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：+,-,*,/,**(幂)

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：SYSMIS，MISSING，NMISS，NVALID，VALUE（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 values：user-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

 

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(varname) compare 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=10：1；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 R 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=5：1；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；无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

• 读Respondent’s  Stem-and-Leaf Plot

• 读Respondent’s  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。3 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。

• 读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)

E 的最小值 < 5,  c 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-Correlations和Nonparametric  Correlations - Correlation

 

对数据的相关分析显示，a与b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不显著，报告Equal variances assumed 的Welch'st test结果。

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

 

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

• 看Descriptives

• 报告ANOVA

• 报告Multiple Comparisons

 

a的均值(M =, SD =) 、b的均值（M =, SD =)和c的均值（M =, SD =)有显著差异 。t(df) =, p = <0.05。事后检验显示，a与b有显著差异，a-b=,p=<0.05; c与b有显著差异，c-b=,p=<0.05; a与c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Hotelling’s Trace；自变量大于两组时，报告Wilk’s Lambda；

方差齐性的统计前提被违反时，报告Pillai’s Trace 。

• 如果是不平衡处理，事后检验报告Estimated Marginal Means- Pairwise Comparisons（Option）

• 如果是平衡处理报告，事后检验报告Pairwise Comparisons（Posthoc）

• 交互作用图报告Profile Plots

 

**因素方差分析结果显示，a与b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，a1在b1（M=，SD=）和b2（M=，SD=）上有显著差异，F（）=，p<0.05；a2在b1（M=，SD=）和b2（M=，SD=）上有显著差异，F（）=，p<0.05。a的主效应显著，F（）=，p<0.05；b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 Comparisons（Option）

• 如果是平衡处理报告，事后检验报告Pairwise Comparisons（Posthoc）

• 交互作用图报告Profile Plots

 

**因素方差分析结果显示，a与b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，a1在b1（M=，SD=）和b2（M=，SD=）上有显著差异，F（）=，p<0.05；a2在b1（M=，SD=）和b2（M=，SD=）上有显著差异，F（）=，p<0.05。a的主效应显著，F（）=，p<0.05；b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Hotelling’s Trace；自变量大于两组时，报告Wilk’s Lambda；

方差齐性的统计前提被违反时，报告Pillai’s Trace 。

• 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 Comparisons（Option）

• 如果是平衡处理报告，组间变量事后检验报告Pairwise Comparisons（Posthoc）

• 交互作用图报告Profile Plots

 

重复测量方差分析结果显示，a与b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，a1在b1（M=，SD=）和b2（M=，SD=）上有显著差异，F（）=，p<0.05；a2在b1（M=，SD=）和b2（M=，SD=）上有显著差异，F（）=，p<0.05。a的主效应显著，F（）=，p<0.05；b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 Index（15，30），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

• Beta、b结果报告Coefficients

 

以a，b，c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，a与d有正相关，beta=0.653，其效应边缘显著，t()=，p<0.005。c和d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

 

• 看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1的a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：