SPSS基本功能及操作.docx

资源描述

SPSS基本功能及操作.docx

《SPSS基本功能及操作.docx》由会员分享，可在线阅读，更多相关《SPSS基本功能及操作.docx（18页珍藏版）》请在冰点文库上搜索。

SPSS基本功能及操作.docx

SPSS基本功能及操作

统计分析模型

（1）信度分析文献[558]

操作步骤：

分析—度量—可靠性分析（R）—移动变量到项目（I）框内—统计量—描述性（项+度量+如果。

）—项之间（相关性）—继续—确定

信度系数界限值：

0．60—0．65认为不可信；0．65—0．70认为是最小可接受值：

0．70～0．80认为相当好；0．80—0．90就是非常好。

因此，—份信度系数好的量表或问卷最好在0．80以上，0．70—0．80之间还算是可以接受的范围；分量表最好在0．70以上：

0．60—0．70之间可以接受。

若分量表的内部一致性系数在0．60以下或者总量表的信度系数在0．80以下，应该考虑重新修订量表或增删题目。

案例处理汇总

案例

有效

102

100.0

已排除a

总计

102

100.0

a.在此程序中基于所有变量的列表方式删除。

可靠性统计量

Cronbach'sAlpha

基于标准化项的CronbachsAlpha

项数

.822

.830

项总计统计量

项已删除的刻度均值

项已删除的刻度方差

校正的项总计相关性

多相关性的平方

项已删除的Cronbach'sAlpha值

经济因素

27.02

12.415

.088

.099

.872

成长因素

26.89

10.058

.782

.669

.770

删除任何题项后的Cronbach’sα系数也无显著提高。

可见核心知识性员工激励组合量表的内部一致性高，信度较好。

信度分析说明该问卷的整体结构设计具有较高的可信度。

由此可以认为，该问卷具有较好的内在信度，依此调查得到的数据是可信的，基于该问卷进行的数据统计分析结果也是比较可靠的。

（2）效度分析文献[560]

每一个r值彼此都达到显著性水平的个数越多，就表示该分量表建构效度越好。

操作步骤：

分析—相关—双变量（B）—移动变量到变量（V）框内—相关系数（Spearman/Kendalltau-b（K））—显著性检验（双侧检验）—标记显著性相关—确定

相关系数

.241*

1.000

.711**

.691**

.585**

.487**

.432**

Sig.（双侧）

.015

.000

102

*.在置信度（双测）为0.05时，相关性是显著的。

**.在置信度（双测）为0.01时，相关性是显著的。

从工作满意度及员工参及的相关分析结果中可以看出，工作满意度的6个维度均及员工参及有相关关系，且都为正向相关，显著性水平均达到0.05的显著性水平，可证明薪酬激励量表具有较高的收敛效度，可以进行后续研究，他们之间的相关性也可以说明本文的研究具有一定的意义。

第二种方法（备用）：

分析—度量—可靠性分析（R）—移动变量到项目（I）框内—统计量—项之间（相关性）—继续—确定

项间相关性矩阵

经济因素

成长因素

精神因素

领导因素

环境因素

工作因素

管理因素

经济因素

1.000

.108

.029

-.006

.239

-.009

.037

成长因素

.108

1.000

.670

.720

.657

.570

.502

精神因素

.029

.670

1.000

.660

.517

.477

.373

领导因素

-.006

.720

.660

1.000

.566

.537

.481

环境因素

.239

.657

.517

.566

1.000

.471

.387

工作因素

-.009

.570

.477

.537

.471

1.000

.647

管理因素

.037

.502

.373

.481

.387

.647

1.000

对比上面相关系数表，项间相关性矩阵中相关系数判别标准：

》=0.1（强相关）

（3）频数分析P66文献[558]

操作步骤：

分析—描述统计—（123）频率（F）—移动变量到变量（V）框内—显示频率表格√—统计量—分布（偏度+峰度）—继续—确定

频率也称频数，就是一个变量在各个变量值上取值的个案数。

SPSS中的频数分析过程可以方便地产生详细的频数分布表，即对数据按组进行归类整理，形成各变量的不同水平的频数分布表和常用的图形，以便对各变量的数据特征和观测量分布状况有一个概括的认识。

描述总体分布形态的统计量主要有偏度和峰度两种。

偏度（Skewness）是描述取值分布形态对称性的统计量，由Pearson在1895年提出。

偏度由样本的3阶中心矩及样本方差的3／2次方的比值而得，偏度的绝对值越大，表示数据分布的偏斜程度越高。

来自正态总体的样本偏度近似为0。

偏度系数有两种测量方式，分别为皮尔逊偏度系数1和皮尔逊偏度系数2。

偏度系数等于0的时候属于正态分布；偏度系数大于0的时候是右偏分布，表明较低的值占多数；偏度系数小于0的时候为左偏分布，表明较高的值占多数。

峰度（Kutosis）是描述变量取值分布形态扁平程度的统计量，由Pearson在1905年提出。

峰度等于0的时候表示数据分布的扁平程度适中，即正态分布；峰度大于0的时候表示数据呈扁平分布；峰度小于0表明数据呈尖峰分布。

统计量

经济因素

成长因素

精神因素

领导因素

环境因素

工作因素

管理因素

有效

102

缺失

偏度

-1.776

-1.902

-2.168

-2.885

-1.795

-1.960

-1.671

偏度的标准误

.239

峰度

3.215

4.793

7.380

10.254

3.951

5.134

3.972

峰度的标准误

.474

经济因素

频率

百分比

有效百分比

累积百分比

有效

4.9

2.0

6.9

32.4

39.2

60.8

100.0

合计

102

100.0

操作步骤：

数据（D）—拆分文件（F）—√比较组—移动分组变量到分主方式（G）中（注意：

一次移动一个分组变量+如果一次移动多个则成为组合频率分析）—确定—分析—描述统计—（123）频率（F）—移动变量到变量（V）框内—显示频率表格√—确定

统计量

最高学历

经济因素

成长因素

精神因素

领导因素

环境因素

工作因素

管理因素

有效

缺失

有效

缺失

有效

缺失

有效

缺失

经济因素

最高学历

频率

百分比

有效百分比

累积百分比

有效

7.7

3.8

11.5

26.9

38.5

61.5

100.0

合计

100.0

有效

3.8

46.2

50.0

100.0

合计

100.0

有效

3.7

40.7

44.4

55.6

100.0

合计

100.0

（4）描述性统计分析P71文献[558]

操作步骤：

分析—描述统计—描述（D）—移动变量到变量（V）框内—选项—均值、样本方差、样本标准差—继续—确定离散系数另行计算

描述性统计量是研究随机变量变化综合特征（参数）的重要工具，它们集中描述了变量变化的特征。

SPSS提供的基本统计量大致可以分为3类：

描述集中趋势的统计量、描述离散程度的统计量和描述总体分布形态的统计量。

统计学中的集中趋势统计量是由样本值确定的量，样本值有向这个数据集中的趋势。

测度集中趋势就是寻找数据一般水平的代表值或中心值，不同类型的数据用不同的集中趋势测度值，选择哪种测度值取决于数据的类型。

描述集中趋势的统计量有样本均值、中位数等。

均值（Mean）又称为“算术平均值”，指一组数的平均值。

样本均值反映了变量取值的集中趋势，或者平均水平，是最常用的基本统计量。

统计学中描述离散趋势的统计量是样本值远离集中趋势统计量程度的定量化描述，说明了集中趋势测度值的代表程度，不同的数据有不同的离散趋势测度值。

比较重要的离散趋势统计量有样本方差、样本标准差、离散系数等。

样本方差（Variance）是刻画样本数据关于均值的平均偏差平方的一个量，是描述样本离散趋势的最常用的统计量。

样本方差越大，表明样本值偏离样本平均值的可能性就越大。

由于样本方差的计算单位是样本值的平方，将样本方差开方后可以得到和样本值相同量纲的统计量，称为样本标准差（Std．deviation）。

样本标准差和样本方差一样，也是度量样本离散程度的重要统计量。

离散系数也称标准差系数，即标准差及相应均值之比，主要用于测量相对离散程度，对不同组别离散数据进行比较。

离散系数消除了数据水平高低和计量单位的影响。

均值、样本方差、样本标准差、离散系数

描述统计量

均值

标准差

方差

经济因素

102

4.49

.767

.589

成长因素

102

4.62

.614

.377

精神因素

102

4.55

.684

.468

有效的N（列表状态）

102

（5）均值比较

操作步骤：

分析—比较均值—均值（M）—移动变量到因变量列表（D）框内—移动分组变量到自变量列表（I）框内—选项—均值从统计量（S）框移动到单元格统计量（C）—继续—确定

Means过程倾向于对样本进行描述，它可以对需要比较的各组计算描述指针，进行检验前的预先分析。

Means过程的优势在于所有的描述性统计变量均按因变量的取值分组计算，无须先进行文件拆分过程，输出结果中各组的描述指标放在一起，便于相互比较分析。

Means过程计算指定变量的综合描述统计量，包括均值、标准差、总和、观测量数、方差等一系列单变量描述统计量，当观测量按一个分类变量分组时，Means过程可以进行分组计算。

Means过程还可给出方差分析表和线性检验结果。

使用Means过程求若干组的描述统计量，目的在于比较，因此必须分组求均值。

案例处理摘要

案例

已包含

已排除

总计

百分比

经济因素*最高学历

102

100.0%

.0%

102

100.0%

成长因素*最高学历

102

100.0%

.0%

102

100.0%

精神因素*最高学历

102

100.0%

.0%

102

100.0%

管理因素*现任职务

102

100.0%

.0%

102

100.0%

经济因素成长因素精神因素领导因素环境因素工作因素管理因素*最高学历

均值

最高学历

经济因素

成长因素

精神因素

领导因素

环境因素

工作因素

管理因素

4.42

4.46

4.19

4.50

4.38

4.42

4.54

4.58

4.62

4.35

4.48

4.70

4.48

4.74

4.56

4.37

4.26

4.65

4.83

4.74

4.87

4.43

4.52

总计

4.49

4.62

4.55

4.67

4.38

4.43

4.37

报告

均值

最高学历

经济因素

成长因素

精神因素

领导因素

环境因素

工作因素

管理因素

博士

4.42

4.46

4.19

4.50

4.38

硕士

4.42

4.54

4.58

4.62

4.35

本科

4.48

4.70

4.48

4.74

4.56

4.37

4.26

专科

4.65

4.83

4.74

4.87

4.43

4.52

总计

4.49

4.62

4.55

4.67

4.38

4.43

4.37

（6）单因素方差分析文献[558]

操作步骤：

分析—比较均值—单因素ANOVA—移动变量到因变量列表（E）框内—移动分组变量到因子（F）框内（注意：

一次只能移动一个）—两两比较（H）—LSD√+Tamhane”sT2—继续—选项—方差同质性检验（H）—继续—确定

假设检验是对给定的总体参数值，利用样本数据对其推断，并给出接受或者拒绝的过程。

对正态总体参数的检验过程一般包括参数的假设检验和参数估计。

在总体已知的情况下对总体包含的参数进行推断的问题称为参数检验问题。

参数检验不仅可以针对一个总体的检验，也可以针对两个或更多个总体的比较问题。

当总体分布未知时，根据样本推断总体的分布类型和参数值的大小的过程称为非参数检验文献[558]。

假设检验的基本原则是依据统计推断原理，即小概率事件在一次特定的抽样中一般是不会发生的，如果发生了小概率事件，就有理由怀疑假设的正确性，从而拒绝检验该问题时做出的假设文献[561]。

任何领域的研究者要检验一个新理论或新观点时，可以首先陈述自己认为正确的假设，这个试图确立的假设作为备择假设H1，及备择假设相配的是原假设H0。

然后，通过收集有关样本数据和采用相应的检验方法来检验。

这种方法不是设法证明备择假设成立，而是努力收集证据来证明原假设不成立文献[559]。

检验的基本步骤：

1）给出检验问题的零假设

根据检验问题的要求，将需要检验的最终结果作为零假设（原假设），通常表述为H0：

u1=u2=u3=u4=u5（因素影响无显著差异）；备择假设H1：

u1、u2、u3，u4、u5不全相等（因素影响有显著差异）。

2）选择检验统计量

在统计推断中，总是通过构造样本的统计量并计算该统计量的概率值进行推断，一般构造的统计量应服从或近似服从常用的已知分布，例如均值检验中最常用的t分布和F分布等。

3）计算检验统计量的观测值及其发生的概率值

在给定零假设前提下，计算统计量的观测值和相应概率p值。

概率p值就是在零假设H0成立时检验统计量的观测值发生的概率，该概率值间接地给出了样本值在零假设成立的前提下的概率，对此可以依据一定的标准来判定其发生的概率是否为小概率。

4）在给定显著性水平条件下，做出统计推断结果

显著性水平指当假设正确时被拒绝的概率，即弃真概率，一般取0．01或0．05。

当检验统计量的概率p值小于显著性水平时，则认为此时拒绝零假设而犯弃真错误的概率小于显著性水平，即低于预先给定的水平，也就是说犯错误的概率小到我们能容忍的范围，这时可以拒绝零假设，认为控制变量不同水平下观测变量各总体的均值存在显著差异，当控制变量的各个效应不同时为0时，控制变量的不同水平对观测变量产牛了显著影响；反之，如果检验统计量的概率p值大于显著性水平，如果拒绝零假设，犯弃真错误的概率大于预先给定的容忍水平，这时不应该拒绝零假设，认为控制变量不同水平下观测变量各总体的均值无显著差异，控制变量的各个效应同时为0时，控制变量的不同水平对观测变量没有产生显著影响。

方差分析是统计学的一个重要范畴，是对观察结果的数据做分析的一种常用的统计方法，目的是检验两个或多个样本均数间差异的显著性意义。

方差分析是通过对数据误差来源的分析判断不同总体之间的均值是否相等，进而分析自变量是否有影响文献[561]。

方差分析是—种假设检验，它是对全部样本观测值的变动进行分解，将某种控制因素下各组样本观测值之间可能存在的由该因素导致的系统性误差和随机误差加以比较，据此推断各组样本之间是否存在显著差异。

若存在显著差异，则说明该因素对各总体的影响是显著的。

方差分析主要用于：

均数差别的显著性检验、分离各有关因素并估计其对总变异的作用、分析因素间的交互作用和方差齐性检验。

根据观测变量的个数，可以将方差分析分为单变量方差分析和多变量方差分析；根据因素的个数，可以将方差分析分为单因素方差分析和多因素方差分析。

单因素方差分析用来研究—个控制变量的不同水平是否对观测量产生了显著影响。

单因素方差分析是检验由单—因素影响的多组样本某因变量的均值是否有显著差异的问题，如果各组之间有显著差异，说明这个因素（分类变量）对因变量是有显著影响的，因素的不同水平会影响到因变量的取值。

方差分析基本假定：

对于因素的每一个水平，要求观测值是来自服从正态分布总体的简单随机样本：

对于各组观察数据，要从具有等方差的总体中抽取的，即要求各个总体的方差必须相同（方差具有齐性）；要求独立试验（观测）。

ANOVA

平方和

均方

显著性

经济因素

组间

.416

.139

.230

.875

组内

59.074

.603

总数

59.490

101

成长因素

组间

1.280

.427

1.136

.338

组内

36.808

.376

总数

38.088

101

方差齐性检验

Levene统计量

df1

df2

显著性

经济因素

.169

.917

成长因素

3.811

.012

精神因素

1.724

.167

领导因素

3.190

.027

环境因素

.834

.478

工作因素

.432

.730

管理因素

.970

.410

当方差分析F检验否定了原假设，即认为至少有两个总体的均值存在显著性差异时，须进一步确定是哪两个或哪几个均值显著的不同，则需要进行多重比较来检验。

多重比较是指在因变量的三个或三个以上水平下均值之间进行的两两比较检验。

SPSS提供了各种不同的多重比较方法，包括最小显著差异LSD法、Bonferroni法、Tukey法、Scheff法等。

根据方差齐次性检验表的结果显示，经验开放性这一因素的显著性系数为0.012，小于0.05，不具有方差齐次性（各个总体的方差相同），因此读取Tamhane”sT2的两两t检验结果；责任意识因素的显著性系数大于0.05，具有方差齐次性，因此读取LSD（Least一signifieantdifferenee）的两两t检验结果，结果如表？

？

所示。

多重比较

因变量

（I）现任职务

（J）现任职务

均值差（I-J）

标准误

显著性

95%置信区间

下限

上限

经济因素

LSD

.100

.224

.656

-.34

.54

-.015

.220

.945

-.45

.42

-.079

.249

.752

-.57

.41

Tamhane

.100

.222

.998

-.52

.72

-.015

.231

1.000

-.66

.63

-.079

.267

1.000

-.82

.66

多重比较

因变量:

经济因素

（I）最高学历

（J）最高学历

均值差（I-J）

标准误

显著性

95%置信区间

下限

上限

LSD

博士

硕士

.000

.215

1.000

-.43

.43

本科

-.058

.213

.784

-.48

.36

专科

-.229

.221

.303

-.67

.21

硕士

.229

.221

.303

-.21

.67

本科

.171

.220

.439

-.26

.61

Tamhane

博士

硕士

.000

.224

1.000

-.62

.62

本科

-.058

.222

1.000

-.67

.55

专科

-.229

.240

.920

-.89

.43

（7）相关分析文献[558]

操作步骤：

分析—相关—双变量（B）—移动一个个人变量到变量（V）框内—移动全部分析变量到变量（V）框内—相关系数（√Spearman/Kendall）—显著性检验（双侧检验√）—√标记显著性相关—确定

变量间的关系分为确定性关系和非确定性关系两类：

确定性关系即通常所说的函数关系；非确定性关系即相关关系。

相关分析（Correlate）是研究变量之间关系紧密度的一种统计方法，应用广泛，是专业统计分析的基础。

在统计分析中，常利用相关系数定量地描述两个变量之间线性关系的紧密程度。

相关分析的主要目的是研究变量之间关系的密切程度，以及根据样本的资料推断总体是否相关。

在统计分析中，常利用相关系数定量地描述两个变量之间线性关系的紧密程度。

数据度量尺度不同，相关分析的方法也不同。

连续变量之间的相关性常用Pearson简单相关系数来测定；定序变量的相关性常用Spearman秩相关系数或Kendall秩相关系数来测定：

而定类变量的相关分析则要使用列联表分析方法。

针对不同的变量类型，相关系数的计算方法不尽相同，但它们的含义和取值范围是相同的，即相关

展开阅读全文