数据输入基础、变量定义与数据编码： 1. 熟练SPSS变量视图操作： * 名称: 简洁、符合规则（避免使用中文、空格、特殊符号，建议使用英文或拼音首字母）。 * 命名规范示例： gender, edu_level, reaction_time * 类型: 数值、字符串、日期等。根据数据类型选择。 * 字符串变量注意事项： 尽量避免使用，除非必须记录文本信息。字符串变量不能进行数值计算。 * 宽度/小数: 根据数据特征设置。数值型变量的小数位数要根据测量精度和实际需要确定。 * 标签: 详细解释变量含义，可包含空格和特殊字符，使变量意义更清晰。 * 示例： gender (性别), edu_level (教育程度), reaction_time (反应时，单位：毫秒) * 值标签: 核心！名义/序次变量的数字编码解释。 * 案例： * 性别：1=男，2=女 * 民族：1=汉族，2=回族，3=其他 * 教育程度：1=小学，2=初中，3=高中，4=大学及以上 * 满意度：1=非常满意，2=满意，3=一般，4=不满意，5=非常不满意 * 注意事项：值标签的定义要完整、准确，避免遗漏或错误。 * 缺失值: 定义缺失值编码（如：99、999、-1等），区分系统缺失值和用户定义的缺失值。 * 常见缺失值编码： -1, 9, 99, 999, NA (字符串变量) * 注意事项：缺失值编码不能与有效数据的取值范围重叠。 * 测量尺度: 正确选择（名义、序次、标度）。 2. 不同类型变量数据输入： * 名义/序次：数字编码，值标签解释。编码应有逻辑性和一致性。 * 一致性示例：在整个研究中，始终用1代表男性，2代表女性，不能中途改变编码。 * 等距/等比：直接输入数值，设置小数位数。 3. 数据导入：从Excel等导入 (注意变量类型和缺失值)。 4. 补充小标题: SPSS基本设置、数据来源、数据类型、数据编码、数据导入
掌握回归分析、相关分析、方差分析、T检验在SPSS中的操作步骤（包括数据输入、菜单选择、选项设置、结果输出）。 熟悉SPSS中处理分类自变量（虚拟变量）和交互项的方法。 能够使用SPSS进行曲线估计和非线性回归（初步）。 了解稳健回归、岭回归、LASSO回归、主成分回归的基本原理，并知道何时需要使用这些方法（虽然SPSS Base版本可能不直接支持）。
掌握SPSS中进行回归分析的操作步骤: 1. "分析"->"回归"->"线性" * "因变量"：选择一个因变量（必须是数值型，通常是连续变量）。 * "自变量"：选择一个或多个自变量（可以是数值型或虚拟变量）。 * "方法"：选择回归方法（进入法 (Enter)、逐步法 (Stepwise)等）。 * "统计"： * "回归系数"："估算"、"置信区间"。 * "模型拟合度"：显示R方、调整R方等。 * "共线性诊断"：显示共线性统计量。 * "残差"："Durbin-Watson"。 * "图"：绘制残差图，检验回归假设。 * *ZPRED (标准化预测值) vs. ZRESID (标准化残差)：检验线性、方差齐性 * DEPENDNT (因变量) vs. ZRESID：检验线性 * 正态概率图 或 正态Q-Q图：检验正态性 * "保存"：保存预测值、残差等。 * "选项"：设置逐步回归标准等。 2. 处理分类自变量： * 虚拟变量 (Dummy Variables): 将分类自变量转换为虚拟变量。 * k个类别的分类变量，需要k-1个虚拟变量。 * SPSS操作: 在"转换"->"创建虚拟变量"中，SPSS会自动为分类变量创建虚拟变量。也可以手动创建("转换"->"计算变量")。 3. 交互项 (Interaction Terms)： * 原理：当一个自变量对因变量的影响程度依赖于另一个自变量的取值时。 * SPSS操作：在“转换”->“计算变量”中，创建一个新变量，其值为两个自变量的乘积。或在"一般线性模型"->"定制"中构建包含交互项的模型 * 中心化: 变量中心化之后再创建交互项 4. 非线性回归： * 原理: 因变量与自变量之间存在非线性关系。 * SPSS操作：“分析”->“回归”->“曲线估计”. 选择模型(如二次、三次、对数、指数、S形等)。 5. 稳健回归、岭回归、LASSO回归、主成分回归：SPSS Base版本不直接提供，需通过扩展或使用其他软件。 6. 补充SPSS操作技巧: 语法编辑器 7. 补充案例： * 建立体重对身高的回归模型，解释系数和拟合度，进行残差分析。 * 研究不同广告投入、市场活动和产品价格对销售额的影响，建立多元回归模型。考虑交互效应（如广告投入和市场活动的交互作用）。 * 分析房屋面积、房间数、地理位置、建造年份对房屋价格的影响。 补充变量输入注意事项: 确保变量为数值型, 缺失值处理要根据研究设计和数据特点谨慎选择.
掌握SPSS中进行相关分析的操作步骤： 1. “分析”->“相关”->“双变量”： * “变量”：选择要分析的变量。确保这些变量是数值型或有序型。 * “相关系数”：选择要计算的类型（Pearson、Kendall's tau-b、Spearman）。 * “显著性检验”：双尾 (Two-tailed) 或单尾 (One-tailed)。 * “标记显著性相关”：用星号标记显著相关。 * “选项”： * “统计”：显示均值和标准差。 * “缺失值”：成列排除 (Exclude cases listwise) 或成对删除 (Exclude cases pairwise)。 2. “分析”->“相关”->“偏相关”： * “变量”：选择要分析的变量。 * “控制变量”：选择要控制的变量。 * “选项”： * “统计”：显示均值和标准差、零阶相关系数。 * “缺失值”：同上。 3. 散点图：“图形”->“旧对话框”->“散点图/点图”->“简单分布”, 可视化关系, 初步判断线性关系。通过观察散点图的形状，可以初步判断变量之间是正相关、负相关还是无相关，以及是否存在非线性关系或离群值。 * 添加拟合线：双击散点图进入图表编辑器，添加拟合线（如线性、二次等）。 * 分组散点图: 如果有分组变量，可以在散点图中用不同的颜色或符号表示不同的组。 4. 补充案例： * 分析学生的身高、体重、年龄数据，研究身高和体重的相关性，并控制年龄的影响。 * 分析学生的学习时间、作业完成情况和考试成绩之间的相关性。 补充变量输入注意事项: 确保变量为数值型，如果为字符串类型，需先转换为数值型(使用SPSS的"重新编码"功能); 缺失值处理要根据研究设计和数据特点谨慎选择.
掌握SPSS中进行方差分析的操作步骤： 1. 单因素方差分析： * “分析”->“比较平均值”->“单因素ANOVA”。 * “因变量列表”：选择因变量（连续变量）。 * “因子”：选择分组变量（分类变量）。 * “对比”: 可以定义特定的均值比较 (通常不使用， 更多使用事后检验)。用于进行计划比较（Planned Comparisons），即在进行方差分析之前就已经计划好的特定组之间的比较。 * “事后多重比较”：选择事后多重比较方法（如：Tukey、Bonferroni、Scheffe等）。根据方差齐性检验的结果和研究设计选择合适的方法。 * “选项”： * “描述性”：显示各组的描述性统计量（均值、标准差、样本量等）。 * “方差同质性检验”：进行方差齐性检验（Levene检验）。 * "均值图": 绘制各组均值的图形，直观地比较各组均值。 * 缺失值: 可以选择按分析排除个案， 或按列表排除个案. 2. 双因素/多因素方差分析： * "分析"->"一般线性模型"->"单变量" * “因变量”：选择因变量（连续变量）。 * “固定因子”：选择分类自变量（因素）。 * “协变量”：选择连续自变量（协变量）。 * “模型”：指定要检验的模型（包括主效应和交互效应）。 默认是全因子模型 (包含所有主效应和所有可能的交互效应)。 * "构建项" 可以自定义模型, 选择特定的主效应和交互效应。 * “对比”: 可以定义特定的均值比较 (通常不使用,更多使用事后检验或简单效应分析)。 * “事后多重比较”：选择事后多重比较方法（通常只对主效应进行事后比较）。 * "EM平均值": 可以输出指定因子的边际均值估计, 并进行多重比较 * “图”: 可以绘制交互效应图. 水平轴和单独的线条分别选择一个因子, 可以直观地展示交互效应。 * “选项”： * "齐性检验": 进行方差齐性检验 (Levene's test)。 * “描述性统计”：显示各组的描述性统计量。 * "残差图": 绘制残差图, 用于检验方差分析的假设。 * “参数估算值”: 可以输出回归系数, 将方差分析转化为回归模型。 * "效应量估算值": 输出偏η² 3. 重复测量方差分析: * "分析"->"一般线性模型"->"重复测量" * 定义主体内因子 (Within-Subjects Factors): 即重复测量因素, 如时间, 不同的实验条件等 * "因子名称": 输入因子名称 (如: time, condition) * "级别数": 输入该因子的水平数 (如: 3个时间点, 则输入3) * 定义主体间因子 (Between-Subjects Factors): 如果有的话 (如: 不同组的被试接受不同的处理) * 将重复测量的变量添加到"主体内变量"框中 * "模型", "对比", "事后比较"(通常不用), "图", "选项" 的设置与多因素方差分析类似. 注意重复测量方差分析中, SPSS会自动进行球形检验 (Mauchly's test). 4. 补充案例： * 比较不同年级学生的阅读理解能力是否有差异 (单因素方差分析) * 比较不同性别和不同年级学生的数学成绩是否有差异，以及性别和年级是否存在交互作用 (双因素方差分析) * 比较不同班级(不同的教学方法), 不同的家庭教育方式对学生成绩的影响 (多因素方差分析) * 比较同一组人在不同时间点(周一, 周三, 周五)的情绪状态 (重复测量方差分析)
掌握SPSS中进行T检验的操作步骤： 1. 独立样本T检验： * “分析”->“比较平均值”->“独立样本T检验”。 * “检验变量”：选择要比较的因变量（连续变量）。 * “分组变量”：选择分组变量（二分类变量）。 * “定义组”：指定分组变量的哪两个值代表要比较的两组。 * “选项”： * “置信区间百分比”：设置置信区间的水平（通常为95%）。 * 缺失值: 可以选择按分析排除个案 或 按列表排除个案. 2. 配对样本T检验： * “分析”->“比较平均值”->“配对样本T检验”。 * “配对变量”：选择一对变量（表示同一受试者在不同时间点或不同条件下的测量值）。 * "选项": 与独立样本T检验类似. 3. 单样本T检验： * “分析”->“比较平均值”->“单样本T检验”。 * “检验变量”：选择要检验的变量（连续变量）。 * “检验值”：输入要比较的总体均值（或理论值）。 * "选项": 与独立样本T检验类似. 4. 补充案例: * 比较男生和女生的数学成绩是否有差异 (独立样本T检验) * 比较同一组学生在期中和期末考试中的成绩是否有差异 (配对样本T检验) * 检验某品牌矿泉水的容量是否符合标称值500ml (单样本T检验)
SPSS操作： 1. “分析”->“描述统计”： * “频率”： * 适用：名义、序次、连续变量。 * 计算：频数、百分比、累计百分比、均值、中位数、众数、标准差、方差、范围、四分位距、偏度、峰度、百分位数。 * 绘制：条形图、饼图、直方图（可叠加正态曲线）。 * 直方图注意事项：观察直方图的形状，初步判断数据是否接近正态分布。注意组距的选择。 * “描述”： * 适用：连续变量。 * 计算：均值、标准差、方差、范围、最小值、最大值、偏度、峰度、标准误。 * 选项：将标准化值另存为变量（Z分数）。 * “探索”： * 适用：连续变量。 * 计算：更详细的描述性统计量（如：5%截尾均值、95%置信区间、M估计量）。 * 绘制：茎叶图、箱线图、正态性检验图（Q-Q图、P-P图）、直方图。 * 正态性检验：Shapiro-Wilk检验 (小样本, n<50), Kolmogorov-Smirnov检验 (大样本, n>50)。 * P值解读： p > 0.05，接受原假设，认为数据服从正态分布；p < 0.05, 拒绝原假设, 认为数据不服从正态分布. 2. “图形”->“旧对话框”/“图表构建器”： * 箱线图： 显示数据的中位数、四分位数、范围和异常值。有助于识别离群点。 * 茎叶图： 显示数据的具体数值分布。 * P-P图/Q-Q图： 用于检验数据是否服从正态分布。如果数据点近似分布在一条直线上，则认为数据服从正态分布。 3. 补充案例: 对比不同专业学生的数学成绩进行描述统计，并绘制直方图和箱线图，比较不同专业学生成绩的分布特征。
熟练运用SPSS进行描述性统计分析和图表绘制: "频率", "描述", "探索", "图表构建器". 能够根据数据类型和研究目的, 选择合适的图表类型, 并进行必要的设置(如: 添加正态曲线, 修改坐标轴, 添加标签等).
https://www.bilibili.com/list/watchlater?oid=37364229&bvid=BV1Pt411Q7HG&spm_id_from=333.1245.top_right_bar_window_view_later.content.click
