，目的都是我们先纳入这种一般资料， 这种其实也叫控制变量，把它纳入进去，看一下能影响音变量多少的范围，因为我们的音变量是这个品牌忠诚度，然后看一下他能解释多少，如果他解释的少， 我们就慢慢慢慢一点一点的加上去他的自变量。其实最后的这几个维度，这维度分成了两个大类，一个是这种社交媒体的一些内容，营销的内容，就是后面的一些服务的内容，看到底哪一个部分影响他是影响最大的，而且是最重的。 ok， 我 们来看一下怎么样做哈，我们可以直接告诉他品牌忠诚度是因变量，我需要做分层回归，第一层是一般资料， 第二层是我们直接这样把分层的这种维度告诉他，这样就非常的明确，当然你也可以让他给你设计，你告诉他我的品牌忠诚度是音变量，然后请你给我设计一下这个分层回归到底怎么样的方式会比较好， 如果我们知道就可以直接这样告诉他，就会非常明确，如果你不知道的话，就可以让他给你设计再来执行，也是 ok 的。 我们就直接以这种方案，这种方案是比较明确的，特别是你有参考资料的情况下，你用这个方案的话会更加的准确一点。 ok， 他 就已经做出来了，这是他的一个分析计划，可以看到第一层纳入一般资料，然后第二层纳入的营销的两个维度，第三层纳入服务的两个维度，看一下这每一层他的一个 回归分析，他这个模型到底是提升了还是下降了，我们就知道哪一个部分他的这个自变量是更加的重要的。 ok， 我 们来看一下这个结果吧，这是他执行出来的结果，就在这一共分成了三层，是这样看的哈，其实最最重要的就是这个他的 r 方，其实也就是这个模型他的一个准确度或者拟合率 和他模型的一个效果。我们可以看到第一层直接用一般资料给他的拟合度非常低，说明这几个其实并不是特别重要。然后第二层就是加上了这两个 之后，他的拟合度增加了零点二以上，说明第二层他是非常重要的。然后第三层又增加了一点几， 说明其实这两个是对品牌忠诚度影响最大的两个变量因素。然后这两个是次要的，没有那么大的影响的一个因素。 ok， 就 大概是这样，然后看一下他的 p 值，当然这后面的哈，前面其实最最重要就是我们看最后一个分层就行了， 因为我们刚才已经分析了它不同模型之间它哪一个更加重要，然后就要看一下具体的维度变量了，维度变量它也是主要看 p 值和这个标准的系数，可以看到标准的系数， 这几个都是显著的啊，它小于零点零五，代表这四个它都是有显著影响的，对品牌忠诚度。我们第二个点就是要看它显著了，那么它是怎么样影响的？ 第一个社交媒体内容吸引力，这个是最最重要的，第四个是第二重要，但是这两个加起来是比这两个加起来要更加重要的。 ok， 我 们来看一下这个 ai 它的一个分析到底是不对的，他也说了一下，因为我们是没有对这个进行 编码的，所以说它自动的进行编码，我们看一下这个顺序编码的是不对的啊， a 编码乘以它自动编码乘 一二三四五，这样是符合的，万一是 b 啊，这种就不行了，我们要做一下预处理，预把它处理成这种编码好的一二三四五才可以进行回归，但是它这个是比较好的，每一个编码都是从 a 到 a、 b、 c、 d 这样编码的是 ok 的。 然后我们来看一下这个结果哈。在本研究中使用了这个分析方法， 第一层仅纳入一般资料作为控制变量，它模型拟合是不显著的，表明人口学变量对这个基础影响是比较弱的。然后第二个就增加了变异这么多， 虽然增加没有达到统计上的显著水平，但是也强化了他的一个预测的能力，然后继续增加，增加了之后，新增的变量达到了百分之八点几，虽然还是能达到，但能有提高，但是它总体来讲， 他的这个模型礼盒其实是不高的，因为他只有百分之零点三，如果只是拿来做一些解释，这个是 ok 的， 但是如果是真的要拿来做预测的话，这个是不行的。这样相当于我们就把这个报告就生成了。 把这个表格复制到 word 中，把文字复制到 word 中就可以了，或者你觉得你没看懂他的文字写的太少了，你可以让他请你详细的解释，结果 简单通俗易懂一点，像这样告诉他就可以了，他会自动的把这个文字再扩充一点，第一层加入什么什么，第二层加入了什么，第三层加入了什么什么，这样的话就非常简单。 当然你复制到 word 中去的时候，还是需要根据你的一个研究目的，你的研究背景啊，这些把这些文字改写一下的。

论文中有数据分析的这个视频必收藏，教大家怎么样用 ai 一 句话做出 spa 里面的多元无序的逻辑回归分析，包括对应的表格和对应的文字解释， 不需要学什么专门的统计知识，也不需要学专门的操作方法，更不用背这些结果表格的一些含义， 只要看完这个视频会打字，你知道你的研究目的是什么，就一定能学会。我们先看一下这个多元多分类无序的逻辑回归，它是一个什么样的分析方法，它叫多分类无序逻辑回归啊，没有说是有序的，就默认它是无序的， 它的音变量要三个及以上的一个选项，比如说某个品牌，它是 abc 或者上班方式，或者你的专业的选择，它每一个选项它都是没有顺序的，而且不分先后， 每一个选项它都是独立的。所以说你必须使用多分类无序的逻辑回归分析。 如果你是两分类的，那就直接使用二元逻辑回归就可以了，通常会用在一些医学的比，通常会用在一些医学的病人啊，或者这种专业的选择上面。 主要分主要的一个思考，主要的一个内容就是他会将其中的某一个作为参照， 然后将其他的比如说一共是 a、 b、 c， 它会把 a 作为参照，然后 b 跟 a 组合进行对比，然后 c 跟 a 进行对比，其实本质上它还在是做一个，做了多次二元逻辑回归，比如说像这样的三分类的， 这是一次二元，这样做的一个跟雅变量有点相似，虚拟变量有点相似，两个两个的去做对比，做的二元逻辑回归分析，它的一些解释跟二元逻辑回归都是差不多的，我们实际到时候看了之后就知道以 o、 r 或者系数和它的 p 值为准， ok， 我 们看一下他是什么样的一个数据哈，他是一个这样的问卷数据，我们这个问卷里面他没有一个无序的逻辑回归变量，但是我就直接以这个产品的购买频率来作为无序的，我把它看作无序的哈，其实他是有序的， ok， 我 们来看一下他的自变量，就是后面的量标题一共是五个维度，就把它当做自变量， ok， 我 们先要告诉他 应变量是购买频率，后面几个维度是 自变量， ok， 我 们把这样告诉他之后，让他去执行多元无序逻辑回归分析，就在这个下面。 多分类逻辑回归，因为你没有说他是有序的，都默认把他当做无序逻辑回归哈，如果是有序的话，他会在前面打一个有序，后面几个是自变量， 请你做多元无序逻辑回归分析。当然你直接叫他做多分类逻辑回归分析也是 ok 的， 但是这个音变量他按理来说是应该用这个无序的，但是我这个数据里面没有无序的变量，所以说就直接用购买频率来作为无序的。我不知道他会不会提醒我， 如果提醒我的话，我就直接告诉他，我就要把他当做一个无序的，请你执行无序的逻辑回归，他说你这个是有序的，必须要做有序逻辑回归， 我直接让他执行无序的逻辑回归。给大家演示一下这个分析结果是怎么样看的？这个是有序的哈，有序的其实跟现行回归很相似，没有什么特别大的区别。 ok， 他 没有进行执行，所以说我提醒了他一下， ok， 他 说是多进行多分类，无序逻辑回归了。 ok， 这就已经是多分类逻，无需逻辑回归。它参考是使用的这个 a 首次购买作为参考，可以看到，因为它只有 a、 b、 c、 d， 它三四个，相当于 这个是 b 跟 a 对 比，它拟合出来的一个二元逻辑回归，这是 c 跟 a 对 比，这是 d 跟 a 对 比的结果。 我们来看每一个他是什么样的，因为这个模型他的数据并不是太好，所以说他这个模型是不太好的，他 p 值一般。我们看这个模型的礼盒，这是模型的一些礼盒参数，看他要小于零点零五， 他这个模型就是 ok 的，是显著的，也是有意义的，这个是没有意义的，因为这个数据本身就不太好。我们看一下这个 b 跟 a 对 比和它的意义是什么？就是我偶尔购买跟这个 不怎么购买，偶尔购买跟首次购买，他们两个进行二元逻辑回归进行对比的时候，这几个变量它是怎么样的一个影响 它？首先它都是没有显著影响的啊，唯一稍微显著一点的就是这个合作效果，它这个的意思我们比如说它是显著的，我们应该怎么看？首先如果这个合作效果它是显著的，代表合作效果会影响 偶尔购买和首次购买他们之间的一个选择，他是负向影响的，代表的什么意思？如果他认为这个跟这两个的合作效果是更高的，代表他会更倾向于首次购买，因为他是负向的，他的编码就是 首次购买为零，偶尔购买为一，这个如果负向，他就会更倾向于零， 说明他是这样的一个附象营养，当然这是因为数据并不是特别好，他不太符合这个常识。另外一个也是一样的，比如说这个经常购买，他也是附象的代表，这个也是 这个合作效果越高，他会越倾向于是首次购买，就大概是这样的一个意思。我们来看一下他的一个解释吧。在本次中，然后做了一下，他的解释率是比较弱的，然后影响是有限的，因为这个模型并不是特别好，他其实不用特别去解释他， ok， 这就是多元有序逻辑回归分析的一个做法。下个视频我们讲一下多元有序逻辑回归分析。

论文要做数据分析的，直接用这个 ai 工具就够了，就这个 q s p s s， 直接这里上传数据，然后直接一句话告诉他，帮我做一个相关和回归分析， 他直接就帮我们做出来了相关分析。那回归分析表格都是标准的论文筛选表，复制粘贴到 word 就 可以，直接用的，非常的方便。那后面他还帮我们把相关和回归分析的结果解释都整理出来了，相关分析的然后结果解读，后面是回归分析的结果解读， 还有后面解释的清清楚楚的，太方便了，一句话就搞定了。回归方式也有，结论也有，我再让他通俗易懂的几句话给我解释一下回归分析什么意思，他又给我做了一个解释，如果说我们还看不懂的，直接打字告诉他就可以。 这边还有其他一些分析方法，想要选择的话，也可以直接点击或者是直接对话告诉他，再帮我做点其他分析都是可以的，一句话就搞定了，非常的方便。

有 ai 之后，这些 spss 的 数据分析都不用再学了呀，就是这个，切 spss 在 这里上传数据， 然后让他麻溜的看一下我的这个数据适合做什么分析，严谨的做出来，我马上要去汇报，做的不好我就卸载你，他就自己帮我看到我的数据，选择了变量，先帮我做了一个评述分析基本信息题的，然后又做了一个多选题的分析， 后面做相关分析，方差分析，这每个表格都是标准的论文筛选表，非常的方便，结果也不需要我们去整理了。那刚才要做的一个数据分析的一个规划也帮我们列出来了，数据分析的规划怎么做的这些分析 太方便了。然后后面他根据分析的结果帮我们把文字分析报告文字的解释都给做出来了，还有总结也有，然后刚才看的这里，每一个分析报告文字的解释都给做出来了，太方便了。

马上要写论文的，论文里面有数据分析的这个视频必收藏，教大家怎么样用 ai 一 句话做出 spa 里面的这种格式化图标，不需要学什么操作，只需要会打字，然后能看得懂 你想要做什么图标就可以了，能说出你想要做的图标类型就行了。我们来看一下怎么样做哈。首先我们新建聊天上传你的数据，或者直接用他的视力数据， 我们可以问一下他，你可以做哪些格式化图标， 请你给我的数据一个建议，我们问他一下，然后他能做哪些，我们再来做选择也可以，可以，他就说了一下建议分类变量，柱状图，镶线图，小庭情图。 我直接按照生成的他的一个建议来让他生成一个在品牌忠诚度在不同年龄下面的相线图， 不同年龄下，我们看一下这个数据哈，这是一个年龄，然后就是品牌忠诚度最后的这种连续变量生成的不同年龄下的相线图， ok， 这就已经生成了相线图，然后可以进行下载，没下载成功， 如果没下载成功的话，可以直接点复制，复制图像就行了，或者直接另存为就可以啊， 这样就相当于把一个可识画图标已经生成了，他就说了一下我们生成了这几个的平均值，在不同年龄组下的镶嵌图，当然你还可以做更多的这种可识画图标，你继续叫他做一下就可以了。比如说这个热力图，这个热力图还是挺好看的， 请生成什么雷达图啊，散点图啊，柱状图啊，堆叠图这些都可以的。我们来看一下还是这个热力图吧，热力图挺好看的。这就是热力图啊，其实是一个相关性分析啊， 它的对角线是一，这就是它的相关性。大概是这样的，还是挺挺方便的。

有 ai 之后还学个 p 的 s p s s， 我 找到一个 ai 工具，就是这个嵌的 s p s s。 我 上传数据，让他思考一下我的数据适合做什么分析，然后做出来再写上结果的文字分析。他根据我的数据自己选择变量，先帮我做了一个评述分析，又做了一个多选题的分析，描述分析、方差分析 啊方差分析，这些表格都是标准的论文筛选表，我们直接复制粘贴到 word 就 可以用的表格也不需要我们去整理，非常的方便。 后面是相关分析，细心回归分析，那刚才他做分析的一个分析计划怎么做的也给我们列出来了，那后面是文字分析报告，就是每做的分析的结果的解释都是有的，一句话就搞定了，真的太方便了，一句话就搞定这些所有的分析，然后带文字分析报告，文字的解释都是有的。

大家好，给大家分享一下如何用恰当 s p s s 直接一句话做出独立样本题检验。首先我们来看一下独立样本题检验是个什么分析，他的分析目标就是比较两个组别，两个互不相关的组别。采用独立样本题检验，比如说男女组别和比如说两个不同的班级，文科和理科这种副 这种互不相关的组别，他在某一项指标上的差异，比喻就是一对一看下他们哪一个的分数会更高，主要的指标就是 t 值，其实这个也不需要特别去看， 他主要对比的就是他的平均值和标准差，重点是他的平均值就是两个组别他计算出来他的指标数的平均数是多少，比如说一个班级的男生和女生，他们的平均数学分值是多少， 然后 p 值就是看它这个差异到底显不显著，如果是小于零点零五，它的差异就是显著的，而且是真实的。就常规是用在 a b 测试，或者说实验组、对照组、吃药组和吃糖组，看一下这个病毒量，或者说它的治愈效果是否有差异，是否有显著的区别。 我们还是以数据来说话，我们就以这个问卷数据来说话，这个问卷数据没有一个二分类的变量，但是这个多选择题是可以把每一个题目是否被选中看作一个二分类的变量。比如说 a a 的 选项是否被选中看作二分类变量， 它的音变量它就是它的指标，也就是比如说它的分数就是最后的维度，这个维度是由量表题组成四个量表计算出来的均值。然后我们重点是看 t a 检验，所以说我们可以按照快手和抖音是否被选中， 来对比一下他的忠诚度是否有差异，就是他从快手和抖音上来的人，会不会跟在其他的地方来的人，他的品牌忠诚度有什么区别，有没有显著的差异，我们看一下具体怎么做。首先新建聊天 上传数据，直接使用他的这个视力数据就行了，他视力数据就是我们刚才看的这个数据，比如说抖音快手， 我们可以直接选择这个，再选择最终的这个忠诚度变量，然后再选择独立样本体检验深层分析指令就可以了。当然你也可以自己打字，请你看一下抖音快手是否被选中，对应的品牌忠诚度之间是否有差异，直接告诉他你的研究目的就可以了。 ok， 我 们直接发送，这样是一个比较明确的，当然你稍微不明确，其实他也是可以进行识别实形的，可以看到他就已经执行出来了。首先他说了一下， 因为这个分组变量他是一个二分类的变量，因变量是一个连续数值变量，所以说用这个独立样本 t 检验是比较匹配的，无需任何的调整。然后执行出来的结果就在这里，我们看一下怎么样看这个前面就是均值，后面就是标准差均值， 在这个组别的时候，他的忠诚度，他计算出来的平均值，这两个进行对比， p 值就是这两个的差异显不显著，可以看到一个是四点二三，一个是四点幺七，他的差异不大，所以说他的 p 值也会比较大，他就没有小于零点零五，所以说他是差异不显著的。 如果这两个差异大，比如说这个是四点二三，这个是三点几，它 p 值就会显著了，就会小于零点零五了。我们看一下这个 ai 它写的一个文字解答，看一下是不是对的。结果显示两个组别在品牌忠诚度的平均水平差异并不显著， ok， 无显著性，这表明 依赖不同渠道的用户获取方式并不是品牌忠诚度形成的关键驱动因素， 因为他两个并没有差距，所以说并不是一个影响的因素。当然你也可以直接复制这个表格，放在 word 中就是一个标准的论文三线表，这样就 相当于把一个分析报告就完成了，当然还可以去做更多的分析或者做其他的体检验。但是一定要记得总结一下，这个分类变量必须是二分类变量才能做体检验，如果是多分类变量，就要用方差分析或者其他的。

大家好，今天给大家分享一下如何用恰当 s p s s 一 句话做出这个非参数检验。可以看到这个非参数检验，我们先看一下非参数检验是什么东西，它主要的目的就是处理这种非正态或者方差不齐的数据，但是我们又要去对比它的 两个组别或者多个组别之间它是否有差异性，我们就没办法去用君子来考一考量，因为只有你是正态的，你才能用这种方差检验或者 t 检验，就是正态检验。挂科后的 b 计划 可以这样说，之前普通轿车或者比较好的车，它使用 t 检验或者方差分析，它就可以跑这种正态性的数据，但是这一个非参数检验，它不光可以跑两组的，也可以跑三组的，虽然它不是那么准确，但是它还是能反映这个差异的情况。 我们看一下它主要分成两个比例啊。首先两组使用 u 值，使用这个检验三组的话，使用这 h 检验它核心的逻辑，它不是比的平均值，它是比的一个中位数， 因为平均值它可能被这种极端值所影响，如果中位数它就不会被极端值容易影响。我们看一下结果呈现，如果之前的这种梯减线和方差分析，它就是阻别，然后其中就是均值加减标准差 的方式，重点是均值，那么他就是用的中位数写法就是 m 就是 中位数，是前二十五百分之二十五的百分数，后百分之七十五的百分数。这种情况等级的一些数据，反正就不符合这种正态的，不符合方差，奇性的都使用这种非参数检验。 怎么比喻？这个比喻会非常好，比如说两个组别，一个组别其中有一个马云，一个组别都是普通人，他都是标准的。 这两个组别进行对比的时候，你不能用均值，用均值你想要说明第一个组别它的收入会更高吗？它的整体情况收入会更高吗？肯定不能用这个方式，如果我想要看，我就用中位数，两个都用中位数，这样来对比一下就比较合适。 我们以实际数据来说吧，比如说这个维度量表题目后面几个就是它的量表题。我们以最后的品牌忠诚度，也就是音变量，我们来看一下这种 年龄范围，他是否是有区别的。因为我之前也做了一个正态检验，如果用非常严格正态，他是绝对不严格正态的，因为我的数据也没多少，他是一个问卷数据，所以说他大概有不是严格正态的，我直接让他做一个，请你做一下年龄、 品牌忠诚度，他的非参数检验，让他生成一个命令， ok， 直接让他做就可以了。当然你也可以跟他说，我想要看一下这两个的差异，就是不同年龄和这个品牌忠诚度之间的差异。 当然你得告诉他，我得用严格的标准我的品牌忠诚度，他的其放大其性或者贡献性，不是贡献性哦，正态性是不对的，所以说你必须要用非参数检验，当然你也可以告诉他，给我先做一下前提检验，再去给我对比它们之间的差异，这样也是可以的， 我们看一下他就执行出来了结果，这就是他规划的一个过程。我们来看一下，且品牌忠诚度虽然近似正态，但是严格正态并没有通过，因为我之前做了一个正态性检验，这 他严格正态是不对的，他是 p 值小于零点零五的，所以说他不是严格正态的，我们应用严格的标准，他就是非正态的，所以说我们要用非参数检验，可以看到他的 p 值 就是大于零点零五的，所以说这几个之间是没有差异的，不是没有差异，差异不显著的，这个就是他的 中位数。其实后面这个我们都不用特别去关注，我们重点是看他的中位数之间的对比，可以看到他中位数之间的对比，最小的和最大的他其实没有差的特别多，只差的零点五，所以说他的差异没有特别大，没有达到显著的水平。当然如果你显著性取他的零点一， 那么它就是有显著的差异了，可以说它是在近一次显著，我们看一下它的结果，在本次结果中，我们采用了非参数的方法来对比它的差异， 结果显示在差异不显著，具体而言，在零点四和零点五之间波动相似的变异范围，发现年龄并没有显著的影响这个品牌忠诚度， 他说这就可能受到其他因素的影响。这个品牌忠诚度，他说这就可能受到其他因素的影响这个品牌忠诚度，他说这就可能受到其他因素提供的启示， 而非这个年龄分层进行优化。他也看到接近零点零五的区域值，年轻组会个位，这种中位数会更高，也许可以通过扩大样本来看一下这个年轻组会不会变得更加显著？ ok， 这相当于就把这个非参数检验就做出来了。我们直接复制表格到 word 中，然后再把文字复制到 word 中，就相当于把一个报告就做出来了。

现在 ai 已经这么强了吗？感觉都不用学这个 s p s s 了呀！这个倩婷 s p s s ai 工具，他直接一句话就可以将数据分析搞定。 比如说我要做数据分析，我就直接在这边上传我的数据，然后告诉他因变量是品牌忠诚度，然后让他自己选择自变量，帮我做一个回归分析，他就先看了我的数据，选择这三个变量作为自变量。 我说好做吧，他就直接将结果给我做出来了，包括非标准化、标准化系数，还有替值、显著性、贡献性诊断。而且我还将它这个结果和用 s p s s 做的对比了一下， 发现它们两个做的都是一样的，这下也不用担心它的正确率，表格还是标准的三线表，我直接在这里复制粘贴到 word 里面就可以了。最后面台对分析结果进行了解读，这些解读也都通俗易懂，可以直接使用，真的太方便了，现在这个 ai。

ai 这么强，还学什么 spss？ 马上要写论文的，论文里面有数据分析的这个视频必收藏，教大家怎么样一句话做出 sps 里面的具类分析，包括论文可用的表格和对应的文字解释， 不需要学什么专门的统计知识，不需要学什么操作方法，更不用背什么这些指标，它到底是什么意思？ 只要看完这个视频会打字，你知道你的研究目的是什么，就一定能做出来。我们先看一下这个据类分析到底是个什么样的分析，大概给大家讲一下它的意义是什么。 这个目的就是为了可以从数据中体现出来什么样的类别。比如说一个社交的酒会，我们一群数据，或者我们一群人进去，我们一会可能自然而然的 从我们个人的一些特征，也就是数据的一些特征，他可能会聚成某一些小圈子，而这些小圈子就会分成不同的类型。比如说喜欢聊股票的，喜欢聊八卦的，喜欢聊足球的，这是由数据的特征所引起的。 然后具体是怎么样分的，就是由欧式距离，我们其实不用管这是什么，欧式距离就是他数据的一些特征， 然后树状图也可以，但是也不用去管，我们只需要知道它是通过数据本身的一些特征来聚成的某一个类型类别，当然这个类别多少，你要聚成多少个是可以你自己指定的，一般我们都是聚成三类。 ok 核心应用应用于客户的分类，比如说你可以自动的把客户的一些行为把它分成高价值 vip 的 客户，比如说他的付费意愿很高，而且对价格敏感度不高，而且他的需求比较旺盛，比较多，羊毛党就代表他不愿意付费，但是他又要薅你的 东西，那么就属于羊毛党沉睡客户就是属于他什么都不太积极的这种。你把人群分成了这几类之后，你可以通过这几类的一些特征去做一些针对性的优化。 ok， 我 们来看一下数据是什么样的？ 这个数据是一个问卷数据，它后面分成了量表题，它主要是一个忠诚度和满意度的一些问卷。就看一下这个品牌它在社交媒体、社交电商上面的一些消费体验和看法，这个是内容吸引力，然后合作效果， 他就可以通过这几个我们去做一下剧类，看一下他会分成不同的什么样的人群，然后我们再针对这种人群去做一些呃措施和优化。我们看一下这些人群他的一些特点是什么。 ok， 我 们来看一下具体怎么样做。我们先新建，然后上传数据，直接使用他的视力数据，他视力数据就是这一个， 然后我们可以看到它后面就是它量表题，据做出来的几个数据维度维度的得分。 ok， 我 们可以直接选择，这样就比较具体，选择中，然后我们选择据类分析， 然后分生成分析指令就可以。请对这个进行据类分析，你觉得有什么甜甜的调整，请告诉我，当然我们也可以直接告诉他我们的研究目的，我们想要将这里能不能据成几类，然后分析一下这些用户的一些类型。 ok， 他 就已经做出来了，然后我们看一下他的规划，我理解您的需求，希望基于这几个将这些消费者满意度维度进行具类分析， 这是一个什么样的探索方法？这些变量均为连续性数据，适合用 kimi 具类来进行消费者的群体与区分。 ok， 默认具类成三个，当然你也可指定这些变量选择也合适。 没有明显的方法论问题，我们将直接进行分析， ok， 它这就是正在执行它的一些分析方法了，它在调用这样的一个分析工具。 ok， 这个结果就已经出来了，我们先看一下我们自己怎么样解读啊。首先这个 came in 句类，它就会聚成这样的三个类别，但是这三个类别就是由它的数据来做的，自然而然的句类，每一个类别它会分成不同的频数，可能有多少一个， 有多少个人，每一个类别有多少个人这样的。然后最最重要的来了，我们通过方差分析，或者说每一个类别它的一个均值和标准差可以看到， 比如说第一个类别他的这种对于社交媒体的内容吸引力，第一个类别他的吸引力就不高，第二个类别就高，第三个类级别就属于中中等的。我们可以根据他们的一些人群的特点，我们将这三个类别命一个名，我们看一下他命名了没有， 他没有命名，对这三个类别命名， ok， 我 们可以告诉他，请你对这三个类别的特点命 名打错了啊，我让他给这三个特点命名，并针对这些特点提出一些政策或者措施建议。 ok， 那 他也是识别出来了政策建议， ok， 他 命名成了运营导向型消费者，代表这些群体在思域运营的维度满意度是最高， 反映他们对这几个他的特点是什么。针对性的一些分析了，全面满意的是比较多的是九十九个人， ok， 全面满意了，这个就没太大的关系。然后这个是属于合作不满意型的，我们看一下他是以什么样的形式。这个群体在这个满意度上是比较低，整体忠诚度也是比较低的， 但是他们跟网红合作的真实性、相关性存疑，可能潜在流失型消费者需要针对性的 转化或者干预。 ok， 就 应该提出什么样的措施，比如说优化这种真实性或者这种措施，我们就可以针对这样的一个特点进行具体的措施的实现，就能提高比较大的一些满意度。 大概是这样的一个过程，剧类他的目的就是为了分清楚他人群有什么不同的特点，然后再针对这种特点进行一些优化。