加载中…
个人资料
study_harvest
study_harvest
  • 博客等级:
  • 博客积分:0
  • 博客访问:116,693
  • 关注人气:162
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
相关博文
推荐博文
正文 字体大小:

[转载]spss 命令

(2018-03-30 17:07:14)
标签:

转载

原文地址:spss 命令作者:老李头


基本操作

读取数据

读取文件

data list file=’’ fixed/free

/{varname} {format}.

 

读取数列

data list 

/{varname} {format}.

begin data

{data list}

end data.

 

读取矩阵

matrix data variable {varname}

/file=’’

/n={n}

/contents=corr.

 

数据编辑

变量名

变量名不超过8个字符名首必须是字母

 

变量标签

variable labels {varname} ’’.

不能超过40个字符

 

值标签

value labels {varname} {value} ’’.

不能超过20个字符

 

形式

format {varname} (f{w.d}).

 

缺失值

missing values {varname} ().

 

排序

sort cases by {varname} (a/b).

 

数据合并

add files

/file=*

/file=’’

/rename {old varname}={new varname}

/drop {varname}.

 

数据转换

Compute

compute {target varname}={expression}.

算术运算:+,-,*,/,**()

算术函数:sqrt, rnd(四舍五入), trunc(取整)

统计函数:mean, sum, sd, max, min 

缺失值函数:SYSMISMISSINGNMISSNVALIDVALUE(不算缺失值)

时间函数: CTIME.DAYS,$JDATE

 

If

if () {target varname}={expression}.

 

Recode

recode {varname} (old value /else/lowest through {value}/{value} through {value}/{value} through high=new value) into {newvarname}.

Missing valuesuser-defined 也会被重编码,因此应小心user-defined. user-defined 不包括在范围内

 

Split file

Sort cases by {varname} .

split file

  layered by {varname} .

 

split file 

  off.   

 

Flip

flip variables {varname}/all.

 

Rank

rank variable {varname}.

 

数据分析

描述性统计

Frequencies

Frequencies {varname}

/histogram NORMAL /barchart (freq/percent)/piechart.

 

Descriptive

Descriptive {varname}

/statistics=sum mean min max (集中趋势) RANGE stddev SEMEAN VARIANC

(离中趋势) skewness(偏度) SESKEW KURTOSIS(峰度) SEKURT(形状测量)

/{varname} (z{newvarname}).

 

Explore

examine {varname}

/plot BOXPLOT STEAMLEAF HISTOGRAM(不带有正态曲线) NPPLOT(证明正态)

/ STATISTICS DESCRIPTIVES EXTREME

/MESTIMATORS(修正均值).

 

 

Crosstabs

Crosstabs

/tables={row varname} BY {column varname}

/Statistic=chisq(默认) corr KAPPA评定者间一致性系数)PHI CC(修正)

/CELLS.

相关分析

Graph

scatterplot={varname} with {varname}.

 

Person

correlations

/variables={varlist}

/ MISSING=PAIRWISE/LISTWISE(数据足够时更稳定).

 

Spearman/kendall(顺序变量)

nonpar corr

/variables={varlist}

/print=spearman(默认)/kendall(有重复)/both.

 

差异性检验

[转载]spss <wbr>命令

 

单样本t检验

t-test testval={value}

/variables={varname}.

 

独立样本t检验

t-test groups={varname}(value1 value2)

/variables={varname}.

 

相关样本t检验

t-test pairs={varname} with {varname}.

 

曼-惠特尼U检验

npar tests

m-w={varname} with value1 value2}.

 

维克尔松检验

npar test

wilcoxon={varname} with {varname}.

 

方差分析

前提假设:独立、等距、正态、同质

数据要求:多元正态,线性(散点图)

 

Oneway anova(单一自变量平-单一因变量)

oneway 

{varlist} by {varname}

/statistics descriptives homogeneity

/contrast {valuelist}

/posthoc=LSD TURKEY(敏感)BONFERRONI Scheffe(保守snk DUNNETT.

 

Unianova(多个自变量-单一因变量)

unianova

  {dependent varname}  BY {factor varlist}

/posthoc {varlist}=lsd snk turkey

/plot=profile({varname/varname*varname})

/desigh={factor varlist}.

 

manova

{dependent varname}  BY {factor varlist}

/DESIGN={FACNAME1} within {FACNAME2}(FACNUM1{FACNAME1} within {FACNAME2}(FACNUM2)…

 

Multivariate(多个自变量-多个因变量)

glm

{dependent varlist}  BY {factor varlist}

/desigh={factor varlist}

/PRINT HOMOGENEITY(同质性前提)

/plot=profile({varname/varname*varname})

/posthoc {varlist}=lsd snk turkey

 

 

manova

  {dependent varlist}  BY {factor varlist}

/DESIGN={FACNAME1} within {FACNAME2}(FACNUM1{FACNAME1} within {FACNAME2}(FACNUM2)…

 

REPEATED MEASURE(包含组内自变量-多个因变量)

glm

{wsfactor varlist}  BY {factor varlist}

/WSFACTORs {wsfacname} {wsfacnum}

/wsdisigh  {wsfaclist}

/desigh={varlist}

/emmeasn tables(varnamecompare adj(lsd)

/plot=profile({varname/varname*varname/varname*wsfacname})

 

manova 

{wsfactor varlist} BY {facname} (facnum)

/WSFACTORS {wsfacname} (wsfacnum)

/WSDESIGN ={WSFACNAME1} within {WSFACNAME2}(WSFACNUM1{WSFACNAME1} within {WSFACNAME2}(WSFACNUM2)…

/DESIGN={FACNAME1} within {FACNAME2}(FACNUM1{FACNAME1} within {FACNAME2}(FACNUM2)…

/WSDESIGN={WSFACNAME}

/DESIGN=MWITHIN {FACNAME} (FACNUM1) MWITHIN {FACNAME} (FACNUM2) 

/DESIGN={FACNAME}

/WSDESIGN=MWITHIN {WSFACNAME} (WSFACNUM1) MWITHIN {WSFACNAME} (WSFACNUM2)….

 

回归分析

前提假设:等距/等比/(顺序) 线性 非共线性 残差正态,同质,线性

数据要求:cases variables=101;被试数目100;无Outliers();无multicollinearity

 

IGRAPH 

/VIEWNAME='Scatterplot' 

/X1 VAR(before) TYPE SCALE 

/Y VAR(after) TYPE SCALE 

/COORDINATE VERTICAL  

/FITLINE METHOD REGRESSION LINEAR LINE TOTAL SPIKE=OFF 

/X1LENGTH=3.0 

/YLENGTH=3.0 

/X2LENGTH=3.0

/CHARTLOOK='NONE' 

/SCATTER COINCIDENT NONE.

EXE.

 

REGRESSION

/DEPENDENT {DEPENDENT VARNAME}

/METHOD=STEPWISE/ENTER {FACTOR VARLIST}

/STATISTICS COEFF() OUTS ANOVA COLLIN(检验multicollinearity

/CASEWISE(检验outlier .

 

聚类分析

CLUSTER {VARLIST}

/PRINT SCHEDULE CLUSTER(CLUNUM)

/PLOT DENDRGRAM VICICLE

 

主成分分析

前提假设:多元正态 线性 等距(顺序) 相关-

数据要求:cases variables=51;被试数目>200;正态不是必须,如果正态分布,解决会更好;线性:如果非线性,应考虑转换变量后再作因素分析;Outliers;在主成分分析中,multicollinearity不是问题,在主因素分析中,不能有 multicollinearity

 

相关矩阵

FACTOR

  /MATRIX=IN(CORR=*)

  /method=correlation

  /format=sort blank(0.40)

  /ROTATION VARIMAX 

  /PLOT=EIGEN rotation.

 

一般主成分分析

FACTOR

  /VARIABLES {VARLIST}

  /PLOT EIGEN ROTATION

  /ROTATION VARIMAX

/METHOD=CORRELATION 

/PRINT KMO (相关和共线性检验).

 

数据报告

描述性统计

Frequencies

 

Descriptive

• 报告Descriptives

峭度为正表示总体分布的峰态较标准正态更陡反之更缓.

斜度为正表示样本值比较集中于均值的左边斜度为负表示样本值比较集中于均值的右边

 

Explore

• 报告Descriptives

去掉5%的均值5% trimmed mean  四分位距interquartile range

• Respondent’ Stem-and-Leaf Plot

• Respondent’ Boxplot

Outlier:从矩形框始,在1.5 倍箱距的点之外

Extreme:从矩形框始,在3倍箱距的点之外                

1.5 倍箱距的点之外的Outlier需要给予注意,如果是多于3个点位置很近,多数情况考虑保留。倍箱距的点之外的Extreme value需要给予特别注意,如果是孤立的点,多数情况考虑可以作为缺失值计算一次,作为有效值计算一次。

• Normal Q-Q Plot of Respondent's 

X轴:实得分数 Y轴:Z分数的期望值 如果呈线性说明正态分布

 

Crosstabs

• 报告Respondent's  A*B  Crosstabulation

单位格 standardized residual 2.0引起chi-square 增加或显著

• 报告Chi-Square Tests

报告自由度  df (r-1) (c-1)

的最小值 5,  ²可能不准确

Chi Square 统计量不是描述相关的良好指标。因为它随样本量变化而变化。两变量间各种类型的相关都会产生一样的Chi Square 值。

 

相关分析

• 报告Graph

散点图提示的outlier 需要特别处理

散点图也帮助我们找出multivariate outlier,关系的异常值

• 报告Correlations-CorrelationsNonparametric  Correlations Correlation

 

对数据的相关分析显示,ab有显著相关,r(df)=p.001,双尾

 

差异性检验

单样本t检验

• 报告One-Sample Test

 

独立样本t检验

• 报告Independent Samples Test

• 如果Levene's Test for Equality of Variances显著,报告Equal variances assumed Welch'st test结果。

• 如果Levene's Test for Equality of Variances显著,报告Equal variances not assumet test 结果。

 

a的均值(M =, SD =) b=, SD =)有显著差异 t(df=, <0.05

 

相关样本t检验

• 报告Paired Samples Test

• 

曼-惠特尼U检验(独立样本)

• 报告Test Statistics

 

维克尔松检验(相关样本)

 

 

方差分析

One way anova

• Descriptives

• 报告ANOVA

• 报告Multiple Comparisons

 

a的均值(M =, SD =) b的均值(=, SD =)c的均值(=, SD =)有显著差异 t(df=, <0.05。事后检验显示,ab有显著差异,a-b=,p=<0.05; cb有显著差异,c-b=,p=<0.05; ac有显著差异,a-c=,p=<0.05

 

Unianova

• 主效应和交互作用报告Tests of Between-Subjects Effects

自变量只有两组时,报告HotellingTrace;自变量大于两组时,报告WilkLambda

方差齐性的统计前提被违反时,报告PillaiTrace 

• 如果是不平衡处理,事后检验报告Estimated Marginal Means- Pairwise ComparisonsOption

• 如果是平衡处理报告,事后检验报告Pairwise ComparisonsPosthoc

• 交互作用图报告Profile Plots

 

**因素方差分析结果显示,ab交互作用显著,F()=p<0.05,交互作用图如图1。简单效应结果显示,a1b1M=SD=)和b2M=SD=)上有显著差异,F()=p<0.05a2b1M=SD=)和b2M=SD=)上有显著差异,F()=p<0.05a的主效应显著,F()=p<0.05b的主效应显著,F()=p<0.05

 

Multivariate

• 报告Box's Test of Equality of Covariance Matrices 

• 简单效应结果报告Manova

• 如果是不平衡处理,事后检验报告Estimated Marginal Means- Pairwise ComparisonsOption

• 如果是平衡处理报告,事后检验报告Pairwise ComparisonsPosthoc

• 交互作用图报告Profile Plots

 

**因素方差分析结果显示,ab交互作用显著,F()=p<0.05,交互作用图如图1。简单效应结果显示,a1b1M=SD=)和b2M=SD=)上有显著差异,F()=p<0.05a2b1M=SD=)和b2M=SD=)上有显著差异,F()=p<0.05a的主效应显著,F()=p<0.05b的主效应显著,F()=p<0.05

 

REPEATED MEASURE

• 如果Mauchly test of sphericity检验不显著,交互作用、组内主效应结果报告Tests of Within-Subjects Effects

• 如果Mauchly test of sphericity检验显著,交互作用、组内主效应结果报告Multivariate Tests 

• 组建主效应报告Tests of Between-Subjects Effects

自变量只有两组时,报告HotellingTrace;自变量大于两组时,报告WilkLambda

方差齐性的统计前提被违反时,报告PillaiTrace 

• 简单效应结果报告Manova

• 组内变量事后检验结果报告Estimated Marginal Means-Pairwise Comparisons

• 如果是不平衡处理,组间变量事后检验报告Estimated Marginal Means- Pairwise ComparisonsOption

• 如果是平衡处理报告,组间变量事后检验报告Pairwise ComparisonsPosthoc

• 交互作用图报告Profile Plots

 

重复测量方差分析结果显示,ab交互作用显著,F()=p<0.05,交互作用图如图1。简单效应结果显示,a1b1M=SD=)和b2M=SD=)上有显著差异,F()=p<0.05a2b1M=SD=)和b2M=SD=)上有显著差异,F()=p<0.05a的主效应显著,F()=p<0.05b的主效应显著,F()=p<0.05

回归分析

 

• 数据要求看Collinearity Diagnostics检验共线性,Casewise Diagnostics检验outlier

Condition Index1530),不允许有outlier

• R2结果报告Model Summary-

• R2 75% 很好; 50-75% 不错;25-50% 一般; <25% 不够 

• 模型总效应报告ANOVA

• Betab结果报告Coefficients

 

abc为自变量,用逐步回归方法对d进行分析。回归的拟合度良好,R2adj=,模型的总效应F()=p<0.005。当其他变量恒定时,ad有正相关,beta=0.653,其效应边缘显著,t()=p<0.005cd对学习动机无显著影响。回归方程为d=Beta*a+b

聚类分析

• 树状图报告Dendrogram

• 分类结果报告Cluster Membership

 

聚类分析结果显示,被试按因素a分类结果树状图如图1

被试按因素a分类结果如表1

主成分分析

 

• KMO and Bartlett's Test 

Bartlett球形检验显著;KMO>0.6

• R的特征值和贡献率报告Total Variance Explained

• 碎石图报告Scree plot

• 主成分载荷报告Component Matrix

• 因子旋转结果报告Rotated Component Matrix

 

R的特征值和贡献率如表1。根据Kaiser准则,取特征大于1a为主成分,其积累贡献率达到c%,基本包括了全部指标所包括的信息。取前n个特征值,计算主成分载荷。由主成分分析的结论,对因子载荷阵实行方差最大旋转,可将m个指标分为n类,结果如表2

 

 

 

 

 

0

  • 评论加载中,请稍候...
发评论

    发评论

    以上网友发言只代表其个人观点,不代表新浪网的观点或立场。

      

    新浪BLOG意见反馈留言板 电话:4000520066 提示音后按1键(按当地市话标准计费) 欢迎批评指正

    新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

    新浪公司 版权所有