pss

不同的方差分析里有相应的posthoc按钮比如你在anova，右边就有一个posthoc按钮，点击进入就可以选择posthoc的不同算法。记住3个水平或以上才有posthoc比较

spss阳性检验中用f检验或者t检验得到的概率值

这两个数据调整过的拟合度为0.361，太低了，没显著的线性关系

你要看你的spss版本是什么，如果是spss13，那肯定不行

a 只是起到一个脚注标注的作用因为你在回归时 采用的是enter法，将所有的变量无论是否有显著影响，都强制归入回归分析中，这个就是a的那句话解释

就应该扫进垃圾堆或献给文物馆啦。

不匹配的变量名会有这种错误提示我经常帮别人做这类的数据统计分析

主成分分析用于对数据信息进行浓缩，比如总共有20个指标值，是否可以将此20项浓缩成4个概括性指标。第一步:判断是否进行主成分(pca)分析;判断标准为KMO值大于0.6.第二步:主成分与分析项对应关系判断.第三步：在第二步删除掉不合理分析项后,并且确认主成分与分析项对应关系良好后,则可结合主成分与分析项对应关系,对主成分进行命名.spssau主成分分析操作共有三步：①选择【进阶方法】--【主成分分析】②将分析项拖拽到右侧分析框③点击开始分析请点击输入图片描述默认提供主成分得分和综合得分，分析前勾选“成分得分”、“综合得分”即可。

求每个子变量的均值可以通过描述分析得到你的结论是希望得到两个大变量是否有显著差异，而不是判断每个子指标是否有显著差异，因此你可以将第一个变量四个子变量的得分加起来即为第一个变量的得分，第二个变量也是同样的道理，这样通过两个变量的得分来做独立样本T检验或相关分析都可以了

KMO检验用于检查变量间的偏相关性 一般认为该值大于0.9时效果最佳 0.7以上尚可，0.6时效果较差 Bartlett"s球形检验用于检验相关阵是否是单位阵 P<0.01说明指标间并非独立，取值是有关系的。可以进行因子分析根据上图 可以看出一共提取了3个主成分 可是能解释的方差为69.958% 软件默认的是提取特征根大于1的主成分 如果加上第四个主成分的话可以解释的变异度为86.26%所以结合专业知识 可以考虑是不是增加一个主成分。

只有相关分析中spss才会在结果矩阵中显著出一个*号和两个*号 以区别0.01和0.05水平的显著性 其他的分析都是默认在0.05水平下的显著性 所以不会有*号，至于你看到的论文中加的*号 都是后来自己编辑添加的

不需要看，你这个操作有问题的 logit回归1.打开数据，依次点击：analyse--regression--binarylogistic，打开二分回归对话框。2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量。3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。5.选项里面至少选择95%CI。点击ok。统计专业研究生工作室为您服务

wald就是卡方值！

在logit分析的结果中 跟wald在一起的那个表格 就是对wald的检验 后面的sig就是wald检验是否显著的判断标准,它是对整体回归系数是否显著的检验 正如上面说的 它只是个参考值

卡方值（Wald）是卡方检验时计算出来的值，卡方检验用于进行两个率或两个构成比的比较。最简单和最典型的就是2*2列联表的卡方检验.自由度根据你的样本量来决定，自由度=（行数-1）（列数-1） 。自由度具体没有什么大的实际意义但是它有他的条件：如果是2*2列联表的卡方检验，要求样本含量应大于40且每个格子中的理论频数不应小于5。当样本含量大于40但理论频数有小于5的情况时卡方值需要校正，当样本含量小于40时只能用确切概率法计算概率。

B值是指回归系数和截距（常数项），可以是负数（负相关时回归系数出现负值）；OR是指定义比数比（odds ratio），其取值范围是0至正无穷，不可能是负数；Wald是一个卡方值，等于B除以它的标准误（S.E.）的平方值，因此也不可能是负数。Wald用于对B值进行检验，考察B值是否等于0。若B值等于0，其对应的OR【Exp(B)】为1，表明两组没有显著差异。OR等于B值的反自然对数。Wald值越大，B值越不可能等于0。S.E.是标准误,表示估计值的平均误差.wals是一个统计量,用检验自变量对因变量是否有影响的.它越大,或者说它对应的sig越小,则影响越显著.df是自由度,在分析中不用解释.实践应用中,关键的是解释系数B,或者后面的Exp(B),称为OR.还有sig,其它的可以不管.

B值是指回归系数和截距（常数项），可以是负数（负相关时回归系数出现负值）；OR是指定义比数比（odds ratio），其取值范围是0至正无穷，不可能是负数；Wald是一个卡方值，等于B除以它的标准误（S.E.）的平方值，因此也不可能是负数。Wald用于对B值进行检验，考察B值是否等于0。若B值等于0，其对应的OR【Exp(B)】为1，表明两组没有显著差异。OR等于B值的反自然对数。Wald值越大，B值越不可能等于0。S.E.是标准误,表示估计值的平均误差.wals是一个统计量,用检验自变量对因变量是否有影响的.它越大,或者说它对应的sig越小,则影响越显著.df是自由度,在分析中不用解释.实践应用中,关键的是解释系数B,或者后面的Exp(B),称为OR.还有sig,其它的可以不管.

B值是指回归系数和截距（常数项），可以是负数（负相关时回归系数出现负值）；OR是指定义比数比（odds ratio），其取值范围是0至正无穷，不可能是负数；Wald是一个卡方值，等于B除以它的标准误（S.E.）的平方值，因此也不可能是负数。Wald用于对B值进行检验，考察B值是否等于0。若B值等于0，其对应的OR【Exp(B)】为1，表明两组没有显著差异。OR等于B值的反自然对数。Wald值越大，B值越不可能等于0。S.E.是标准误,表示估计值的平均误差.wals是一个统计量,用检验自变量对因变量是否有影响的.它越大,或者说它对应的sig越小,则影响越显著.df是自由度,在分析中不用解释.实践应用中,关键的是解释系数B,或者后面的Exp(B),称为OR.还有sig,其它的可以不管.

不是，wald是chi square值，越大，结合自由度的情况，才能表示越显著

后面有p值的啊，sig这一列我经常帮别人做类似的数据分析的

Wald是一个卡方值，等于B除以它的标准误（S.E.）的平方值。Wald用于对B值进行检验。

百度有的

和你遇到了同样的问题，在GOOGLE上搜到的答案。初始中心的文件，第一个变量就应该是cluster_，值为1-k（k就是类别数）。我按这个做了，就OK啦！问：I ran the SPSS Quick Cluster procedure for K Means clusteranalysis, specifying an SPSS file with the initial clustercenters. I received error message # 14024 which states:"The file referenced in the FILE subcommand does not havethe proper format for QUICK CLUSTER initial cluster centers."My cluster center file includes all the variables that areused in the Quick Cluster command and there is one case foreach of the centers. Am I missing something?答：The first variable in your cluster center file must benamed cluster_ . The values for cluster_ in the K rows willbe 1, 2, ... K, where K is the number of clusters. The absenceof cluster_ will trigger the improper format error message.Other essential properties of the centers file include:1. You must have at least as many cases in the center fileas the number of clusters specified in the QUICK CLUSTER command.If there are K cases in the centers file and J (J< K) clustersspecified in the QUICK CLUSTER command, only the first J casesfrom the centers file will be used.2. All the variables that are included in the QUICK CLUSTERcommand must be included in the centers file. Variable orderneed not be identical in the QUICK CLUSTER command and thecenters file (provided cluster_ comes first in the centers file).Variables in the centers file that are not in the QUICK CLUSTERvariable list will be ignored in the analysis.

这个应该是视图变量里面的两个参数值，width表示数据视图中单元格变量值的宽度，columns是变量在数据视图中列的宽度。顺便问下，你是康平的同学吗？

spsscolumns填写方法：1、是表示列变量的意思。2、统计中将表格的行（Row）填写影响变量，将列（column）填写被影响变量。

卡方检验显著相关，但是Lambda (λ)系数很小，只有0.06，请问两个变量到底有关没关？

拉姆达.lambda:希腊字母表的第11个字母,读音:英 [_l_md_];美 [_l_md_]“Lambda 表达式”(lambda expression)是一个匿名函数，Lambda表达式基于数学中的λ演算得名，直接对应于其中的lambda抽象(lambda abstraction)，是一个匿名函数，即没有函数名的函数。Lambda表达式可以表示闭包（注意和数学传统意义上的不同）。

spss对空白格赋值具体操作步骤如下。1、计算新变量或者给老变量赋值。Transform–计算变量–目标变量：TS3=1–确认此时，样本中会出现一个新的变量TS3，且数值为1。2、Transform–计算变量–目标变量：TS3=2在个案满足条件时包括：s3>=35或s3<=54确定。3、Transform–计算变量–目标变量：TS3=3在个案满足条件时包括：s3>=55确定即可。

这个好办，秩和检验中，当样本量较大的时候可以采用近似正态分布来计算p值。现在样本量较小，近似程度不理想，不适合采用。从你的结果来看，渐近显著性p=0.043，精确显著性p=0.057，如果选择渐近就拒绝H0，选择精确就不拒绝H0。你说样本含量较小，只能采用精确显著性了。补充一句，如果两种显著性都拒绝HO或都不拒绝H0，就随便了。

看渐进的值

看sig，如果<0.05就是组间有差异

你的mann-whitney u=0，就是你需要的确切U值。在这里，U值就等于0，而对应的Wilcoxon W值等于21，根据这个U值和W值得出的asymp.sig结果是完全一样的，exact.sig也是完全一样的，以上这些值应该都是出现在结果的第二章表格（Test Statistics）里。U值出现等于0的情况是合理的，因为U=n1n2+n1 (n1+1)/2-S1n1n2分别代表2组的样本量，S1代表2组秩和（Sum of Ranks，出现在第一张表格中）中的较小者，上面的公式在U>（n1n2）/2需要修正，这里不再详述。因此，只要n1n2+n1 (n1+1)/2等于S1，U值就会等于0。U值就等于0不会造成Z值等于0。Z值的计算公式很复杂，这里不好列出来，但公式的分子是U-（n1n2）/2，因此得出的结果应该是负值（公式的分母是是开平方值，是正数）。

你的mann-whitneyu=0，就是你需要的确切u值。在这里，u值就等于0，而对应的wilcoxonw值等于21，根据这个u值和w值得出的asymp.sig结果是完全一样的，exact.sig也是完全一样的，以上这些值应该都是出现在结果的第二章表格（teststatistics）里。u值出现等于0的情况是合理的，因为u=n1n2+n1(n1+1)/2-s1n1n2分别代表2组的样本量，s1代表2组秩和（sumofranks，出现在第一张表格中）中的较小者，上面的公式在u>（n1n2）/2需要修正，这里不再详述。因此，只要n1n2+n1(n1+1)/2等于s1，u值就会等于0。u值就等于0不会造成z值等于0。z值的计算公式很复杂，这里不好列出来，但公式的分子是u-（n1n2）/2，因此得出的结果应该是负值（公式的分母是是开平方值，是正数）。

专业数据分析spss高手你这厮程序啊？？？

括号里面有标明啊 一个是双侧 一个是单侧

曼-惠特尼U检验（Mann-Whitney U test） 曼-惠特尼U检验又称“曼-惠特尼秩和检验”，是由 H.B. Mann 和 D.R.Whitney 于1947年提出的。 Mann-Whitney U 检验是用得最广泛的两独立样本秩和检验方法。简单的说，该检验是与独立样本t检验相对应的方法，当正态分布、方差齐性等不能达到t检验的要求时，可以使用该检验。其假设基础是：若两个样本有差异，则他们的中心位置将不同，属于非参数检验。 菜单操作：点击“分析”选择“非参数检验” 再选择“旧对话框——两个独立样本检验。

样本量小的检验的P值看精确显著性。P值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。样本量比较大的时候用渐近显著性，样本量小就要看精确显著性，如果样本量小于30，应该看精确P值，如果在SPSS报告的结果中发现渐进P值与精确P值显示为“0.000”，这意味着P值小于0.0005，并不是真的为0。扩展资料：P值的计算：一般地，用X 表示检验的统计量，当H0为真时，可由样本数据计算出该统计量的值C，根据检验统计量X的具体分布，可求出P值。具体地说：左侧检验的P值为检验统计量X 小于样本统计值C 的概率，即：P = P{ X < C}右侧检验的P值为检验统计量X 大于样本统计值C 的概率：P = P{ X > C}双侧检验的P值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍：P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。若X 服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。

网上就有

问的太不专业了。呵呵，假设检验是做统计分析的其中一步。spss只是列出结果，具体的假设你要根据你的建立的假设来做。

在graph里面做，其实excel也可以做，而且更漂亮

spss做不了的，建议用r

长度。在SPSS术语中英文对照中得知Length是长度的意思。SPSS（StatisticalProductandServiceSolutions），“统计产品与服务解决方案”软件。最初软件全称为“社会科学统计软件包”（SolutionsStatisticalPackagefortheSocialSciences），但是随着SPSS产品服务领域的扩大和服务深度的增加，SPSS公司已于2000年正式将英文全称更改为“统计产品与服务解决方案”，这标志着SPSS的战略方向正在做出重大调整。SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有Windows和MacOSX等版本。

correlation matrix即为相关系数矩阵，做相关数据分析时：点击：“分析”----”相关”----“双变量”，然后，选择在“相关系数”框中选择“Pearson”，做pearson 相关分析；若为两个分类变量，或者一个分类变量一个连续性的变量，则以可用Spearman 相关分析，这时输出的结果就是correlation matrix矩阵。

pearson是你选择做相关检验的方法，sig是这种检验方法对应的显著水平（p值）。看是否相关是看sig值，sig小于0.05说明两组数据有显著相关性，小于0.01相关极其显著。按你提供的这几组数据，只有SHDS与SHARP这两组数据间有极其显著的相关（sig=.000小于0.01），其他变量之间没有明显的相关关系。

晕！你错了吧，楼主。coorelation是相关分析，性别是二分变量，不同用person积差相关，而需要用列连相关。并且你这个分析性别的差异不是用相关分析，而是进行独立t检验。具体是做独立t检验，如果性别差异显著，就说明男和女有差异，然后看看那个平均数大，就说明男女那个的满意度多，而不是你说的那个对满意度的影响大。如果要进行影响分析的化，那么你就要进行回归分析，直接把性别作为自变量，满意度作为因变量，看看性别能否进入回归方程，才能说性别这个变量影响工作满意度，而不是你说的男女那个对满意度的影响大。

相关不显著

这是一个两个变量之间的相关性分析结果。使用的参数是Pearson指数。Pearsoncorrelation是一个相关系数，它指出了两个变量之间相关的亲密程度和方向。这个数值的绝对值越大越说明两个变量的关系越亲密，它的绝对值为0-1之间。在你的分析结果中，这个数值的绝对值为0.622，说明检验的两个变量之间相关亲密程度比较强。如果这个绝对值<0.3的话，那就是弱相关。这个相关系数的正负符号说明相关性的方向，如果为正值，你可以说这两个变量之间是正相关(一个变量的增高引起另一个变量的增高)，如果为负号，则为负相关(一个变量的增高引起另一个变量的降低)。从Pearsoncorrelation系数来看，这两个变量之间存在较强的负相关。Sig.(2-tailed)是一个相关显著性系数，它指出上面所说的相关系数是否具有统计学意义。Sig.(2-tailed)=0.018说明在(1-0.018)*100=98.2%的几率上，上面的Pearsoncorrelation成立。一般而言，sig.<=0.05的情况下，Pearsoncorrelation具有统计学意义。从你的结果来看:两个变量之间为显著正相关(r=0.622,p=0.018)。N，是number的缩写，就是指出你的两个变量共多少个数据，从你的结果来看，共14个数据参加了运算。*Correlationissignificantatthe0.05level(2-tailed).是指:在95%的几率下，相关性是显著的。实际上，你不看这一行，从上面的sig.值就可以看出来了。

请问一下，这张图是怎么来的啊？谢谢哦

这是一个两个变量之间的相关性分析结果。 使用的参数是Pearson指数。 Pearson correlation是一个相关系数，它指出了两个变量之间相关的亲密程度和方向。这个数值的绝对值越大越说明两个变量的关系越亲密，它的绝对值为0-1之间。在你的分析结果中，这个数值的绝对值为 0.622，说明检验的两个变量之间相关亲密程度比较强。如果这个绝对值< 0.3的话，那就是弱相关。 这个相关系数的正负符号说明相关性的方向，如果为正值，你可以说这两个变量之间是正相关（一个变量的增高引起另一个变量的增高），如果为负号，则为负相关（一个变量的增高引起另一个变量的降低 ）。 从Pearson correlation系数来看，这两个变量之间存在较强的负相关。 Sig. （2-tailed）是一个相关显著性系数，它指出上面所说的相关系数是否具有统计学意义。Sig. (2-tailed) =0.018说明在（1-0.018）* 100=98.2%的几率上，上面的Pearson correlation成立。一般而言，sig. <=0.05的情况下，Pearson correlation具有统计学意义。从你的结果来看： 两个变量之间为显著正相关（r = 0.622, p = 0.018）。 N，是number的缩写，就是指出你的两个变量共多少个数据，从你的结果来看，共14个数据参加了运算。 * Correlation is significant at the 0.05 level (2-tailed).是指： 在95%的几率下，相关性是显著的。实际上，你不看这一行，从上面的sig.值就可以看出来了。

std.error：标准误差 std.deviation：标准差 标准误：是样本统计量的标准差,如样本均数的标准差也称为均数的标准误,它反映了样本均数间的离散程度,也反映了样本均数与总体均数的差异,说明均数抽样误差的大小.在实际...

你想问什么 没看出来。。。。

Mean=12.4333 平均值，这个就不用解释了吧Std. Deviation=5.63394 std deviation是标准方差 ，意义为:设数为x1,x2,x3,x4...x10 先求 平均值ave=(x1+x2+x3+x4+...+x10)/10 再有:std deviation=(ave-x1)^2+(ave-x2)^2+(ave-x3)^2+(ave-x4)^2+...+(ave-x9)^2+(ave-x10)^2 (ave-x1)^2代表(ave-x1)的平方这里的5.633，代表标准误差不是特别大，对你分析问题的影响不大。不过总体来说，你的样本量有限，而且数据也不复杂，这个指标，包括下边的指标对你分析结果影响不大。Std. Error Mean=.72734 标准误：是样本统计量的标准差，如样本均数的标准差也称为均数的标准误，它反映了样本均数间的离散程度，也反映了样本均数与总体均数的差异，说明均数抽样误差的大小。在实际工作中,我们无法直接了解研究对象的总体情况,经常采用随机抽样的方法,取得所需要的指标,即样本指标。样本指标与总体指标之间存在的差别,称为抽样误差,其大小通常用均数的标准误来表示。t=17.094 df=59 sig. (2-tailed)=.000 95% Confidence Interval of the Difference Lower=10.9779 Upper=13.8887

均数的描述是均值加减标准差，所以就是std.deviation

下拉菜单选stepwise

打开数据以后，菜单栏上依次点击：analyse--regression--binary logistic，打开二分回归对话框2将因变量和自变量放入格子的列表里，如图所示，上面的是因变量，下面的是自变量，我们看到这里有三个自变量设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法，在前面的文章中有介绍，这里就不再熬述。点击ok，开始处理数据并检验回归方程，等待一会就会弹出数据结果窗口看到的第一个结果是对case的描述，第一个列表告诉你有多少数据参与的计算，有多少数据是缺省值；第二个列表告诉你因变量的编码方式，得分为1代表患病，得分为0代表没有患病这个列表告诉你在没有任何自变量进入以前，预测所有的case都是患病的正确率，正确率为%52.6下面这个列表告诉你在没有任何自变量进入以前，常数项的预测情况。B是没有引入自变量时常数项的估计值，SE它的标准误，Wald是对总体回归系数是否为0进行统计学检验的卡方。下面这个表格结果，通过sig值可以知道如果将模型外的各个变量纳入模型，则整个模型的拟合优度改变是否有统计学意义。 sig值小于0.05说明有统计学意义这个表格是对模型的全局检验，为似然比检验，供给出三个结果：同样sig值<0.05表明有统计学意义。下面的结果展示了-2log似然值和两个伪决定系数。两个伪决定系数反应的是自变量解释了因变量的变异占因变量的总变异的比例。他们俩的值不同因为使用的方法不同。分类表，这里展示了使用该回归方程对case进行分类，其准确度为%71.8。最后是输出回归方程中的各变量的系数和对系数的检验额值，sig值表明该系数是否具有统计学意义。到此，回归方程就求出来了。

　　Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。　　二值logistic回归：　　选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。　　细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。那么我们为了模型的准确，就把这个交互效应也选到模型里去。我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。　　然后在下边有一个方法的下拉菜单。默认的是进入，就是强迫所有选择的变量都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。再下边的选择变量则是用来选择你的个案的。一般也不用管它。　　选好主面板以后，单击分类（右上角），打开分类对话框。在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。这里的字符型变量指的是用值标签标注过得变量，不然光文字，系统也没法给你分析啊。选好以后，分类协变量下边还有一个更改对比的框框，我们知道，对于分类变量，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。默认的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，默认就可以了。　　点击继续。然后打开保存对话框，勾选概率，组成员，包含协方差矩阵。点击继续，打开选项对话框，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变量有连续型的，或者小样本，那还要勾选Hosmer-Lemeshow拟合度，这个拟合度表现的会较好一些。　　继续，确定。　　然后，就会输出结果了。主要会输出六个表。　　第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。　　第二个表示模型汇总表。这个表里有两个R^2，叫做广义决定系数，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少。由于计算方法不同，这两个广义决定系数的值往往不一样，但是出入并不会很大。　　在下边的分类表则表述了模型的稳定性。这个表最后一行百分比校正下边的三个数据列出来在实际值为0或者1时，模型预测正确的百分比，以及模型总的预测正确率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的），当然正确率越高越好。　　在然后就是最重要的表了，方程中的变量表。第一行那个B下边是每个变量的系数。第五行的p值会告诉你每个变量是否适合留在方程里。如果有某个变量不适合，那就要从新去掉这个变量做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变量1+a2*变量2.。。。)/(1+Exp(常量+a1*变量1+a2*变量2.。。。))。如果大家学过一点统计，那就应该对这个形式的方程不陌生。提供变量，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈。那你的模型算出来就是没有治愈的概率。如果你想直接计算治愈的概率，那就需要更改一下设定，用1去代表治愈。　　此外倒数后两列有一个EXP（B），也就是OR值，哦，这个可不是或者的意思，OR值是优势比。在线性回归里边我们用标准化系数来对比两个自变量对于因变量的影响力的强弱，在logistic回归里边我们用优势比来比较不同的情况对于因变量的影响。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女，1代表男，0代表不好转，1代表好转。发现这个变量的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍。注意，这里都是以数值较大的那个情况为基准的。而且OR值可以直接给出这个倍数。如果是0,1,2各代表一类情况的时候，那就是2是1的2.9倍，1是0的2.9倍，以此类推。OR值对于方程没什么贡献，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断。　　此外还有相关矩阵表和概率直方图，就不再介绍了。 　多项logistic回归：　　选择分析——回归——多项logistic，打开主面板，因变量大家都知道选什么，因变量下边有一个参考类别，默认的第一类别就可以。再然后出现了两个框框，因子和协变量。很明显，这两个框框都是要你选因变量的，那么到底有什么区别呢？嘿嘿，区别就在于，因子里边放的是无序的分类变量，比如性别，职业什么的，以及连续变量（实际上做logistic回归时大部分自变量都是分类变量，连续变量是比较少的。），而协变量里边放的是等级资料，比如病情的严重程度啊，年龄啊（以十年为一个年龄段撒，一年一个的话就看成连续变量吧还是）之类的。在二项logistic回归里边，系统会自动生成哑变量，可是在多项logistic回归里边，就要自己手动设置了。参照上边的解释，不难知道设置好的哑变量要放到因子那个框框里去。　　然后点开模型那个对话框，哇，好恐怖的一个对话框，都不知道是干嘛的。好，我们一点点来看。上边我们已经说过交互作用是干嘛的了，那么不难理解，主效应就是变量本身对模型的影响。明确了这一点以后，这个对话框就没有那么难选了。指定模型那一栏有三个模型，主效应指的是只做自变量和因变量的方程，就是最普通的那种。全因子指的是包含了所有主效应和所有因子和因子的交互效应的模型（我也不明白为什么只有全因子，没有全协变量。这个问题真的很难，所以别追问我啦。）第三个是设定/步进式。这个是自己手动设置交互项和主效应项的，而且还可以设置这个项是强制输入的还是逐步进入的。这个概念就不用再啰嗦了吧啊？　　点击继续，打开统计量对话框，勾选个案处理摘要，伪R方，步骤摘要，模型拟合度信息，单元格可能性，分类表，拟合度，估计，似然比检验，继续。打开条件，全勾，继续，打开选项，勾选为分级强制条目和移除项目。打开保存，勾选包含协方差矩阵。确定（总算选完了）。　　结果和二项logistic回归差不多，就是多了一个似然比检验，p值小于0.05认为变量有意义。然后我们直接看参数估计表。假设我们的因变量有n个类，那参数估计表会给出n-1组的截距，变量1，变量2。我们我们用Zm代表Exp（常量m+am1*变量1+am2*变量2+。。。），那么就有第m类情况发生的概率为Zn/1+Z2+Z3+……+Zn(如果我们以第一类为参考类别的话，我们就不会有关于第一类的参数，那么第一类就是默认的1，也就是说Z1为1)。　　　　有序回归（累积logistic回归）：　　选择菜单分析——回归——有序，打开主面板。因变量，因子，协变量如何选取就不在重复了。选项对话框默认。打开输出对话框，勾选拟合度统计，摘要统计，参数估计，平行线检验，估计响应概率，实际类别概率，确定，位置对话框和上文的模型对话框类似，也不重复了。确定。　　结果里边特有的一个表是平行线检验表。这个表的p值小于0.05则认为斜率系数对于不同的类别是不一样的。此外参数估计表得出的参数也有所不同。假设我们的因变量有四个水平，自变量有两个，那么参数估计表会给出三个阈值a1,a2，a3（也就是截距），两个自变量的参数m，n。计算方程时，首先算三个Link值，Link1=a1+m*x1+n*x2，Link2=a2+m*x1+n*x2，Link3=a3+m*x1+n*x2，（仅有截距不同）有了link值以后，p1=1/(1+exp(link1)),p1+p2=1/(1+exp（link2）),p1+p2+p3=1/(1+exp(link3)),p1+p2+p3+p4=1..　　通过上边的这几个方程就能计算出各自的概率了。　　　　Logistic回归到这里基本就已经结束了。大家一定要记熟公式，弄混可就糟糕了。希望能对你有所帮助呦。

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。 　　二值logistic回归： 　　选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。

先做单因素后做多因素回归分析

这个是在regression菜单里面的但是你采用ols之前，要确定是不是一定能使用ols，ols是有应用条件的，不能乱用我替别人做这类的数据分析很多的

你在做什么时看到的？

做个T检验就可以啦

看看是不是EXECUTE后面缺了一点句号“.”

打开SPSS数据编辑窗口，点击视图转换栏中的”变量视图“，进入变量视图页面。定义变量名称：选中某个变量的名称单元格单击，即可编辑变量名称。如果没有预先编辑变量名而直接输入数据的话，会像下图一样显示哦。从技术角度来说，也可以这样做，但具体分析变量的时候一定会很混乱，别人也很难看懂。定义变量类型：选中某个变量的”类型“单元格，单击即可弹出如下对话框，选取和变量相应的类型。例如：”性别“变量一般选择字符串，只用于分类，而年龄变量一般选择”数值“，用于统计分析，可计算平均年龄。宽度和小数位数定义：宽度定义指的是变量的宽度，即变量的整数位数，一般系统默认为8；而小数位数指的是变量的小数位，系统默认为2。可以看到，字符串变量是没有小数位的。变量标签定义：选中某个变量的”标签“单元格，直接输入相应的内容即可定义该变量。它的作用是对变量名称做出进一步的解释和说明，避免遗忘和混淆。6变量值标签定义：经常用。选中某个变量的”值“单元格，单击，弹出以下对话框。如：定义性别变量值时，0代表女生，1代表男生。

到底是什么样的明确的意思？你可以说的到底具体一些的意思

打开SPSS数据编辑窗口，点击视图转换栏中的”变量视图“，进入变量视图页面。定义变量名称：选中某个变量的名称单元格单击，即可编辑变量名称。如果没有预先编辑变量名而直接输入数据的话，会像下图一样显示哦。从技术角度来说，也可以这样做，但具体分析变量的时候一定会很混乱，别人也很难看懂。定义变量类型：选中某个变量的”类型“单元格，单击即可弹出如下对话框，选取和变量相应的类型。例如：”性别“变量一般选择字符串，只用于分类，而年龄变量一般选择”数值“，用于统计分析，可计算平均年龄。宽度和小数位数定义：宽度定义指的是变量的宽度，即变量的整数位数，一般系统默认为8；而小数位数指的是变量的小数位，系统默认为2。可以看到，字符串变量是没有小数位的。变量标签定义：选中某个变量的”标签“单元格，直接输入相应的内容即可定义该变量。它的作用是对变量名称做出进一步的解释和说明，避免遗忘和混淆。6变量值标签定义：经常用。选中某个变量的”值“单元格，单击，弹出以下对话框。如：定义性别变量值时，0代表女生，1代表男生。

可以做描述性的分析

range是一个统计量

你粘贴的表格看不太清楚，你用非参数检验来做，用单样本K-S检验来做正态分布检验。还有一个问题，你将个数变量加权之后得到的新序列是：距离区间*个数，而这个新序列和你原来的序列不一样（你原来的序列是个数表示每个距离区间值的个数，而不是希望他们乘起来得到新的序列，比如-5.4有1，-4.8有2，不知道我理解的对不对）这样你的检验结果是对新的序列进行检验的，而不是对你原来的序列进行检验，所以你的数据需要重新输入。

应该是可以的，虽然本人没有用过SPSS的这个功能，但是印象中在功能标签中看到过这个选项卡

ibm spss statistic是一款使用范围很广的统计分析软件。涵盖了科研、自然研究、商业研究、政策分析、金融分析等多个方面，其提供的一种综合性的统计与服务解决方案，不仅可进行数据的收集、处理、统计与分析，也能导出美观的图表，进行数据的可视化展示。提供的服务1.海量的检验分析方法spss提供的检验分析方法十分丰富，包括基础的频率、探索统计数据，以及线性模型、曲线模型的构建，以及正态性、方差齐性、t检验、F检验、非参数检验等常用检验方法。2.丰富的统计变量对于常用的统计量，spss都能轻松运算得到，比如平均值、中位数、四分位数、标准差、方差、偏度等统计量，以观察数据的分布情况与离散趋势，为后续的更复杂的数据分析提供分析方向。3.美观而实用的专业图表如果需要进行数据的可视化操作，比如将数据用于展示报告，以直观的方式展示数据等，均可通过spss的图表创建器制作美观的图表。4.专业的数据处理spss拥有强大的数据处理能力，可轻松完成变量、个案的合并、重复个案的标识、多重响应集的定义、数据的重构与重置等，提升数据统计分析的价值。

k-s检验是非参数检验中的一种检验方法。可用于检验一组随机数是否符合正态、均匀、指数等分布。

statistic是指经过你所做的检验得出的各种统计数据值。

你把spss 的那个lservrc 文件和软件放在同一个文件夹，重进再看看。

SPSS如何对数据进行对数转换_数据分析师考试Transform→compute variables右侧function group里面有Arithmetic函数，选择里面的对数转换函数就OK！

你这个机器改不了的，他是内置电池，续航时间是定死了。只有重新购买一台可以外接电池组的UPS电源，然后根据你的后备时间来配置电池

TG500是山特UPS最小的后备UPS，现在是高度集成化的一块电路板，你在CPU的时钟控制电路部分进行修改，把放电终止电压设置到最低。

这个主要的还不是用SPSS分析。主要的还是要进行验证性因素分析、结构方程模型分析。你可以用AMOS、LESER等软件来操作。当然也要SPSS做辅助。

exchangerate 和 import 俩变量之间相关显著，r（55）＝ 0.972，α= 0.006。

您好，您是想问spss里问卷导进来后,显示缺Numeric怎么处理吗？spss里问卷导进来后,显示缺Numeric处理方法是：1、在spss菜单中选择，转换——替换缺失值。2、将含缺失的变量选入右边分析框中，默认的方法就是均值填补，OK即可。

截距项