spss里面row是什么意思

这节学习 ro 函数， ro 这个单词是行的意思，通过 ro 函数可以得到指定单元格的行号。它的语法很简单，它只有一个参数，单元格。引用 这个参数，可以是一个单元格，也可以是一个单元格区域。如果是一个单元格，那么它会得到该单元格的行号。比如说下面这个例子，等于 lo 括号 d 三，那么它最后的结果是一个数字三，代表第三单元格的行号。第三行， 如果这个参数是一个单元格区域，那么它会得到这个区域最左上角那个单元格的行号。那我们来实际操作一下，等于 ro， 这里我选择 a 一 单元格，那么最后的结果是一，为什么呢？因为 a 一 单元格在第一行，它的行号是一。 好，那我这里的参数呢？他也可以是一个单元格区域，比如说我选择这块区域，那么他最后得出的结果是什么呢？他最后会得到这个区域里面最左上角这个单元格的行号，比如说这个最左上角单元格是 c 九在第九行，所以他最后的结果就是九。 这个参数它可以是一个选择整个单元格区域，那么也可以整行选择，比如说这样子选择，那么最后结果呢？同理，它会得到这块区域里面最左上角这个单元格的行号。四。当然这里面的参数也可以放空不填， 那么它会得到当前单元格所在的行号，当前单元格就是 c 三单元格，它在的是第三行，所以它的行号是三。再看下面这个函数， lose 加了一个 s， 它得出的结果是函数，就是有几行的意思。 好，我们来做一下，等于 rose 啊，我选择这块区域，那么这块区域里面有几行呢？有三行，那它的结果是多少呢？就是三 好，现在我们要通过 rose 这个函数来实现这几种序列效果。我们来看第一种，一二三四五六七啊，这种递增的，那么我们可以这样做，等于 rose 选择 a 一 单元格，现在我们下拉填充 好，我们就得出这个效果了。那么也可以这样子做，等于 low， 我 里面不放参数，那么它会得到当前单元格的行号，现在我再给它减一。 好，现在我在下拉填充， 方法虽然不一样，但是它最后得出的结果是一样的。再看第二种，二四六八式都是偶数的，那怎么做呢？等于如果 选择 a 一 单元格，然后再给它乘以二，现在我们下拉填充 好，我们就得出这个结果了。再看最后一个一三五七九，这里都是奇数的， 那我们仔细观察一下，我们可以发现这里的基数都比这边的偶数少一，所以呢，我们可以在这个公式的基础上再给它减去一就可以了。等于 low， a 一 单元格乘以二，好了，现在这个基础上给它减一，现在我们下拉填充 好，我们就得出这个序列了。入函数一般不单独使用，它，一般和其他函数嵌套起来使用，我。

各位同学大家好，欢迎大家来到知己数据分析课堂，今天呢我们从宏观上啊来梳理一下问卷分析的一个思路和它的一个基本流程。 当我们来进行问卷分析的时候呢，首先我们的问卷也要大体符合这么几个部分啊，我们的研究里面呢包括了一些基本的人口学变量，然后呢再包括了一些具体的量表 啊，我们整体的思路是这样的，有有一部分呢是人口学方面的，有一部分是量表方面的，那么我们要针对我们的研究假设来进行一系列的检验， 那么当我们收集完数据之后呢，我们要开展一系列的转位工作，包括了我们的数据的基本整理，检查这些无效的，异常的缺失值以及反向积分的，为我们接下来的一个分析工作呀来奠定一个良好的基础。 那么我们的第一个分析就是我们第一步要做的呢，主要是针对于我们的人口学资料进行一个频率统计的分析， 他的目的呢主要是为了了解我们对调查群体的一个基本状况是怎样的，比如他的年龄分布啊，他的一个呃户籍状况，他的年级分布，他的收入水平等等一些基本信息啊，帮助我们来了解这个群体是不是符合我们所研究的一个基本对象。 第二点呢是我们要针对我们的量表部分来进行一个质量的检验，主要是包括了一个信度和效度的一个检验，那只有通过了信度和效度呀，才能够证明我们这个量表呀是是可以进行使用的， 那么在量表有一个良好的可能性和有效期的基础之上呢，我们需要针对我们的量表的一个基本的得分情况呀，进行一个描述性统计分析。我们在分析的时候呢，可以针对于我们的总体，是不是也可以针对于具体的一些题目呀？ 这样可以帮助我们很快的来了解我们所调查的群体，他们的一个基本状况是怎样的啊？是描述性的一个统计分析，那接下来呢，我们可以针对我们的人口学变量来进行一个差异性的一个检验，那主要针对的就是我们问卷中的一个核心的音变量， 那么人口学变量呢，就是之前他们所做的那几个啊，那么这个的分析的主要的目的呢？是为了去了解哎，不同群体，他们在我们所研究的这个变量之上是不是存在的一些差异性啊，一些抑制性， 另外呢，也可以帮助我们很好的去筛选后续研究的一些具体的控制变量，应该是哪一些啊？ 那么再往后呢，我们便可以针对我们的核心的研究变量来进行一个相关性的分析， 那么相关性分析呢，主要是针对变量之间的一个方向和强度进行了一个相对来说是一个定性的一个描述啊，那这个结果呢，是不能够去验证我们的一个假设的， 那么最后呢，我们就需要针对我们的研究假设呀，来采用回归分析的方法，这里面一定要注意哈，我们每一个假设的具体情况不同，大家要根据假设的具体的情况来去构建 有针对性合适的一个分析模型啊，这是最最最重要的，大家一定要根据自己的假设来进行分析，按照假设的顺序来进行分析就可以了。 那最后呢，我们可能会针对我们变量之间的一个复杂的机制呀，来进行一个探究。那么我们常用的一些机制检验呢，主要就是包括了中介效应检验和我们的调节效应检验。哎，这么两个核心的部分， 那么在这个基础之上呢，我们可能进行一定的综合，比如说啊，采用的是平行中介链式中介，可能和中介和调节可能会放在一块啊，那么在这个分析的时候呢，我们有各自对应的一些分析方法，大家可以回顾一下我们之前的一个课程。 ok， 这又是我们关于一个较为基础的一个问卷研究所能够进行的一些统计分析方法的一些基本的思路啊，那么这个呢，可以帮助我们来应付一个本科啊，或者说研究生的论文 啊。当然呢，我们后续呢，还会讲一些比较间接的一些方法，比如说我们要讲的是确认性的因子分析啊，以及我们的结构方程模型，还有一些纵向下的，比如说交叉滞后 模型，还可能会涉及到我们的多层现象模型等等一些比较复杂的方法，我们就单独来开一个专题来进行讲解啊。 ok， 这就是关于我们今天问卷调查分析速度的一个大题的总结，我们讲到这里，大家再见。

用 spss 一 键生成 t 检验和方差分析。大家好，我是小师姐，今天教大家做出表一这样的差异性分析的表格。先把参照表格放在右上角这里，这个是做不同人口学变量下购买意愿的差异性分析，根据这个 t 和 f 可以 看到它，这里使用了 t 检验和方差分析。 性别是二分类的，所以性别在购买意愿下的差异使用的是 t 检验。年龄、月收入和职业是多分类的这三个就使用方差分析。先来做一下这个性别的独立样本 t 检验，点击分析 比较平均值。独立样本 t 检验，把性别放入分组变量，点击定义组，在使用指定值这里输入一和二。继续 把购买意愿这个连续性的变量放入检验变量，这个可以暂时不需要确定。在生成的原始结果中一共有两个表格，我们需要把两个表格的内容整合一下，最终汇总成这个样子。这个 n 就是 两组的各按数 购买意愿中的均值加减。标准差就是组统计中的平均值和标准差。这个软件生成的一般是多位小数，最终的结果一般需要保留两位小数。 然后这个 t 值和 p 值就是读量本检验中的 t 和显著性双尾的值，这个是 t 检验。再来做一下方差分析，点击分析 比较平均值，单一做 nova 检验，先来做年龄，把年龄放入因子，购买意愿放入音变量，点击选项勾选描述，继续确定。这个是方差分析的结果。同样的也是需要把各个分组的年龄和平均值、标准差汇总在这里。 f 和 p 值就是 annova 表格中的 f 和显著性，这个月收入和职业是一样的操作，点击分析比较平均值单因素 annova， 然后把年龄拿出去，月收入水平放进来，后面三个的操作都是一样的，只不过换一下这个因子就可以了。确定 把这里的样本量均值标准差， f 值显著性整理在这里。职业也是一样的。我就不演示了，因为 spss 生成的它都是这样比较多比较乱的表格，有一些指标也是我们不太需要的，所以只需要提取这里面关键的数据整理在一起就可以了。

s p s s 官方来给大家讲交互作用分析了，今天我们来聊一聊在 s p s s。 中如何进行交互作用分析。交互作用分析是统计学中非常重要的一个功能，它能帮助我们判断两个或多个字变量对应变量的影响是否存在协调效应。 也就是说，一个变量的作用是否会随着另一个变量的变化而改变，从而判断是否存在统计意义上的交互效应。如果交互作用显著， 那就意味着这两个变量不是独立影响结果的，而是彼此关联，共同起作用。这个功能主要适用于在教育研究中，我们想了解教学方法和学生性别是否共同影响学习成绩。在市场营销中，分析广告渠道和消费者年龄是否联合影响购买意愿。在医学领域， 探究药物疗效是否因患者的基因型不同而有所差异。上案例假设我们正在研究两种不同的教学方法，传统讲授法为 s 探究式教学和两种不同的学生基础。 基础薄弱 vs 基础扎实对学生期末成绩的影响。其中教学方法和学生基础为分类变量，定义为名义变量，期末成绩为连续变量，因为标度变量。 跟我操作，在 s p s s。 顶部菜单栏中点击分析一般线型模型干变量。在干变量对话框中，将期末成绩拖动到音变量框中。将教学方法和学生基础拖动到固定因子框中。接着点击右侧的图按钮，将学生基础拖到水平轴，将教学方法拖到单独的线， 点击添加，点击继续。最后点击右侧的选项按钮，勾选描述统计，勾选习性检验，点击，继续点击确定。 最后我们来解读 s p s s 的 输出结果。描述性统计这个表格会显示每个组的平均成绩标准差和样本量，就为我们提供了初步的印象。从均值上看，传统讲授法对基础扎实的学生效果更好，而探究式教学对基础薄弱的学生效果更好，这初步暗示了可能存在交互作用。 方差。同等性检验，这个检验用于评估各组应变量方差是否相等。所有 p 值均大于零点零五，表明各组方差其性假设成立， 我们可以放心地进行方差分析。主体间效应检验，这是最核心的表格，它包含了主效应和交互作用的 f 值、显著性 p 值和效应大小偏 a a t 方，教学方法的主效应 p 小 于零点零一，主效应显著。学生基础的主效应 p 等于零点零零三，小于零点零五，主效应显著。 教学方法与学生基础的交互作用 p 小 于零点零一，这表明教学方法和学生基础之间存在非常显著的交互作用。 p e t i 方为零点八三七，说明交互作用解释了期末成绩方差的百分之八十三点七，这是一个非常大的效应。当交互作用显著时，我们通常不单独解释主效应， 因为它们的效果是相互依赖的。抠面图，这是可视化交互作用最直观的方式。当以学生基础为水平轴，以教学方法为单独的线时，传统讲授法的线从基础薄弱约六十七分 上升到基础扎实约七十七分。探究式教学的线从基础薄若约八十七分下降到基础扎实约七十一分，这两条线明显不平行，并且会发生交叉，这直观的支持了显著的交互作用。通过刚才的分析，我们发现教学方法和学生基础对学生期末成绩存在显著的交互作用。 p 小 于零点零零一。 这意味着我们不能简单的说哪种教学方法更好，或者哪种学生基础的学生成绩更高，因为教学方法的效果会因 学生基础的不同而显著改变。交互作用分析能帮我们更深入地理解变量之间的复杂关系，避免简单归因，提升研究的科学性和实用性。如果你只看主效应而忽略交互作用，可能会错过关键的洞察。

s p s s 官方来给大家讲变量标签了。在数据分析中，数据的可读性直观重要。今天我们将聚焦 s p s s 中的一个非常实用的功能变量标签，它能让您的数据一目了然。想象一下，您正在处理一份关于在线学习体验的调查问卷数据，比如这里有一列叫做真的，另一列是 s t s。 如果没有说明，您能立刻知道这些英文代表什么吗？这显然会给数据理解和后续分析带来困扰。这时候，变量标签就派上用场了，它们就像是给您的数据贴上了清晰的说明书。 跟我操作，点击底部的变量式图，找到需要添加标签的变量所在行，在该行的标签列中输入对该变量的详细描述。例如，变量名真的添加标签性别变量名 satisfaction 添加标签对在线学习平台的满意度。这样，在后续的分析报告中， 您看到的就不是简短的变量名，而是完整的中文描述，是不是清晰多了？有了变量标签就能快速理解数据，所以，在您开始任何 spss 数据分析项目之前，花几分钟时间设置好变量标签绝对是事半功倍的好习惯。

大家好，这节开始我们学习第五章 splash 的 参数检验。 那么我们学习统计学，知道统计分析方法分为两个大类，一个是描述统计，一个是推断统计。 描述统计主要研究的是数据的收集、处理、汇总、图表描述等等，那实际上就是我们学习的第四张的内容，对吧？那么推断统计，它是根据样本的数据来推断总体的均值、方差、比例和分分布等总体特征的方法。 那么这张我们要学习推断统计的参数检验。参数检验是推断统计的重要组成部分，我们来看一下这么一个图，统计方法，它分为 描述统计、推断统计。推断统计又分为参数估计和假设检验，这是我们统计学的时候学习过的。那么为什么要通过样本数据来研究总体啊？因为总体数据我们没办法全部收集到，另外一个 总体数据可能收集的成本太高了，尽管我们可以收集到，对吧？那利用样本来推断总体，通常是在两种情况下，一种是我们知道了总体分布的特征，那么我们用参数检验的方法，也就是第五章要学习的内容。那另外一个是 总体分布特征我们不知道，那么我们用非参数检验的方法，这就是下一章第六章要学习的内容。那么在十八十中，对于总体特征的推断，一般是采取参数估计和假设检验两者相结合的方法，这两种方法的原理基本是差不多的。 那呃，在参数检验中，我们主要要学习一个是单样本的体检验和两个配对样本的体检验。 那现在我们再来回顾一下假设检验的四个基本步骤，一，提出原假设和背折假设。第二，选择检验的统计量，第三，计算发生的概率 p 值。第四，给定一个显著性水平算法， 然后做出决策，如果概率 p 值小于用户，也就是我们给定的显著性水平算法，那么拒绝原假设，否则不能拒绝原假设。 现在我们来看一下单样本 t 检验，单样本的 t 检验它实际上是对总体均值的一个假设检验，就是通过样本来推断总体的均值，那我们 一起来学习这案例五，一杠一就是为了研究一个信用卡的消费现状，对于某个地区五百名信用卡持有者进行了随机调查，这个是我们的样本，那么我们得到了这五百个样本的平均的刷卡的金额，对吧？那么我们估计就是 该地区信用卡刷卡的金额的平均值是不低于三千元的。那现在我们要来验证这么一个假设啊，那么有个前提就是说单样本的 t 检验，这里面 它的这个来自于总体的这个样本，对不对？那么这个总体应该服从或者近似于服从正态风波。那么在这个题目里面，这是一个单车检验的问题，那么原假设是 mu 是 小于等于三千元，对不对？那么我们背折假设是大于三千元，我们是打算推翻这个元假设的，我们这个假设是，现在我们来看一下案例，我们在数据编辑器窗口 打开啊，信用卡消费这个文件，它现在就一个变量， 对吧？月平均刷卡金额，然后我们再来看一下这里面一共他是有五百个个案，对吧？他有五百个个案，一共是五百个个案，那么五百个个案，我们现在来 做一个单样本的体检验，我们还是从这个主菜单的分析进入，然后这进入这个比较平均值，从这个里面再进入一个 单样本的体检验，在这里啊，单样本体检验，这样我们出现一个单样本体检验的对话框，那检验的变量是什么？就是刷卡金额， 那检验值是什么？检验值就是我们我们自己的一个假设，三千元，是吧？三千元，那么选项这里我们看一下有什么啊？选项他是自行区间的百分比，他是这是我们给定的，我们就给定一个百分之九十五，那我们就用他的默认值， 当然你也可以选百分之九十啊，或者是百分之九十九啊，但一般用百分之九十五，那自助抽样，我们不管他，那现在我们点确定， 确定完了，然后我们得到了这个 t 检验的这个结果，我们来看一下第一个这个上面是 呃单位统计的，这个是一般的这个统计量的这个情况，那我们可以看到个位数是五百，这里是平均值 四千七百八十一点八七八六元，那平均值是不能算的，对不对？如果里面有出现异常值，如果这五百个个人里面有几个人，他刷卡是刷的特别多的，或者一些特殊情况，那是平均值就会拉高了，这个不能代表什么的。那我们来看一下底下的这个 单单样本的这个检验的这个结果，检验值是三千，看到那么 自行区间是百分之五十。好，那我们可以看一下这个第二列，第二列就是我们的 t 统计量，那 t 统计量它是怎么来的呢？这个观测值， t 统计量的观测值五点三七是怎么来的？它实际上是是用这个平均值的差值来除以上面的这个标准误差的平均值， 就得出了这么一个值。好，第三列就是自由度，自由度是怎么算的？是 n 减一，对吧？就是五百减一，他的就是变成四百九十九，那这里得出了一个 p 值，这是一个双侧概率，你看他这边讲了个双尾，也就是他是一个双侧 概率 p 值。那么我们因为是个单侧检验，我们就要拿这个要，要什么？除以二，对吧？双尾的要除以二，那除以二，因为他零零除以二还是零啊？那最后我们再看一下最后两列， 最后两列这个是总体均值的缪和元假设值缪零差的百分之九十五的自行区间，对吧？这个是自行区间，那么这样的话，我们可以推出总体均值在百分之九十五的自行区间，那是什么？各加上三千元，对不对？那就是四幺三零到 五四三三点七，是吧？那么因为我们这个时候我们再来比较一下 alpha 和我们这个 p 值，那刚才讲的它这个是 p 除以二还是 p 还是等于零嘛？那么 alpha 取是零点零五，那么 p 除以二是什么？是小于 alpha 的， 那就是小于我们的 给定了这么一个显著性水平，那应该就是拒绝原假设，那我们接受被折假设，是不是被折？假设是什么？就是认为该地区信用卡月刷卡的金额的平均值和三千元是有显著差异的，而且是远远高于三千元的。我们的结论是 有百分之九十五的把握认为月刷卡金额的均值是在四千一百三十到五千四百三十三点七元之间，也就是这个的各加上三千元，那么三千元你显然不包括在这个里面啊， 他是从四千一百三十到五千四百三十三点七，那这是三是远远高于三千元，那也就是证实了我们最早的这个假设，就是该地区的这个信用卡的这个消费，他是 大大的高于三千元的。那我们这一讲就一起学习到这里。

然后这个说到信度分析，这个实际上是问卷处理中的一个经常用到的，呃，一个 东西，而且是必须的，几乎所有的问卷都必须进行这个信度和效度的分析，效度呢咱们将来再讲，今天只讲这个信度，这个信度分意呢啊，我是拿一个已经做好的问卷分析来给大家做例子，嗯，那么 我就先把这个文件给大家看一眼吧，这个文件大概是一个北京市居民环保意识调查的一个问卷啊，然后大概是这么多题， 然后呢？所有的数据我已经录入到了这个 s p s s 里，一共是收集了两百四十份的问卷啊，然后我录入到这里吧， 当我们做这个信度分析大概都需要哪几个步骤呢？首先我们要明确的是这一个问件的信度分析，不是所有的问题都可以做信度分析，有很多的人都是把所有的提一股脑，就是把所有的数据全部都录入到进来之后， 然后去做这个信度分析，这个是不对的，而且是完全不正确。信度分析只能针对于一些两表类的题目。什么什么叫两表类啊？咱们最常见的就是李克特两秒，他那是表示，呃， 受调查者对一个问题的满意程度啊，有大概有五个啊，程度或者是七个程度啊，等等等等，这个根据你自己的实际情况去设计， 只有这样的题目才可以进行信度分析，这个是需要明确的。所以说我们看到有一些问题，比如说 我的问卷中有您的性别，是您的年龄，您的家庭状况啊，这些完全就不是这个你对一个事物的满意程度，那我们在做信度分析的时候就不能用，就不能带上这些题。好，这个是需要明确的，那我们大概看一下这里边有 哪些题目它不能做信度分析。首先是前四道题，这四道题呢，我们也称它为描述型统计的啊，一种题，它主要描述受调和受调查者的一个基本状况。这这类题呢，你设置的时候啊， 嗯，做信度分析的时候呢，实际上它基本是不会有用的，所以我们再录入数据，如果 你将来用不到的话，就完全可以把它删掉啊啊，这个，这个，这个大家理解。然后我们看下边啊，下边从第五题开始，就是一些啊，程度类的量，量表类的问题，这很明显啊，就是量表，那这些呢？就是可以做一个心动分析。 但是我们看第六题，他说您对环保知识的了解主要途径是什么啊？这个呢，就不是一个两表类题目，所以我们待会做系统分析的时候就要把它删掉啊，删掉，或者是就不选，不选上那个题目就可以， 就是这个第六题啊，第六题我们直接删掉吧，这都是为了大家可以方便看的，方便些我就删掉了。当然真正做问卷分析的时候，这个题可能你做其他分析时候也要用，那就不要删掉啊，就这些。然后 比如说第八题对于今年的午埋年的态度，是啊，这个就不是一个严格意义上的量表类问题，你说他是量表吧？他不是，你说的不是吧？他又是量表，你看他说无所谓、无奈、忧虑、面对现实，他是一定程度上反映着 这个一定程度上反映了人们的对他态度的一个程度，那我们可不可以用它做做这个心口分析呢？答案是可以，也可也不可以，这个就是根据你实际的问题啊，还有就是说你 论文要要论述的一个一个结论啊，这个去判断，那么我这个里边为了这个科学起亚，我还是把它删掉了。 好，我们接着往下看。哦哦，首先这道题第七题，因为这个文件不是我设计的， 第七题他是有一个很明显的问题，大家能看出来吗？就是这个他的量表是五个五个程度，但其他的问题都是四个程度，那这样题的设计字就是有问题的。你做信度分析的时候，你一定要记住，你所有的问题啊的量表都是， 嗯，比如说你要都设计五个程度，那就都设计五个程度，不要说这题三个程度，而那个题我看啊， 好像大家对他这个这个问题啊，我认为应该是十个程度才可以描述，千万不要就是所有的问题都要设计成一个成，要不然你整个的这个信度分析就是没有意义的， 懂吗？所以说这道题是没用的，没用，因为这个不是我设计的问题，所以说，呃，如果你将来这个文件要正式发放的话，这个问题就得改，改成四个程度，这里边我直接把第七 d 删掉吧， 然后我们看下边啊，这些都是可以的，可以的，支持啊，你看第十题和第十一题，又是五个成，这个都不行，莫删掉， 这个问题不知道是谁设计，都删掉，然后第十二题他就明显的不是一个程度了，那就删掉，然后第十三题，不是，然后后边就都是啊。 好，这个是第一步啊，就是筛选掉不能进行这个分析的问题，我们已经筛选完了，对吧？已经筛选完了，那么接下来是什么呢？ 接下来不是说我们把所有的问题一股脑的啊，全部放到那个礼拜去求他的这个阿尔法，这个啊信笃程度。而是什么呢？而是我们要把整个问卷分一个部分，比如说因为你的这个阿尔法，他， 他是在一个系统内求出的尔，反而不是说所有的问题都要求尔反，除非说你整个问卷问的调查的只是一个大的维度。但比如说这个问卷，我刚才大概看了一眼，他可能分为几个维度，是吧？ 嗯，比如说第五题，他就是您了解关于环保知识吗？他就是对市民的一环保知识了解的程度做一个调查， 那他可能就作为单独的一个维度。那我们看其他的题啊，比如说这个您支持以下环保生活方式吗？他就是另外一个维度，就是居民这个市民对于环保生活方式支持的一个程度。 那这些题又是单独的一个系统，然后我们看下边啊，这两道题我们删掉了，删掉之后我们看下边，他可能又有一个维度，他说 国家实施环保征税，你支持吗？还有一个是如果你愿意啊，作为啊环保志愿者什么参加宣的，他可以我，我姑且把他命名为啊以其他形式支持环保的一个维度。那么这个问价大概可以分为三个维度，就是说 第五题，这个，这个维度包括下边的小题啊，还有第九题的这个维度，包括下面的小题，还有就是这个这个十四题、十五题，这大概是三个维，那我们在进行分析的时候怎么办呢？我们就要把这几个维度单独进行了分析， 我们把这五项啊全部选上，全部选上之后呢点那个统计结果，统计呢有很多的那个 描述，这描述大概都是啥意思呢？标度，标度就是那个信度删除向后的标度，这个是非常重要的一个东西，为什么是非常重要的一个东西？因为我们 啊在算出这个信度之后呢，他不是说每道题都可以用，然后那怎么判断这个这一个系统内哪道题到底 啊比较差呢？信度比较差呢？那就要看那个删除向后的标度，如果删除向后的标度大于你整个系统的标度，那说明就要问这个问题，就可以进行修改或者删除。 那我把它选上，选了之后呢，这个象之间的相关性啊，也一般会用这个相关性，大概在百分之二，在零点四以上就可以。好，我们点继续，好，继续，然后模型就选阿尔法就可以，然后点确定好，这个是我们算出的这个 信度的一个一个矩阵，这个信度的矩阵我们看到整个的可能性统计 是这个零点七幺二，零点七幺二就是一个还可以啊，这个标准化之后呢，就是零点七幺五，这个就是一个还可以可以用的一个 一个信读非，就是说整个系统是基本可以用的，这个基本是零点五以上，零点六以上就可以用， 当然零点九以上是非常好，这个很难达到啊，这真正的实践中是很难达到的，大概零点七零二八就可以，那我们看这个零点七零二八之后，那整个的这个 我们看看，那说哪个，比如说哪哪个问题啊？信毒。那我们同理啊，我们做下个系统，下个系统把这些都都都抢，然后下个系统 大概看一下，像系统应该是第九题的这个括号一到括号六 啊，这些我也忘了是什么，就大概做一下，当然大家做的时候不能像我这样马虎啊，因为我是给大家演示一下，大家真正自己做的时候一定要非常认真，非常好啊。 啊，这个基本就是我们每一个文件都要做呢，要一个一个东西啊，总体阿尔法这个就合并一下，我们把它合并了。就拿这个文件来说吧，我们看这个总体阿尔法零点八一一，我们直接把它复制过来 啊，这个零点八一，这个这个数字啊，我就我不具体的数字我也不弄了。然后这个维度我们也可以看到有很多维度，对吧？嗯，那么 比如说我们跟老师说啊，这个维度一维度一叫这个居民环保啊，居民环保知识的了解程度， 然后告诉他这个这个的信度叫二八一，是吧？然后就以此类推，然后我们看对维度的二盘比出二二 二法一，等于写一个，我刚才忘了是多少了，大概是一个，我记得是零点七几，零点七七吧就算，然后第二个维度你自己打时候，然后加二法二，等于一个， 大概这一零点八几吧，我记得零点八吧，好，大概是这样，然后删除向后啊，删除向后就就不是这个一一两个表格了，你要， 你要看这个，呃，比如说第一个维度好像是五道题吧？好像大概是，哎呀，这个拆分，你把它拆分成列的，拆分成列， 你看这，比如说是五道题，然后我们把刚才那五道题的 r 发复制，删除之后的 r 发复制过来，好像是这个，哇，好像是这个，那我们把它复制过来 啊，这就比较尴尬，反正就把它复制过来就可以啊，就是这五个阿尔法，然后分别复制在五列五行里，然后就可以看到，然后跟老人说啊，这道题删了之后好像更那个啥更更更好一些，然后整个，所以呢，这个大概就是这么一个图啊 啊，这个咱们下次视频再做这个效果的分析吧，大家如果有什么不懂的可以再通过私信问我吧，然后有什么想学的关于 s p s s 的 一个知识，也可以在私信问我，然后我可能再做视频给大家看。最后呢，也希望大家来一个一箭三连啊。

今天给大家分享一下如何用这个免费的 ai 工具。恰特 s p s s。 一 句话做出单因素分析， 比如说我想用这个作为资变量，然后因变量是它的品牌忠诚度，就是我的这个数据，一句话就做出来了表格和对应的文字解释。我们先看一下单因素。 单因素分析是什么啊？单因素分析，它也叫单因素效应分析，是用来初步检查多个分类变量是否对一个连续型变量进行嗯，影响的一个分析。 什么时候用？当你有非常多的影响因素，你想要先出列出略的筛选某一个对应变量的影响 多，并且一次做出来，那么就可以用单因素方差分析啊，不是方差分析，单因素分析它会自动的选择 t 检验和方差分析。比如说你有一个满意度，它是一个连续变量，然后有分类的变量，比如说性别、年龄、城市类型，可以用单因素分析，它会自动的选择 t 检验来应用于这种两分论变量。 多分分类变量的话，他就会使用方差分析。我们来看一下怎么样做啊？我就直接上传了这个数据。因变量是品牌忠诚度，我想要看一下这三个变量是怎么样影响的？因变量年龄、城市购买频率，他们的因变量 是怎么被影响的？我就告诉他因变量是品牌忠诚度，然后他就说了一下，他让我选择。呃，因变量是什么？我就说用年龄、城市购买频率作为一次变量， ok， 这样就做出来了。呃，重点是看他 p 值， p 值如果小于零点零五， 他这三个就是有一，比如说年龄他小于零点零五，他就是有对这个品牌忠诚度有显著影响的，这个是没有的，都没有影响，因为他们的均值差异都不大， 比如说年龄可以看到他们的均值差异都只有有二，最大的只有二点几或者三点几，所以说差异不大是不显著的。从这个文字表达中也可以看出来， 在控制其他因素的前提下，这几个自变量都无法解释品牌忠诚度的差异，也就是没有显著性的差异。

用 s p s s 一 键生成限性回归。大家好，我是小师姐，今天用这份数据来演示一下限性回归的操作。用到的自变量数据是产品到隐私维度这六个变量，因变量就是购买意愿。 我们来看一下它的原始数据，这个 v 一 到 v 六就是自变量，因变量是这个 v 七，它们都是这样的连续性的变量，所以可以使用限行回归。点击分析回归限行，把购买意愿放入因变量、产品到隐私保护这六个维度，放入自变量，其他的一般不需要设置，点击确定。 在限行回归的结果中，主要看这三个表格。模型摘要是指这些自变量能够解释模型多大程度的变异，主要看调整后 r 方， 比如说这个调整后二方的值是零点三六七，那就代表这些自变量可以解释音变量百分之三十六点七的变异程度。 再看 anova 的 表格，这个主要看显著性是否小于零点零五，如果小于零点零五，代表模型通过了显著性的检验，也就是至少有一个自变量，它对音变量是有显著影响的。最后一个是系数表，这个也是一般需要在文件中放的结果表格。 首先看显著性，也就是 p 值， p 值小于零点零五，说明这个自变量对购买意愿有显著影响。然后再看 b 的 值， b 值大于零说明对购买意愿有正向的影响，小于零代表有负向影响。

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。