spss27由于有序回归对比在哪里
粉丝3.2万获赞5.8万
相关视频
05:02查看AI文稿AI文稿同学们大家好，今天我们来讲一下这个回归分析。那么上一次提到了相关性检验，那么这次来提一下回回归分析，他做出来以后的表格，三线表，也就是论文当中的标准的三线表，应该是这个样子的。 那么他具体检验用于什么情况呢？比如说相关性分析，他只能用来检验两个变量之间的相关性，也就是说两个变量之间，比如说学生成绩他 他的提高，呃，或者说教师质量他的质量越好，那么学生成绩他就 可能越高，但是是不是教师的教师质量影响了 学生的成绩，这个是不一定的，只是说两个有通过相关性检验发现有趋势，但是不是直接影响，那么就要靠这个机制回归进行检验。那么通常 他是正向的话，那就代表他是正向影响，那他是负向，就是负向影响。 比如说这个信息的透明度，他这个是正向的，可以看到是零点幺八九，并且 p 值是小于零点零五，是显著的，那么也就是说信息的透明度，他会去正向的影响这个公众的满意度。 那么这个到底是怎么做的？我们来用 sps 操作一下，导入数据以后，然后点击分析，然后点回归，选择限行回归，然后把工作满意兔 拖入到音变量，然后把其他的控制变量拖入到字变量选项框 统计执行区间。其实这个在限行回归当中可以不用勾选，然后 r 方变化要勾选一下，然后贡献性诊断要勾选一下，然后得宾握申也可以勾选一下，点继续点确定 看没他就出来了一个这样的结果，那么最主要的我们需要的表格就是这个结果。那么最主要的我们需要的表格当中 可以看到其实他这个表格是非常不标准的，当然我们需要处理一下，用这个预测好的格式来进行规整一下， 然后其实还是有些不标准，我们在做三线表的时候，建议还是打开这个矢图网格线，网格线不用这个表格虚框，这个最好打开，然后三线表画一下零点五， 你看这就是标准的三线表了，然后再把这个题目改一下，改成回归检验， 但是其实这样也是比较麻烦的，嗯，我们可以用 check s p s s 再来做一下，就会看到非常的方便，比如说你 工作满意度， 那么可以看到是非常的快速的。当你可以跟他说把控制变量，比如说性别、年龄， 然后教育程度这些当做控制变量加进去，那他也能够非常的快速跑出结果。并且最关键这个表格他出来就是标准的三线表，而且还是可以直接复制粘贴的，直接复制粘贴然后再可以 整调整一下，你看他基本出来就是就是调整好的，其实都可以不用再调整了，就非常的方便和快捷。
01:14查看AI文稿AI文稿一分钟学会性度分析和效度分析，首先要知道它针对的是量表，量表通俗讲就是用数字打分的题目，比如说这里用数字表示满意程度，这就是量表，像性别这种准确的回答就不是。 先来讲性度分析，它是看你的答案等级设置是不是一致的，不能一个题目五表示满意，另一个是一表示满意，还可以看有没有人乱填。 具体这样操作，在分析的刻度中找到可信分析，然后将同一个维度的题目选入，在统计中选择删除向后的标度， 点击继续和确定。这里看到克隆巴赫系数，系数越高，说明越有用，如果小于零点六，那就不合格。再来看到这边剔除向后的克隆巴赫系数，意思就是如果把 c 三去后，克隆巴赫系数就是零点六二九。 接着我们讲效度分析，它就是看你设置的题目有没有跑偏，比如说你要研究城市满意度，就要和交通环境有关，不要扯其他的具体步骤，依旧是点开分析，找到因子变量依旧是刚刚的四个，在描述中勾选 k、 o、 m， 点击确定。然后我们看到这边的数值大于零点六说明合格，显著性小于零点零五说明合格。两个检验说明我们这个数据没有问题。好啦，还有问题，评论区见。
220PaperBrew
03:27查看AI文稿AI文稿这是一个所有人都能学会的 spss 分 析教程，今天要给大家讲的是方差分析，那么上一期视频给大家讲过什么是独裂纹体检液？以 品牌忠诚度为例，我们上一次举的例子是不同性别品牌忠诚度有没有显著差异？那么方差分析和独裂纹体检的差别也只在 分类变量的个数，独立样本体线只适合于二分类变量，而方差分析适合于三及三分类。以上举个例子，我们这里的年龄它是一个 五分类变量，那么我们想比较不同年龄范围，它品牌忠诚度有没有差别，那就可以使用方差分析。 那如何实现呢？给大家演示一下。打开数据，点击分析，比较平均值，单因素 and nova 检验。然后我们要对比忠诚度，就把忠诚度拖进应变量列表，然后 把年龄也拖进来。 稍等，这里没有体现年龄的地方，分析描述统计 没有体现年龄， 如此， 这里一定要是数值才可以。刚刚那个数据类型不对，嗯，那我举个例子，它是五分类嘛？ h， 那 五一到五其实就针对于五个分类 分析比较平均值，单一首的 note 重置度，把 h 拖进来， 点击个描述点确定。那其实这里就已经啊检验出来，一到五就分别对应着，呃，我们这五个五个年龄段，那这里其实我是模拟的数据嘛， 方便大家理解，因为刚才的那文本数据分析不了，没输出。结果他不仅描述了一下， 呃，各个分类，各个年，各个年龄段，它关于众生度的均值标准差同样是否显著，要看这个显著性。 p 值， 这里显示是零点八四八，说明它大于零零五，说明不同年龄段之间没有显著差异。
02:02查看AI文稿AI文稿大家好，欢迎来到 s p s s 官方给大家带来的 s p s s 全功能实战系列，今天我们要讲解的是重新编码之重新编码为不同变量重新编码为不同变量，是指在保留原始变量的基础上，根据预设规则将数据转换并存储到一个全新的变量中。其核心意义在于 确保了数据的安全性与可溯源性，既能实现数据清洗、分组或标准化处理，又避免了因覆盖原始数据而导致的信息丢失，方便分析者随时对转换前后的数据进行对比校验，是数据处理中最推荐的稳健做法。其核心本质是一 创建副本，它不是对原始变量进行操作，而是根据原始变量的值和设定的规则生成一个全新的变量，这个新变量会作为数据文件中的一个星列出现。二、无损转换。这是一个非破坏性操作，原始变量的所有数据都保持原封不动，完全不受影响。你同时拥有了原始数据和转换后的数据。 例如，将调查问卷中的群体按照年龄划分为青年、中年和老年。依旧以消费者购买行为的虚拟数据为例，点击菜单栏中的转换，重新编码为不同变量。打开对话框，将年龄选入数字变量到输出变量列表框中。为输出变量命名新的变量名，再输出变量栏的名称。文本框内输入新的变量名， 定义标签单机电话量按钮，打开旧值和新值对话框，进行旧值到新值的转换，设置在旧值选项组中选中范围，激活其下面的文本框。两个文本框中分别输入十八和三十，并在新值的值文本框中输入一， 表示青年，然后单机添加按钮，完成一次值的转换。重复上述操作，将三十一到五十转换为二，表示中年。将五十一岁及以上转换为三，表示老年。五十一岁及以上的转换方式不同于前面两种，应选择范围从值到最高，在文本框中输入五十一， 随后再设定新值。设置完成后单机继续，然后单机确定。完成所有数据的转换。操作后，最后回到变量，试图找到新的变量，添加对应关系。一等于青年，二等于中年，三等于老年，这样就全部搞定了。以上就是今天课程的全部内容，我们下节课再见！
71SPSS中国
03:19查看AI文稿AI文稿大家好，这是一节所有人都可以学会的 sps 分 析课程，今天我们要讲的是回归分析。在做回归分析之前，我们先来了解一下回归分析的一些基本概念。回归分析它是用来探讨 一个或者多个自变量，然后与一个因变量之间的关系，比如说你想了解哪个因素在多好的程度上影响的结果，就可以用回归分析，它是主要探讨影响因素的， 然后或者是做预测，控制混杂变量，都可以用来回归分析。回归分析它有几种常见的方法，限行回归、二元逻辑回归、有序逻辑回归，这三种是用的比较常见的 限行回归，它主要是针对连续性变量，比如说一到五分金额回逻辑回归呢？它是针对分类变量，因变量是分类变量时候在用， 比如是否然后低中高等等，这些他都是分类变的。回归分析一般只看回归系数和这个 p 值，还有就是 r 方回归系数 主要看方向和大小，正的就代表是正向影响，负的就代表是负向影响，然后 p 值呢，是代表显著性，如果 p 小 于零点零五，就说明他在统计学上有显著的差异。 接下来我们以这个数据为例，带着大家做一下回归分析，当然我们可以看到这里列了一些指标， 然后这个音变量是第十一个题目，你在这个特定环境下待着了多长时间，然后其他的作为字变量。我们先来 space 里面操作一些，点开回归， 然后点击线线应变量是这个题目导入进去，然后自变量是这些题目全部导入进去， 然后这些这些可以不用选择，然后点击确定，它就可以把这个回归分析的结果生成出来，这个是 r 方， 它是零点一九四，然后主要是看这个显著性和这个 vita 系数，它的回归系数，下面我们介绍一个分析工具，就是这个 chat s p s， 然后可以看到我这里是把数据导进去的，然后就告诉他对数据做一个回归分析，应变量是哪个题目，然后自变量是哪些题目，他就可以自动帮你把结果分析出来，这个就是回归分析的一个表格， 然后它也是折叠的比较清楚，比如说 vita 标准化技术，然后 t 值、 p 值显著性也有，然后 r 方，当然这个表格可以直接复制到 word 里 粘进来，就是这样的一个效果。这个设置 sps 后续还有很多的分析方法，大家都可以去尝试一下。
03:51查看AI文稿AI文稿大家好，这是一节所有人都可以学会的 s p s 词分析课程，今天我们要讲的是方差分析。在讲方差分析之前，我们先来大概了解一下方差分析的一些基本概念。 方程分析它是一个统计方法，它主要用于检验三个及以上组别的平均值是否存在显著差异。然后比如说不同学历在满意度得分上是否有差异，它是 一个分类变量在连续性变量上的差异，并且这个分类变量他要是三个及以上组别才可以用方差分析。像这里的不同学历，他有四个类别，高中、大专、本科、硕士，然后他就可以用于方差分析。 方差分析它最终是得到一个 f 值和一个 p 值，当然我们最终还是只用看 p 值就可以了。 这些复杂理论不用过多了解，我们只需要知道它怎么操作，并且怎么看结果就可以了。接下来我们还是以这个问卷作为一个例子，来带着大家做一下方差分析。 比如这里的基本信息题目有年龄、学历，然后像这个性别，它是二分类的，它没有满足三分累积以上，所以说它就不可以用来做房产分析。像后面的年龄、学历，它有四个选项，然后这个学历也是有四个选项，它就可以 做方差分析。然后这个他是画了维度的，就可以分析不同学历在这两个维度上是否有显著差异。接下来我们用这个 spss 软件来操作一下，首先点个分析， 然后比较平均时单因素方差。这里我是把这些这两个维度已经拖过来的，一个是工作状况，一个是种工资期望，比如你想分析不同学历 在这两个维度上是否有显著差异，然后你就把这个学历拖到这个因子这，然后这些不用管，都是默认的，点击确定，他就可以分析出来这样一个表格，这个就是不同学历在 工作满意度和工作期望的上的一个差异，这里有 f 值和 p 值，大家可以看到这个 在工作状况上它是显著的，然后在工资希望上它这个 p 是 不显著的。下面我们介绍一个比较方便的一个分析工具，就是这个 chat s p s， 这里通过对话就直接可以做方差分析，然后我这是直接告诉他对不同学历、年龄、学历在工作满意 状况，然后工资期望、满意度这两个维度上做方差分析，他就直接把这个分析的表格做出来了。这个是呃年龄、学历在 工作满意度上的一个差异，然后这个是在工作状况的一个一个差异，这两个表格他都可以直接复制到 word 里，点击这里，然后 粘进去之后就是这样子的，最后整理出来这样一个表格。 当然这个分析软件还有很多的一些方法，大家都可以去尝试一下。
02:00查看AI文稿AI文稿大家好，欢迎来到 s p s s 官方给大家带来的 s p s s 全功能实战系列，今天我们要讲解的是数据的导入和导出。数据的导入与导出作为统计分析工作流程的起点和终点，高效准确的数据传输是确保研究效率与结果可信的重要保障。数据的导入 s p s s 中支持导入 excel sv 文本和 s a s 等文件中的数据。下面将详细介绍如何向 s p s s 中导入 excel 文件中的数据。导入 excel 表格中的数据，需确认 excel 文件的数据结构是否符合 s p s s。 的 要求，要求每一行数据是个案信息，每一列是一个变量信息。 启动 s p s s。 在 菜单栏中点击文件导入数据。选择 excel， 在 查找位置下拉列表中选择要导入的文件所在的文件夹， 随后选中要导入的 excel 文件，单机打开按钮，弹出读取 excel 文件对话框。若 excel 文件中有多个 sheet， 那 么需要在工作表下拉框中 选择要读入的 sheet。 若不选择 s p s s， 则默认为是 t 一 s p s s。 一 次只能读入一个 sheet 的 数据。另外，若只需读取部分区域的数据，则可以在范围中输入要提取数据的范围，如要读入前八行的数据，则在该对话框中输入 a 一。 第八表示读取的区域是以 a 一 单元为左上角，第八为右下角的矩形区域。对话框中其他设置不变，点击确定即可读入数据到 s p s s 中。事后要检查 s p s s。 数据的变量与各案的数量是否丢失。 数据的导出已保存数据 s p s s。 文件的默认保存格式是 c f 格式，在菜单栏中点击文件，选择保存，也可以使用快捷键 ctrl 加 s， 在文件名输入框中输入文件名称，在查找位置中选择要保存的文件夹，点击保存即可。二、导出数据 s p s s 数据也可以导出为其他文件格式。以导出 excel 文件为例，在菜单栏中点击文件，选择导出，点击 excel， 在 弹出的对话框中可以更改文件名称 和工作表名称，还能选择是否保存值标签，完成相关设定后再查找位置，选择保存文件夹，点击保存即可。以上就是今天课程的全部内容，我们下节课再见！
152SPSS中国
03:21查看AI文稿AI文稿这是一节所有人都会学会的 spss 分 析教程，今天我们要讲的是信度分析。首先在讲解信度分析之前，我们要看什么样的题目可以做信度分析？ 只有两表题能做信度分析，它是一个量化的一个过程。为什么要做信度分析？因为在做分析之前，我们不知道这个数据可信度如何，一致性如何，所以信度又称以一致性检验内部一致性。 举个例子，比如说这里的社交媒体内容吸引力这个维度，如果它的信度是 o k 的， 我们才能认为它的信度 o k。 这里我们有四个题相对吧，如果它的信度和一致性 ok， 是 不是每个人针对于这四个题项应该都是 偏高或者全部偏低，不应该出现有一三，然后到五就这种差别很大的情况，所以这就是信度的一个通俗理解。那怎么实现呢？我们打开 spss 分析、刻度可信分析，把我们的维度投进去，比如说我们刚才讨论的是这个社交吸引力，对吧？媒体吸引力，所以前面四题， 然后这里选，这里就是那个 r 法系数确定，那这时候我们信度其实已经出来了，一般信度要大于零点七才说明它较为可靠。同样的其他维度也要多做一遍 这个效果， 这就是第二个维度，然后第三个维度同样的， 那这样其实我们就已经做好了所有维度的信度，然后整体也需要做一个同一个问卷，我们不仅要做分维度的信度，整体的信度也要做一遍， 所以把所有的量表题多都拖进去， 嗯，这样就做完了完整的信度分析。
03:09查看AI文稿AI文稿大家好，这是一节所有人都可以学会的 spss 分 析课程，今天我们要讲的是正态性检验。在讲正态性检验之前，我们先来大概了解一下什么是正态性检验。 正态性检验它是一个假设检验的方法，主要用于判断一组数据是否是正态分布的。 然后它是在做差异性分析之前的一个前提，比如说你要做 t 检验、方差分析、现行回归等等，这些它都要求数据满足正态性，如果数据偏态分布的太严重，这些方法结论就可能会不准确。 然后需要做正态性的情况有以下两种，第一个是样本量较少，嗯，此时用图形观察不稳健，就需要做正态性检验。不太依赖正态性的话，比如说你的样本量很大，比如每组大于两百或者一千， 然后根据这个中心极限定律，样本的均值会接近于正态。然后下面是它的一些理论基础，当然这里还可以通过 qq 图和这个来判断，比如它的散点大致落在一条直线上，就说明正态是可接受的，也就是正态分布。 然后接下来我们用一下这个分析工具，就是 chat s p s 来做一下动态性检验。首先在这里上传数据，可以看到我这里是把数据上传上来的，当然动态性检验它也是针对连续变量来做的， 这里可以看到他是自动把我们的变量类型识别好的，只有后面两个是数值型，也就是连续型变量，但就只能对这两个变量来做动态性检验。然后在对话框里输入 对数据做一个动态性检验，他就直接把这个分析的表格做出来了，然后可以看到这是一个动态性检验的结果， 这个表格它是可以直接复制到 word 里的，粘进去之后就是这样子的，也就是标准的标准的论文三线表。 然后我们来看下这个结果吧。动态性检验主要还是看这个 p 值就可以了。 呃，我们可以看到这里它是零点零零零九，是显著的。然后对于工作状况满意度这个维度来说，它是不满足正态的， 但是它的偏态负零点五九四，风度是负的零点四幺九，它属于基本符合正态。然后我们看一下这个工资期望它是零点三，它的 p 值是不显著的，就说明它是符合正态分布的。 然后这个分析工具它的后面还有很多的分析方法，都可以去尝试一下。
01:32查看AI文稿AI文稿大家好，欢迎来到 s p s s 官方给大家带来的 s p s s 全功能实战系列，今天我们要讲解的是个案排序。个案排序是 s p s s 中最基本、最强用的数据管理功能之一，它的核心作用是根据一个或多个变量的值 重新排列数据文件中所有行的顺序。排序的两种主要方式为升序和降序。升序就是从小到大排列，降序就是从大到小排列。当存在多个用于指定排序的变量时，数据首先按照主变量值的大小排序，然后对那些具有相同主排序的个案按照次变量值进行排序。 视力操作，点击菜单栏中的数据，选择个案排序。弹出个案排序对话框，从左侧变量列表中选择要排序的一个或多个变量，将其选入排序依据列表中。排序依据列表中的排序顺序就是主次排序顺序。第一个变量即为主排序个案。我们将月收入和年龄 分别放入排序依据列表中。当将左侧的变量选入排序依据列表后，需在排序顺序选框中选择变量的排序方式。如果是针对多个变量排序，则需要依次指定每个排序变量及其排序方法包括升序和降序排列。我们将年龄按照升序排列，将月收入按照降序排列。保存排序后的数 据另存为一个文件或所以当左侧的变量被选入，右侧的数据另存为一个文件或文件。 激活文件按钮，单机他即可指定保存文件的路径。完成所有设置后，点击确定结果分析。排序完成后，我们可以看出所有个案先按照月收入升序排列，当月收入相同时，再按照年龄降序排列。以上就是今天课程的全部内容，我们下节课再见！
60SPSS中国
06:10查看AI文稿AI文稿gimi 它返回的结果是零点零九六，很明显和我们用 spss 所生成的结果是不一样的。哈喽，大家好，这是八七啊，今天我们主要是想探究 ai 究竟能不能帮我们完成论文里的定量分析的工作。 所以呢，我们今天要通过四个 ai 进行实践。我们准备了一份数据集，它的构成很简单，是由十二道理科两表构成的，一共分了三个维度，那么 x 呢？由 x 一 到 x 五五道题 聚合而成。 am 呢，是中介变量，由三道题聚合而成。最后音变量呢，由四道题聚合而成。那么我们首先我们来编辑我们的提示词， 之后呢，我们分别把提示词和表格发送给四个 ai。 那 么我们现在可以看到我们第一个维度的信度是零点零五九。那么 gimi 返回的这个内容呢？它并不准确，那可能是我们之前给他的工作内容比较多。那我们看一下直接计算所返回的结果。 那么 jimmy 它返回的结果是零点零九六，很明显和我们用 spss 所生成的结果是不一样的。然后接着豆包呢，豆包就直接就直接卡死了。那我们把这个要求提的简单一些，豆包里的这个信度分析的结果是 ok 的， 那我们看一下这个效度值， 这个 k m o 值返回的是零点四零零七，那么很明显和我们正常去计算的 k m o 值是不一样的，正常的结果呢是零点五四二。接着呢，我们看一下 deepsea 返回的结果，它返回的是一个代码，但是呢，呃，我们并不想直接使用这个代码，我就直接想要数值。所以呢，我们把整个的条件 啊问的更清晰一些，那么我们看一下这个 deepseek 计算出来的克隆巴赫值的结果，那首先 x 一 到 x 五，它返回的结果是零点呃，六一四三，那么这个是明显错误的，那么我们最终看一下 gpt 的 结果， gpt 的 克隆巴赫系数呢是对得上的。接着呢，我们看一下这个 kmo， kmo 的 数值呢，零点五四二也是 ok 的。 然后呢，我们去比对一下这个提出的特征值大于一的因子的一个情况， ok， 这个也是没有问题的。然后我们比对一下这个 gbt 的 旋转矩阵和 spss 的 旋转矩阵的数值啊，我们现在只看这个绝对值， x 一 的因子载荷是零点五八一，这边是零点五七八， x 二的因子载荷是零点八四八，这边 x 二是零点八四九，其实是存在一些差异的，但是呢，这个差异又没有很大，那我们纵向上看一下这个每道题所贡献的因子啊，首先 y 二 y 四属于因子一，然后 m 二属于 一个因子。接着呢，这个 x 一， x 五和 y 一， x 一， x 五和 y 一。 也就是说，虽然这个 gpt 和 spss 的 因子在和具体的数值是有一些区别的， 但是呢，这个维度上的划分是没有区别的，那我这里更倾向于 gpt 是 没有犯错的，它可能是采用了这个代码，和 spss 的 代码有一些区别。继续呢，我们看一下这个均值的情况，均值的情况呢，也是啊，对得上的。 最后呢，我们看一下这个中间效应，分析它这个总效应，然后直接效应和间接效应的值， 那么我们可以看到总效应是负零点一零二，直接效应是零点一五二九，间接效应是零点零五一。 那么我们总体比对下来，可以发现呢，豆包呢是呃，不太擅长处理这种比较复杂的问题，那如果我们把问题进行拆分了的话，它是可以返回给你正确的结果的，但是呢，当拆分的问题的复杂程度比较高的时候，它就开始啊乱说话了。 deep seek 呢，它是可以处理复杂的结果，但是它返回的是相关的代码，我们可以用这个代码去进行计算的，同时也可以采用 spss。 如果让 deepsea 直接去帮你计算生成值的话，那么这个值很有可能是错误的。接着呢，我们来到这个 gpt， gpt 呢是可以处理复杂的问题，并且呢可以得到一个正确的结果。当然了，这个问题只是在本次的视频里相对复杂，但是它并不是一个复杂的问题。最后呢， jimmy 啊，因为我的会员到期了， 所以我们就直接进行测试啊，我们直接进行测试的话，那对于复杂的问题，可能是我的提示词说的不太清楚，它返回的东西呢，都不能用。 如果你是希望 jimmy 直接返回给你计算之后的结果的话，也会存在出现幻觉的情况，那么可能升级了之后，这样的情况会有所减少。那么现在盘算下来呢，就是 ai 呢，既可以把这个东西做对，也可以把这个东西做错， 所以正因为这样，我们才尽量不要用 ai， 因为你没有办法去判断对错。所以有一些同学说，哎啊，我把我的文件丢给了这个 ai， 他 帮我计算出来的结果，我能不能用？ 这里其实是打一个问号的，就是我们是没有办法去判断他能不能用的，因为他有可能是对的，有可能是错的。然后呢，有的同学就会问，那我用了会不会被看出来？这就是另外的一个问题了，会不会被看出来这个问题他有一个前置的条件，就是你可以承受被看出来所带来的后果。 那么今天这期视频呢，只是最简单的进行辅助，那有的朋友说，哦，可以用代码什么什么， ok， 没有问题啊，那我认为用 ai 最关键的点在于你自己实际上有判断对错的能力。对于一个本来就会的人，他可以采用 spss， 他 可以用 r 语言，可以用 python， 也可以用 ai， 因为它本来就会，对吧？ ai 只是帮它提高了效率，但是对于本来就不会的人来说就是一窍不通。我对这个东西完全不了解的时候，在这个情况下使用 ai， 大家一定要就是警惕，一定要警惕。 对于完全不会的朋友，最好是先有一个基础的认知，知道大概是一个什么样的情况之后，再去决定是用 ai 还是自己做。
1340是八不是柒
04:47查看AI文稿AI文稿同学们大家好，今天来讲一下逻辑回归，那么通常在医学当中的话，最普遍用的是二元逻辑回归，嗯，无需逻辑回归和嗯，有有序逻辑回归的话，还用的比较少， 嗯，那么在进行逻辑回归之前，那么会先对样本的基本信息进行一个描述性统计，然后再去做一个二元逻辑回归，这个表格是比较重要的，那么这个 b 值通常大于零的话，它就是危险因素， 并且 o 二值它会大于一，那么 b 值小于零， o 二值小于一的话，它就是一个保护因素。因为通常在医学当中，我们会设置应变量为是否病变，那么 这个是否病变中的是会把它编码为一，零编码为否编码为零， 就说是否发生一个危险情况，那么会将坏的那个方向编码为一，好的那个方向编码为零，因此去判断这个是危险因素还是保护因素，那么通常会保留 这几个值，就是结果当中会整理成这个样子，一个 b 值参差，然后嗯 这个卡方值，然后 p 值、 o 值以及执行区间，但这个小于零点零五的话，就代表它有显著性，也就说这个变量是 有用的，有研究价值的。然后我们可以打开 spss， 首先将数据，嗯，首先将数据导进去，然后点击分析，点击分类，然后二元 回归，二元逻辑回归，然后把咱们的音变量给放进去，咱们的音变量就是，呃先患病， 然后咱们的其他变量就是一个自变量的情况。然后这里要注意一下，就是分类的话，咱们会选择分类变量，就是以哪个为参照，如果你要以第一个编码视为参照的话，那就选这，如果要以最后一个的话就选这， 那什么是第一个和最后一个？就是比如说你性别一编码为男，二编码为女的话，那么你要以男性作为参照组， 那么就是呃，第一个，因为蓝编码为一，对吧？所以说他是第一个为参照。那么同样的道理，实验时也是点继续，咱们点确定，那么就可以很明显看的这个分析的结果，你可以看到这， 那么就可以出来了，这个它的壁纸，它自由度，它的瓦尔德，它的显著性，它的执行区间，那它的呃概率， 但这个整体成三线表的话，这个很麻烦，所以说我们要打开咱们的 s p s 叉， s p s， 然后，嗯，把数据上传上去，说上传数据， 然后说明一下， 那么这就很快，不用点按钮，直接一句话，你想做什么你就跟他说，他就会自行给你整理成标准的三线表，你看就这样 可以看到它很快就能出来结果，而且这个结果都是可以直接复制粘贴到 word 文档当中的，就非常的方便，而且粘贴进去就是标准的三线表。
05:12查看AI文稿AI文稿同学们大家好，今天来讲一下差异分析当中的卡方检验用什么是卡方检验？卡方检验通常用于分类型变量和分类型变量之间的交叉分析，比如说大一里面男生占了多少？或者说男生里面大一占了多少，因为这个是相对来说的， 然后大二里面男生占了多少？大一里面女生占了多少？大二里面女生占了多少？那么这个分布它是否有差异性呢？就说，呃， 这个不同的年级，它啊对于年龄的性别的分布，或者说性别在不同年级上的分布，它是否有统计学意义，是否有差异，那么一般就采用卡方检验， 那么卡方点这个 p 值可以很明显看到我们这里是 p 等于零点零八五，那么它就是没有显示差异的，也就是说性别在年级上的分布它是没有差异的。那么这个用 s p， s s 是 怎么做的呢？我们来操作一下，比如说点分析，然后 这里的话我们就还是选择描述性统计，然后点这里的交叉表，然后把性别 性别可以在行或者说列，这里就无所谓，因为他们是两两交叉的，速度是无所谓的，然后教育程度的话可以选择这里， 然后但是一定要注意，就是我们统计一定要选择这个卡方，他才会出来统计值，不然的话只有交叉表，然后我们点继续，然后点确定， 然后交叉表就出来了，但这个是没有百分比的，百分比的话你可能得自己算一下，然后并且整理成三线表的形式，所以就比较麻烦。 但遇到这种情况的话，我们会采用 spss 网站进行分析， 就这个网站的话，他做这种是三线表以及变量多起来。以后你要去做卡方检验，那么也是非常的方便的，因为他可以直接出三线表的结果。 比如说我这里我就说可以给我做一个卡方检验，然后他就会给我方案问我两两哪两两想要交叉，那么我这里就说随便可以给我一个，然后他就直接复制粘贴到 word 当中的，你看复制下来它就是一个 论文中常用的三线表，是说非常的方便这个叉 s p s。 嗯，再说回来就是 比如说我们得出了这个，呃压缩表以后，怎么把它制作成标准的三线表，但这里是有平数的，然后这里是有他的卡方检验的值的。我们可以看一下这个，它的显著性是零点五幺五， 这是是这个性别在这个学历上的分布是没有显著性的差异的。那怎么去统计呢？点复制，然后把它粘贴到一个 word 当中， 然后技术就这个就删除掉性别 比例的话就用这个除以这个，这个我们就可以加一下这个固定符号， 这样咱们一拉就可以算出它的比例了，可以很明显算算出它的比例，那么往右一拉， 那就可以选出其他的比例，那么在这后面的话就要加一个小括号，然后把这个比例填充进去，这样就可以了。然后整理好以后， 教育程度一般就不要这个总计了，然后教育程度， 嗯，这就是标准的筛选表，当题目，这就是题目，然后这就是名称，到时候再把这个比例给加进来就可以了。
03:57查看AI文稿AI文稿大家好，我今天讲解的是如何用 spa 做显著性差异分析。 首先我们打开软件之后看到的是这样的页面，然后可以看到它的左下角有一个数据式图，还有一个变量式图， 数据式图就是我们平常放数据的地方，变量式图啊，我们可以在这里边更改我们 数据的一些参数什么的。接下来我就给大家做一个小麦在对照组和施肥组两种处理下的它这些主要的农艺杏状的一个显著性差异 差异分析，我们这个是每一个处理都做了十五个重复，我们把这些数据，把这些数据复制到我们的 sp 中，就可以在这个变量式图中进行修改。 我们第一组数是组别，我们把可以在变量式图名称这里把它改成组别，组别它肯定是一组二组，不会有那种小数点， 所以把这个小数点改为零度量标准，把它改成明义，意思是不遇小岁数，岁数这些对应的，把它修改修改过来就行。在变量式图里岁数对例数，小岁数立长立宽这些 这些数据的话，你自己可以自己根据自己的实际情况进行调整，像长里宽这些都可以，这个你要做显著差异的这些数据，把他的度量标准都改成度量，对这些对齐方式什么的都不用管。 之后回到数据式图中，我们就可以进行分析，点击分析比较均值， 然后点击独立样本替检验，我们把这个组别给添加到这个分组变量中，点击定义组， 这个组组一组二，这就是代表的第一组和第二组这些数据，把它都添加到检验变量中，然后点击确定，然后会得到一个这种独立样本检验的一个结果。 我们就可以看这个显著性这块，如果他是大于零点零五的，我们就看假设方差相等，就是第一行。如果他是小于零点零五，我们就看假设方差不相等。这一行 你看，比如，比如说这个哺育小岁数的话，他的显著性是零点零九五，他是大于零点零五的，所以我们就看第一行， 第一行我们再看这个双尾，就是双侧检验的显著性，这个就代表我的我们的 p 值， p 值是零点四八一， 如果他的 p 值是小于零点零五的话，就说明这个不育小岁数，他在处理组合对照组，他是在这两个组之间存在着显著的差异。如果他是小于零点零一的话，那说明他们存在极显著 极显著差异。像这个的话，他是零点四八一吗？他大于零点零五，说明他们这个形状在这两组之间 就是差异不显著。对，如果你看像像岁数，你先看这个前面的显著性，他是零点零点七零五，他是大于 零点零五的，所以我们看第一行，第一行他后后边双维检验，他的显著性是零点零零三，他小于零点零一， 就说明这个岁数在这两组之间，对照组和处理组之间存在这极显著的差异。感谢大家的观看。
18暴走编辑
02:23查看AI文稿AI文稿大家好，欢迎来到 s p s s 官方给大家带来的 s p s s 全功能实战系列，今天我们要讲解的是运行环境的设置。 s p s s。 允许用户自行设置自定义运行环境，用户可以对状态栏、系统字体、菜单和网格线等进行相应的设置，打造自己的个性化界面。 一、 s p s s 状态栏的显示和隐藏三、 s p s s 菜单的增加与删除四、 s p s 中字体的设置， 状态栏的显示和隐藏。在 s p s s。 的 界面中可自行选择是否显示状态栏。具体操作方法为，在菜单栏中依次选择查看状态栏， 将状态栏选项前面的对勾去掉， s p s s 便会自动隐藏状态栏。如果用户在隐藏状态栏后希望 s p s s。 再次显示状态栏， 只需重复上面的操作，勾选状态栏选项即可。网格线的显示和隐藏隐藏网格线的具体操作方法为，在菜单栏中依次选择查看网格线，将网格线选项前面的对勾去掉， s p s s 便会自动隐藏网格线。 如果用户在隐藏网格线后，希望 s p s s。 再次显示网格线，只需重复上面的操作，勾选网格线选项即可。菜单的增加与删除 s p s s。 允许用户建立个性化的菜单栏，用户可以根据自己的需要删除现有菜单或增加新的菜单。具体操作方法为，在菜单栏中选择查看菜单编辑器， 打开菜单编辑器对话框应用于下拉列表框，该下拉列表框用于选择要编辑菜单的窗口，包含数据编辑器、查看器和语法三个选项，分别用于设置数据编辑器窗口、输出窗口和语法窗口的菜单栏。菜单列表框，该列表框中显示了 各个窗口中菜单栏中现有的菜单。点击每项前面的加号，可以展开每项菜单下的具体内容。当我们选中菜单项目时，插入菜单按钮被激活，点击此按钮可以插入新的菜单。 此外，商机想要对其添加新项的菜单或单机项目加号图标，并选择要在其上显示新项的菜单项，插入项目按钮便被激活。单机此按钮可插入新的菜单项。文件类型选项组，该选项组包括应用程序、语法和脚本三个单选按钮，用于为新项选择文件类型。自己的设置 s p s s 界面中的字体 也可以进行设置。具体操作为，在菜单栏中选择查看字体，打开字体对话框，该对话框中包含字体、字体和大小三个列表框，用户可以在其中选择要定义的字体、字体样式和字号。设置完毕后，单机确定按钮保存设置即可。以上就是今天课程的全部内容，我们下节课再见。
44SPSS中国
08:09查看AI文稿AI文稿我们接着来学习多元限行回归，那么多元限行回归跟一元限行回归不同的，它就是说我们有不止一个自变量，大家看一下，这个就是我们模型的形式 y， 这是因变量 beta 零是截距项，也就是常量， 再加上 beta 一 的 x 一， 加上 beta 二的 x 二，一直到 beta n 的 x n， 再加上一个 epsilon 是 随机项， 那同样的多元回归分析它的步骤和前面它是一样的。和一元回归分析第一个我们 模型假设的建立，也就说我们要假设一个应变量和自变量之间它是存在着某种函数关系的，那么这个时候自变量它是不止一个。第二个就参数估计，我们要看一下你和出来的限行回归模型它的回归系数是什么。 第三个我们是对整个模型的礼盒度进行一个检验。第四个就是我们可以进行预测，还有推断。最后一个还是诊断，那么多元性回归除了我们前面学过的对残差进行诊断之外，我们还要对 多个自变量之间是不是存在共性性进行一个诊断。那所谓的共性性就是说自变量和自变量之间它是不是存在一个现行关系，如果它是存在现行关系的，可能会影响到我们最终的回归结果。 我们还是同样的看同样的这一个案例，这个案例就是青少年与贫困率。在上一个回归方程中，我们只有一个自变量，就是贫困率，在这里我们有两个自变量，还有当地的 犯罪率，再加上一个，也就是说当地的犯罪率和贫困率对于十五到十七岁的女孩的生育率有什么影响？在这里的话，十五到十七岁女孩的生育率我们还是作为应变量，另外两个是作为自变量来做一个回归分析， 我们打开这个数据集，从分析这里进入回归限限，那在这里的话，应变量仍然是十五到十七岁女孩的生育率，那么质变量的话，我们加一个贫困率之外，还再加上一个当地的犯罪率。 在这里的话，大家看方法，我们这里可以用步进然后统计这个按钮，这里我们可以加个共限性诊断，然后加一个描述性的统计分析。 dw 值 图的话，我们仍然可以不管他，那保存的话，我们是想是这样，一个是我们来做个预测值，没有标准化的预测值来做一个，那残差的话，你可以也是用未标准化或者标准化都可以， 我们点继续，那其他的我们可以不管它，这样我们就点确定，点确定得到了我们输出的结果。第一个是我们描述统计分析，一共还是五十一个个案，这里面我们一共有三个变量，十五到十七岁女孩的生育率，当地的贫困率和当地的犯罪率。 第二个这是相关性，从这里来看皮尔逊相关系数的话，我们的出生率也就生育率和犯罪率的关系是零点六四啊，还是一个中等相关， 那么贫困率和犯罪率之间是零点四七，这个他就是几乎是不相关的，那说明是什么？说明贫困和犯罪之间他可能是有一定现行关系，但是关系不是那么大的。 那在这里的话，另外一个我们再来看这输入和除去的变呢？这是什么意思呢？这里有个模型一和模型二，也就是说第一个模型我们软件帮我们只有一个字，变量，就是贫困率。 第二个模型里面他又加入了犯罪率，那么就是有两个模型，应变量都是十五到十七岁女孩的生育率， 模型载药。这里面我们主要看这个 r 方和调整的二方，模型一就是只有一个贫困率作为自变量的情况下，这二方是零点五三三，那么第二个模型加入了犯罪率之后，大家看他的二方提高到了零点六十七，调整后的二方 是零点六三二，说明两个变量的模型，它的解释度或者讲解释力是超过了一个自变量的这个模型。这个表格我们看一下方差分析，这个是方差分析， 我们主要是来看这 f 统计量和它的显著性，就是伴随概率。首先看模型一，也就是只有一个自变量的情况下，就是刚刚讲的只有 贫困率作为一个自变量的情况下，它是显著的一个。这个模型没问题，它是可以用现行模型来解释的，那实际上就是我们上一个案例的时候的模型。那第二个模型当我们加入了另外一个变量之后，它仍然是显著的。这个模型我们可以看一下底下的说明。 第一个 a， 它是应变量，就是十五到十七岁女孩的生育率。 b 在 这里它是预测变量， 就两个，一个是常量，就极具象加上贫困率。 c 是 预测变量，它是常量再加贫困率，再加上犯罪率，那我们看这里是 b， 对 吧？这是 b， 右上角有一个 b， 就是 模型一， 在下面这个右上角是 c， 就是 模型二，说明这两个模型它都是显著的，这里是模型的显著性检验，也就是我们看它是不是一个限性回归模型可以解释的， 这个是系数表，系数表就是指我们看一下它的洁具和它的回归系数，模型的洁具和模型的回归系数。第一个模型大家看长量是四点二六七，在这里它是不显著的，但是贫困率它是显著的，也就是这个是保可以保留，这个实际上就是我们上一个案例做的。那我们主要看一下这个 第二个模型，第二个模型在这里的话，长量的显著性是小于零点零五，说明洁具像是显著的，可以保留， 那么贫困率和犯罪率，当地的犯罪率都是小于零点零零一，远远小于零点零五，说明这两个变量都是显著的，也就是说明我们第二个模型的解释度还是非常高的。系数表这里面它用的是一个 t 检验，大家看这是 t 统计量的这个值。我们还可以看一下这个贡献性的诊断，这个贡献性的诊断的话，这个 v i f 大家看它是非常小一点二八三，我们一般认为 超过十以后，他才存在着这种共性的关系，超过十就代表这个贫困率和当地的犯罪率之间，他是存在现行关系的。当然你也可以直接去给他做个现行方程，用贫困率和犯罪率两个作为质变量和应变量做一个方程，看看他是不是存在现行关系的。这里 看这个表，它是指排除的变量，这个是指模型一里面只有一个自变量的情况下，它排除了这个犯罪率，也就是它只保留了一个贫困率，这里还有个共限性诊断，和刚才是差不多的。再看底下这个是残差的情况，残差，那么残差从这里你是看不出来的，但是我们 可以回到我们的变量和数据式图来看，大家看我们现在回到了数据式图，数据式图它是不是多了三个变量？那这个变量是什么呢？这个叫做预测的值，也就是 y 的 预测值， y 的 预测值我们要和十五到十七岁女孩的生育率相比较， 这个就是我们根据模型得到的预测的生育率，这个是第三列，这是真实的生育率，两个拿去相减，我们得到了，这就是倒数第二列的残差，这个是没有标准化的残差，也就是第三列和 第七列相减，就得到了这导数第二列，那导数第二列我们拿去标准化之后，就是最后一个标准化之后的残差，那这个时候你要去研究残差，可以用这两个都可以拿去进行直方图的分析，或者 p p 图的分析，或者它和质变量来做散点 图，这个都可以。如果残差分析之后认为这个模型没有问题，说明我们这模型就通过了，因为刚才共限型诊断我们已经通过了，那么这个就是我们 这个模型最终的形式。五点九八二，它是极具象， pov 就是 贫困率，后面 v i o， 我 们知道是犯罪率，这个前面一点零三六和零点三四四是它们的系数，那么这一节我们就学习到这里。
27何晓琦老师
01:28查看AI文稿AI文稿大家好，欢迎来到 s p s s 官方给大家带来的 s p s s 全功能实战系列，今天我们要讲解的是重新编码之重新编码为相同变量。在统计分析时，经常需要对数据的分值进行转换，才能达到需要的分析目的。 重新编码为相同变量是指根据预设规则，直接在原始变量上修改并覆盖其数值的操作，其核心意义在于通过批量替换来快速实现数据的标准化与简化，从而提高分析效率及关键特性。有， 一、原地覆盖操作，直接作用于原始变量本身，不生成任何新变量。执行完毕后，数据文件中这个变量的位置 存储的就是修改后的新值。二、不可逆替换。这是一个破坏性操作，原始数据被新数据永久取代，除非提前备份，否则无法从当前数据文件中恢复原始值。例如，将反向题的两表得分转换成正向题的得分方式，才能使这些得分的标准统一化。 视力操作，以消费者购买行为的虚拟数据为例，重新编码为相同变量。点击菜单栏中的转换，重新编码为相同的变量。打开对话框，将满意度评分 卷至数字变量列表框。单机旧值和新值进行旧值和新值的转换设置，在旧值选项组中选择需要转换的旧值类型或范围。本例选种植并输入要转换的旧值。在新值选项组中也选种植，并在其文本框中输入新值。 单机添加完成值的转换，重复以上操作，直到旧值和新值全部转换完成，单机继续按钮完成操作，这样旧值和新值就转换成功了。以上就是今天课程的全部内容，我们下节课再见！
86SPSS中国
00:39查看AI文稿AI文稿我强烈建议所有的大学生都要用下这个 excel ps 来做数据分析，从这里上传数据，然后一句话给他说，我要做相关回归分析，你帮我选择变量，直接做，你看他就直接做出来了。相关分析。 回归分析表格也是三线表，直接复制粘贴到 word 就 可以，这太方便了呀，这个还学什么 sps 啊，直接 a 一 句话就搞定了。你看这回归分析的，呃，回归系数、 t 值、 p 值、显著性、贡献性诊断这些关键指标都给我们整理到一个表格里面，非常的清晰。 那后面相关和回归分析的文字分析报告都整理出来了，就算你看不懂上面的这个表格也没关系，后面有文字的解释，能让你直接用的非常方便。
