第一部分一般线性与混合线性模型
第1章方差分析模型
11模型简介
111模型入门
112常用术语
113方差分析模型的适用条件
12简单分析实例
121模型表达式
122初步分析结果
123模型参数的估计值
124两两比较
125其他常用选项
13两因素方差分析模型
131分析实例
132边际均数与轮廓图
133拟和劣度检验
14因素各水平间的精细比较
141POSTHOC子句
142EMMEANS子句
143LMATRIX和KMATRIX子句
144CONSTRAST子句
15随机因素的方差分析模型
16其他问题
161自定义效应检验使用的误差项
162四类方差分解方法
第2章常用实验设计分析方法
21仅研究主效应的实验设计方案
211完全随机设计(CompletelyRandomDesign)
212配伍组设计(RandomizedBlockDesign)
213交叉设计(Cross-overDesign)
214拉丁方设计(LatinSquareDesign)
22考虑交互作用的实验设计方案
221析因设计(FactorialDesign)
222正交设计(OrthogonalDesign)
223均匀设计(UniformDesign)
23误差项变动的特殊实验设计方案
231嵌套设计(NestedDesign)
232重复测量设计(RepeatedMeasureDesign)
233裂区设计(Split-plotDesign)
24协方差分析(AnalysisofCovariance)
241协方差分析的必要性
242平行性假定的检验
243计算和检验修正均数
第3章多元方差分析与重复测量方差分析
31多元方差分析
311模型简介
322分析实例
333检验统计量的计算
334对引例的进一步分析
32重复测量资料的方差分析
321模型简介
322分析实例
第4章混合线性模型入门
41模型简介
411问题的提出
412模型入门
42层次聚集性数据分析实例
411拟合混合线性模型的基本结构
412在固定效应中加入自变量
413在随机效应中加入自变量
414更多解释变量的引入
415其他常用选项
43重复测量数据分析实例
431对数据的初步分析
432拟合混合线性模型的基本结构
433考虑重复测量间的相关性
434更改对测量间相关性的假定
435模型中可用的相关阵种类
44本章方法小结
441混合效应模型的用途
442混合效应模型与一般线性模型的联系
第二部分回归模型
第5章多重线性回归模型
51模型简介
52简单分析实例
521对数据的初步分析
522回归模型的假设检验
523偏回归系数的假设检验
524标准化偏回归系数
525衡量多元线性回归模型优劣的标准
53回归预测与残差分析
531回归预测与区间估计
532残差分析与模型适用条件的检验
54逐步回归
541筛选自变量的基本原则
542常用的逐步回归方法
543分析实例
55模型的进一步诊断与修正
551强影响点的识别与处理
552多重共线性的识别与处理
56本章方法小结
561回归模型的建立步骤
562多重线性回归模型结果解释时应注意的问题
第6章线性回归的衍生模型
61非直线趋势的处理：曲线直线化
611方法简介
612使用Linear过程进行分析
613使用曲线拟合过程分析
62方差不齐的处理：加权最小二乘法
621方法简介
622使用Linear过程进行分析
623使用WLS过程分析
63共线性的处理：岭回归
631方法简介
632分析实例
64分类变量的数值化：最优尺度回归
641方法简介
642分析实例
643最优尺度方法的应用注意事项
第7章路径分析入门
71两阶段最小二乘法
711模型简介
712 使用Linear过程进行分析
713使用2SLS过程进行分析
72路径分析入门
721模型简介
722分析实例
第8章非线性回归模型
81模型简介
811问题的提出
812模型入门
82简单分析实例
821软件操作与界面说明
822基本分析结果
823模型的进一步分析
83自定义损失函数：最小一乘法实例
831分析实例
833结果解释
84分段回归模型的拟合
841分析实例
842结果解释
843模型的进一步分析
85其他需要注意的问题
851参数初始值的设定
852模型的拟合方法
第9章二分类logistic回归模型
91模型简介
911模型入门
912一些基本概念
92简单分析实例
93分类自变量的定义与比较方法
931使用哑变量的必要性
932SPSS中预设的哑变量编码方式
933设置哑变量时要注意的问题
94自变量的筛选方法与逐步回归
941模型中的假设检验方法
942自变量的筛选方法
943分析实例
95模型拟合效果与拟合优度检验
951模型效果的判断指标
952拟合优度检验
96模型的诊断与修正
961残差分析
962多重共线性的识别及其对回归系数的影响及处理办法
第10章多分类配对logistic回归与probit回归
101有序多分类logistic回归模型
1011模型简介
1012分析实例
1013模型适用条件的检验
102无序多分类logistic回归模型
1021模型简介
1022分析实例
1031:1配对logistic回归
1031模型简介
1032分析实例
104probit回归模型
1041模型简介
1042实例一：与logistic模型比较
1043实例二：计算LD50
第三部分多元统计分析方法
第11章主成分分析与因子分析
111主成分分析
1111模型入门
1112简单分析实例
1113对主成分分析的进一步说明
112因子分析
1121模型入门
1124简单分析实例
113因子分析的进一步讨论
1131不同的因子分析法
1132相关阵和协方差
1133确定公因子数量
114因子分析综合案例
115主成分分析和因子分析的比较
第12章聚类分析
121模型简介
1211问题的提出
1212聚类分析入门
1213聚类分析的方法体系
122层次聚类法
1221方法原理
1222分析实例
1223对层次聚类法的进一步讨论
123K-均值聚类法
1231方法原理
1232分析实例
124两步聚类法简介
1241方法原理
1242分析实例
125本章方法小结
第13章判别分析
131模型简介
1311典型判别分析的基本原理
1312判别分析的适用条件和违背条件时的处理方法
1313判别效果的评价
1314判别分析的一般步骤
132简单分析实例
1321软件操作与界面说明
1322基本分析结果
1323判别结果的图形化展示
1324判别效果的验证
1325适用条件的判断方法
133贝叶斯判别分析
1331方法原理
1332软件实现
134对判别分析的进一步讨论
1341逐步判别分析
1342判别分析和因子分析的相似性和差异
1343二类判别和多重回归的等价性
第14章典型相关分析
141方法介绍
1411典型相关分析的基本思想
1421典型相关分析的数学描述
142分析实例
1421两组变量间的相关系数
1422典型相关系数及显著性检验
1123典型变量的系数
1424典型结构分析
1425典型冗余分析
143本章方法小结
1431典型相关分析的应用
1432典型相关分析和因子分析
第15章对应分析
151模型简介
1511问题的提出
1512模型入门
1513SPSS中的相应功能
152简单分析实例
1521对数据的初步分析
1522正式分析
1523对引例的进一步分析
153基于均数的对应分析
1531方法原理
1532分析实例
154多重对应分析
1541方法原理
1542分析实例
155对应分析中的其它问题
1551对应分析结果的正确解释
1552罕见类别和相似类别的处理
1553有序类别的处理
156本章方法小结
1561对应分析与其它分析方法的关系
1562对应分析的优势与劣势
第16章多维尺度分析
161古典MDS模型
1611方法原理
1612分析实例
1613距离的计算方式
162非度量MDS模型
1621数据测量尺度的设定
1622方法原理
1623分析实例
163考虑个体差异的MDS模型
1631方法原理
1632分析实例
1633空间定位图的含义解释
164基于最优尺度变换的MDS模型
1641方法简介
1642分析实例
165本章方法小结
第四部分其他统计分析方法
第17章对数线性模型与Poisson回归
171对数线性模型简介
1711问题的提出
1712模型入门
1713SPSS的相应功能
172一般对数线性模型分析实例
1721对数据的初步分析
1722正式分析
1723对引例的进一步分析
173因果关系明确时的对数线性模型
174对数线性模型的选择
1741模型的选择策略
1742分析实例
175对数线性模型与其它模型的关系
1751对数线性模型与方差分析模型的关系
1752对数线性模型与Logistic回归的关系
176Poisson回归模型
1761模型简介
1762分析实例
第18章信度分析
181信度理论入门
1811真分数测量理论
1812信度与效度
1813内在信度与外在信度
1814信度的判断标准
182简单分析实例
1821Alpha信度系数
1822对各题目的深入分析
1823对真分数理论假设的考察
183其余常用的信度系数
1831重测信度
1832折半信度
1833Guttman系数
1834平行模型的信度系数
1835严格平行模型的信度系数
1836评分者信度
1837信度系数总结
184信度理论进阶
1841真分数测量理论的缺限
1842概化理论入门
1843SPSS中相应的分析功能
第19章生存分析
191生存分析简介
1911生存分析简史
1912生存分析中的基本概念
1913生存分析的基本步骤
1914SPSS与生存分析
192生存函数的估计和检验
1921生存函数的基本估计方法
1922Kaplan-Meier法
1923寿命表法
1924Kaplan-Meier法和寿命表法比较
193Cox回归模型
1931Cox模型入门
1932分析实例
1933比例风险性的图形验证
194含时间依存性变量的Cox模型
1941时依协变量的种类
1942用时依模型验证比例风险性
1943用时依模型评价处理因素的影响
1944用时依模型评价重复测量因子的影响
195关于Cox模型的一些高级话题
1951生存分析中的分层变量
1952用Cox回归过程拟合配伍Logistic回归
1953竞争风险的Cox模型
第20章缺失值分析入门
201缺失值理论简介
2011数据的缺失机制
2012SPSS中对缺失值的处理方法
202对缺失情况的基本分析
2021缺失值数据的生成
2022对缺失模式的分析
2023缺失情况的统计描述
203缺失值填充技术
2031列表输出
2032使用回归算法进行填充
2033使用EM算法进行填充
2034多重填充技术简介
思考与练习
参考文献
附录
因子分析定义是什么？因子分析法的特点有哪些？ SPSS中因子分析的步骤 是怎么样的？
因子分析定义
因子分析是研究从 变量群 中提取 共性因子 的统计技术，是将现实生活中多种相关和重叠的信息进行合作和综合，将 原始的多个变量和指标 变成较少的几个 综合变量 和 综合指标 的一种分析方法。通常是选出比原始变量个数少，能解释原来变量和综合指标的一种分析方法。
因子分析法的特点
1因子变量的数量远少于原有的指标变量的数量，多音字变量的分析能减少分析中的计算工作量；
2因子变量不是对原有变量的取舍，而是根据原始变量的信息进行重新组构，它能反映原有变量大部分的信息；
3因子变量之间不存在线性相关关系，对变量的分析比较方便；
4因子变量具有命名解释性，即该变量是对某些原始变量信息的综合反映。
SPSS中的因子分析步骤
基本原理：
针对变量作因子分析，称为R型因子分析；对样本做因子分析，称为Q型因子分析。
基本步骤：
步骤1：确认待分析的原始变量之间 是否存在较强的相关关系 。可采用计算 “相关系数矩阵”“巴特利特球度检验”“KMO检验” 等方法检验候选数据是否适合采用因子分析。
“分析”——“降维”——“因子分析”——“描述”
因子分析——变量间相关性
步骤2：构造因子变量将原有变量综合成少数几个因子是因子分析的核心内容。根据样本数求解 因子载荷阵， 因子载荷阵的求解方法：“基于主成分模型的 主成分分析法 ”“基于因子分析模型的 主轴因子法 ”“ 极大似然法 ”“ Alpha因子法 ”等。
“分析”——“降维”——“因子分析”——“抽取”
>need-to-insert-img
因子分析——因子载荷计算
步骤3：利用旋转方式使因子变量更具有解释性，将原有变量综合为少数几个因子后，如果因子的实际含义不清，则不利于后续分析。可通过 因子旋转的方式使一个变量只在尽可能少的因子上有比较高的载荷，使得提取出的因子具有更好的解释性 。
KMO检验用于检查变量间的相关性和偏相关性，取值在0~1之间。KMO统计量越接近于1，变量间的相关性越强，偏相关性越弱，因子分析的效果越好。实际分析中，KMO统计量在07以上时效果比较好；当KMO统计量在05以下，此时不适合应用因子分析法，应考虑重新设计变量结构或者采用其他统计分析方法。
如果变量间彼此独立，则无法从中提取公因子，也就无法应用因子分析法。Bartlett球形检验判断如果相关阵是单位阵，则各变量独立因子分析法无效。由SPSS检验结果显示Sig<005（即p值<005）时，说明各变量间具有相关性，因子分析有效。
“分析”——“降维”——“因子分析”——“旋转”
因子分析—旋转
步骤4：计算 因子变量得分 。当因子确定后，便可计算各因子在每个样本的具体数值。以后的分析中就可以利用因子得分对样本进行分类或评价等研究，进而实现了降维和简化问题的目标。
“分析”——“降维”——“因子分析”——“得分”
>need-to-insert-img
因子分析—得分
分享一个网址，这上面讲的不错： SPSS在因子分析中的应用
因子分析适用条件：
（1）样本量不能太小，至少为变量数的5倍。
（2）各变量间应该具有相关性，如彼此独立，则无法提取公因子。 通过Bartlett球形检验来判断 。
（3）KMO检验：用于考察变量间的偏相关性，取值0~1之间; KMO统计量越接近1，变量间的偏相关性越强，因子分析效果越好。一般统计量在07以上为适应做因子分析。＜05则不适宜做因子分析。
（4）因子分析中各公因子 应该具有实际意义 。
案列：对各省经济数据的进一步分析
在“描述”对话框中，选中“相关系数”选项组中的“KMO和Bartlett的球形度检验”复选框；在“抽取”对话框中，选中“输出”形式组中的“碎石图”复选框。
>need-to-insert-img
因子分析的相关性检验
>need-to-insert-img
碎石图
结果：
表1：KMO和巴特利特检验
>need-to-insert-img
可以看出 显著性＜005，拒绝各变量独立的假设，认为变量间具有较强的相关性 。
表2：公因子方差
>need-to-insert-img
表示各变量中所含原始信息能被提取的公因子所表示的程度，即变量信息被提取的占比。
表3：总方差解释
>need-to-insert-img
>need-to-insert-img
碎石图
碎石图用于显示各因子的重要程度，横坐标是因子序号，纵轴表示特征根大小。坡度越斗，对应的特征根越大，作用越明显。一般选取特征根大于1的作为因子。
表4：成分矩阵表
>need-to-insert-img
为标化后的变量。
但上诉3个成分因子不能够很好的解释，成分因子的意义不明显，因而需要多因子进行旋转。
因子旋转
>need-to-insert-img
旋转
“旋转”对话框用来实现因子旋转功能，以便更好的解释提取的因子。
最常用的是：“方差最大正交旋转”，使各因子仍然保持正交的状态，但各因子的方差差异达到最大，即相对载荷平方和达到最大。
>need-to-insert-img
经“旋转”后，得到旋转成分矩阵。可以看出，第一公因子在GDP，工业总产值，固定资产投资，货物周转量有较大载荷系数，可定义为“总量因子”。第二公因子在职工平均工资和居民消费水平载荷系数较大，定义为“消费因子”；第三个公因子则在“居民消费价格指数”，商品价格指数上载荷系数较大，定义为“价格因子”。
因子的表达式
旋转成分矩阵中，因子结构表达式可以将各变量表示为公因子的线性形式。但我们需要 公因子表达为各变量的线性形式。 也称为 得分因子函数。 最常用的估计法为“ 回归法 ”。在“得分”复选框组中。
>need-to-insert-img
结果：
>need-to-insert-img
举例因子1的表达式：
SPSS在“保存为变量”的复选框中，会自动计算出各因子得分值为新变量。
保存公因子得分进行综合评价
3个因子分别从不同方面反映当地经济发展状况的总体水平，单独使用某一公因子很难做出综合评价，因此考虑按各公因子对应的方差贡献率比例为权数计算综合得分情况。
>need-to-insert-img
按照公式：
>need-to-insert-img
从而能计算出各地区的综合得分情况。并给出合理的解释。
《spss数据分析教程》应用spss 18和spss 19中文版进行编写。《spss数据分析教程》首先从实用角度讲解统计分析的基本概念和理论，通过数据仿真讲解了随机数、随机变量、分布函数、密度函数、抽样分布等基本理论，然后从实际案例入手详细分析了描述性统计分析、均值的比较、相关分析、回归分析、方差分析、聚类分析、主成分分析、因子分析等。《spss数据分析教程》通过大量的实际案例来解析数据分析的技术和技巧，读者通过本书可以学习和提高数据分析的技能，掌握数据分析的技巧。
欢迎分享，转载请注明来源：品搜搜测评网
微信扫一扫
支付宝扫一扫
