寻找SPSS高手？ SPSS高手帮忙！
spss\u9ad8\u624b\u5728\u54ea\u91cc\uff1f\uff01\u8bf7\u95ee\u56fe\u7247\u7684\u7ed3\u679c\u8bf4\u660e\u4e86\u4ec0\u4e48\uff1f\u5e2e\u5fd9\u63cf\u8ff0\u4e00\u4e0b~\u4e3b\u89c2\u6ee1\u610f\u5ea6\u3001\u5ba2\u89c2\u6ee1\u610f\u5ea6\u548c\u603b\u6ee1\u610f\u5ea6\u8fd9\u4e09\u8005\u90fd\u4e0d\u5b58\u5728\u6027\u522b\u4e0a\uff08\u7537\u5973\uff09\u7684\u5dee\u5f02\uff0c
\u56e0\u4e3aP\u503c\u90fd\u8f83\u5927\uff0c\u8fbe\u4e0d\u5230\u663e\u8457\u7684\u6c34\u5e73\u3001
\u7d2f\u8ba1\u6bd4\u4f8b\u6307\u7684\u662f\u622a\u6b62\u81f3\u8be5\u5206\u7c7b\u4e3a\u6b62\u6240\u5360\u7684\u6bd4\u4f8b\u3002\u4f8b\u5982\uff0c\u5e74\u9f8426-35\u5c81\u5206\u7c7b\u6240\u5360\u7684\u6bd4\u4f8b\u4e3a31.5%\uff0c\u800c\u622a\u6b62\u81f3\u8be5\u5206\u7c7b\u7684\u7d2f\u8ba1\u6bd4\u4f8b\u4e3a85.5%\uff0c\u8fd9\u8bf4\u660e\u4f60\u7684\u88ab\u8c03\u67e5\u8005\u4e2d\u670985.5%\u7684\u4eba\u5e74\u9f84\u572836\u4ee5\u4e0b\uff0c\u8fd9\u4e2a\u6570\u503c\u7b49\u4e8e25\u5c81\u4ee5\u4e0b\u5206\u7c7b\uff08\u536054.0%\uff09\u548c26-35\u5c81\u5206\u7c7b\uff08\u536031.5%\uff09\u4e4b\u548c\uff1a54.0%+31.5%=85.5%\u3002
\u4e0d\u96be\u7406\u89e3\uff0c\u4f60\u7684\u5e74\u9f84\u5206\u6bb5\u5171\u67093\u6bb5\uff0c\u56e0\u6b64\u6700\u540e\u4e00\u4e2a\u5206\u7c7b\uff0836\u5c81\u4ee5\u4e0a\uff09\u7684\u7d2f\u8ba1\u6bd4\u4f8b\u4e3a100%\uff1b\u800c\u7b2c\u4e00\u4e2a\u5206\u7c7b\uff0825\u5c81\u4ee5\u4e0b\uff09\u7684\u7d2f\u8ba1\u6bd4\u4f8b\u4e0e\u5176\u6240\u5360\u7684\u6bd4\u4f8b\u76f8\u540c\uff0c\u5747\u4e3a54.0%\u3002
其次，我学统计学的时候，学过一点SPSS的应用，但了解不是很深~~~只能粗略的给你说说，数据缺失的弥补方法，希望对你有用~~呵呵
最常见、最简单的处理缺失数据的方法是用个案剔除法(listwise deletion)，也是很多统计软件（如SPSS和SAS）默认的缺失值处理方法。在这种方法中如果任何一个变量含有缺失数据的话，就把相对应的个案从分析中剔除。如果缺失值所占比例比较小的话，这一方法十分有效。至于具体多大的缺失比例算是“小”比例，专家们意见也存在较大的差距。有学者认为应在5%以下，也有学者认为20%以下即可。然而，这种方法却有很大的局限性。它是以减少样本量来换取信息的完备，会造成资源的大量浪费，丢弃了大量隐藏在这些对象中的信息。在样本量较小的情况下，删除少量对象就足以严重影响到数据的客观性和结果的正确性。因此，当缺失数据所占比例较大，特别是当缺数据非随机分布时，这种方法可能导致数据发生偏离，从而得出错误的结论。
（二）均值替换法(Mean Imputation)
在变量十分重要而所缺失的数据量又较为庞大的时候，个案剔除法就遇到了困难，因为许多有用的数据也同时被剔除。围绕着这一问题，研究者尝试了各种各样的办法。其中的一个方法是均值替换法(mean imputation)。我们将变量的属性分为数值型和非数值型来分别进行处理。如果缺失值是数值型的，就根据该变量在其他所有对象的取值的平均值来填充该缺失的变量值；如果缺失值是非数值型的，就根据统计学中的众数原理，用该变量在其他所有对象的取值次数最多的值来补齐该缺失的变量值。但这种方法会产生有偏估计，所以并不被推崇。均值替换法也是一种简便、快速的缺失数据处理方法。使用均值替换法插补缺失数据，对该变量的均值估计不会产生影响。但这种方法是建立在完全随机缺失（MCAR）的假设之上的，而且会造成变量的方差和标准差变小。
（三）热卡填充法（Hotdecking）
对于一个包含缺失值的变量，热卡填充法在数据库中找到一个与它最相似的对象，然后用这个相似对象的值来进行填充。不同的问题可能会选用不同的标准来对相似进行判定。最常见的是使用相关系数矩阵来确定哪个变量（如变量Y）与缺失值所在变量（如变量X）最相关。然后把所有个案按Y的取值大小进行排序。那么变量X的缺失值就可以用排在缺失值前的那个个案的数据来代替了。与均值替换法相比，利用热卡填充法插补数据后，其变量的标准差与插补前比较接近。但在回归方程中，使用热卡填充法容易使得回归方程的误差增大，参数估计变得不稳定，而且这种方法使用不便，比较耗时。
（四）回归替换法(Regression Imputation)
回归替换法首先需要选择若干个预测缺失值的自变量，然后建立回归方程估计缺失值，即用缺失数据的条件期望值对缺失值进行替换。与前述几种插补方法比较，该方法利用了数据库中尽量多的信息，而且一些统计软件（如Stata）也已经能够直接执行该功能。但该方法也有诸多弊端，第一，这虽然是一个无偏估计，但是却容易忽视随机误差，低估标准差和其他未知性质的测量值，而且这一问题会随着缺失信息的增多而变得更加严重。第二，研究者必须假设存在缺失值所在的变量与其他变量存在线性关系，很多时候这种关系是不存在的。
（五）多重替代法(Multiple Imputation)
多重估算是由Rubin等人于1987年建立起来的一种数据扩充和统计分析方法，作为简单估算的改进产物。首先，多重估算技术用一系列可能的值来替换每一个缺失值，以反映被替换的缺失数据的不确定性。然后，用标准的统计分析过程对多次替换后产生的若干个数据集进行分析。最后，把来自于各个数据集的统计结果进行综合，得到总体参数的估计值。由于多重估算技术并不是用单一的值来替换缺失值，而是试图产生缺失值的一个随机样本，这种方法反映出了由于数据缺失而导致的不确定性，能够产生更加有效的统计推断。结合这种方法，研究者可以比较容易地，在不舍弃任何数据的情况下对缺失数据的未知性质进行推断
对缺失值的处理：
(1) 剔除有缺失值的观测单位, 即删除SPSS 数据列表中缺失值所在的数据行; 在SPSS 的统计分析程序中, 打开op t ions 按钮, 便会出现缺失值的处理栏(m issing values) , 可分别选择下列选项: exclude cases analysis by analysis (剔除正在分析的变量中带缺失值的观察单位) ; exclude case list w ise (剔除所有分析变量中带缺失值的观察单位) ;
(2) 对缺失值进行估计后补上. 主要有两种方法:一是根据文献报道等知识经验进行估计; 二是用SPSS 提供的工具进行估计. 在“transfo rm ”菜单下的“rep lace m issing values”列出了5 种替代的方法: (a) series mean: 以列的算术平均值进行替代; (b)mean of nearly po int: 以缺失值邻近点的算术平均值进行替代; (c)M edian of nearly po int: 以缺失值临近点的中位数替代; (d) linear interpo lat ion: 根据缺失值前后的2 个观察值进行线性内查法估计和替代; (e) linear t rend at po int: 用线形回归法进行估计和替代;
(3) 将缺失值作为常数值, 如: 作为“0”.
有缺失是正常情况，并不影响你进行分析，为什么要弥补
绛旓細棣栧厛锛屾ゼ涓婄殑锛屽厛绾犳浣犱竴涓嬶紝SPSS鏄暟鎹粺璁¤蒋浠讹紝涓嶆槸PS鍥惧儚澶勭悊杞欢~~鍏舵锛屾垜瀛︾粺璁″鐨勬椂鍊欙紝瀛﹁繃涓鐐SPSS鐨搴旂敤锛屼絾浜嗚В涓嶆槸寰堟繁~~~鍙兘绮楃暐鐨勭粰浣犺璇达紝鏁版嵁缂哄け鐨勫讥琛ユ柟娉曪紝甯屾湜瀵逛綘鏈夌敤~~鍛靛懙 鏈甯歌銆佹渶绠鍗曠殑澶勭悊缂哄け鏁版嵁鐨勬柟娉曟槸鐢ㄤ釜妗堝墧闄ゆ硶(listwise deletion)锛屼篃鏄緢澶氱粺璁¤蒋浠讹紙濡係P...
绛旓細妤间富锛岀湅鐩稿叧鐨勮瘽锛岀敤鐩稿叧鍒嗘瀽灏卞彲浠ヤ簡銆傜湅鍏蜂綋鐨勬弧鎰忓害鎸囨暟鐨勬剰鎬濇槸涓嶆槸璇达紝A绋嬪害鐨勬湇鍔★紝鍙互瀵艰嚧B绋嬪害鐨勬弧鎰忥紵濡傛灉鏄殑璇濓紝鐪嬪洖褰掑垎鏋愬氨鍙互銆傛柟宸楠屽拰T妫楠屾槸姣旇緝涓嶅悓缁勭殑鍧囧兼槸鍚︽湁鏄捐憲宸紓銆備綘瑕佺湅鐩稿叧鍜屽洖褰掔殑璇濓紝涓嶉渶瑕丗鎴栬匱妫楠屻
绛旓細渚嬪Y1鏁版嵁鍦ˋ鍒楋紝Y2鏁版嵁鍦˙鍒楋紝a鍦–1,b鍦―1,E鍒椾负杈撳嚭锛孍1=IF(A1>C1,IF(B1>D1,"绛夌骇涓",IF(B1<D1,"绛夌骇浜","")),IF(A1<C1,IF(B1>D1,"绛夌骇涓",IF(B1<D1,"绛夌骇鍥","")),""))
绛旓細鎴戣韩杈规湁浜轰細鐢ㄣ傝屼笖鏄竴澶ф妸涓澶ф妸鐨勪汉銆傚懙鍛点備綘鏉ヤ簯甯堝ぇ闂棶銆傛湰閮ㄣ
绛旓細鏂囨湰鏁版嵁锛熸病鐢ㄨ繃杩欎箞楂樼骇鐨勫姛鑳姐備綘璇寸殑鍧愭爣绯绘槸鍚︿竴鏍规槸绾挎х殑锛屽彟涓鏍规槸瀵规暟鐨勶紵鑻ユ槸鐨勮瘽浣犵洿鎺ユ妸鍏朵腑涓涓彉閲忕畻鍑簂og鍚庣殑鏁板间笉灏辫浜嗐俤ummy鍙橀噺涔熸槸鐩存帴compute灏辨垚鍟娿傜偣浜屽垪鍙橀噺鐩存帴灏辨槸0銆1鐨勶紝澶氶夐楹荤儲鐐硅兘鎴愬ソ鍑犱釜鍝戝彉閲
绛旓細浣犵殑r鏂规槸0.365锛岃鏄庝綘鐨勬柟绋嬪彲浠ヨВ閲婁綘鐨勬ā鍨嬬殑鐧惧垎涔嬩笁鍗佸叚鐐逛簲銆傛柟宸〃閲岃竟鐨剆ig鍛婅瘔浣犱綘鐨勬柟绋嬫湁鏃犳剰涔夈備綘鐨剆ig灏忎簬0.05锛岃涓烘柟绋嬫湁鎰忎箟銆傜郴鏁拌〃鍛婅瘔浣犳柟绋嬬殑鏁版嵁銆俿ig灏忎簬0.05灏辫涓虹浉瀵瑰簲鐨勫彉閲忔湁鎰忎箟銆侭涓嬭竟鐨勬暟鏄柟绋嬮噷鐨勭郴鏁般傛爣鍑嗙郴鏁颁笅杈圭殑鍊兼槸浣犵殑鍙橀噺瀵逛簬鏂圭▼褰卞搷鐨勪笉鍚屻傦紙鐢变簬閲忕翰...
绛旓細鍗曞洜绱犳柟宸垎鏋 鏂瑰樊鍒嗘瀽鍓嶆彁锛氫笉鍚屾按骞充笅锛屽悇鎬讳綋鍧囧兼湇浠庢柟宸浉鍚岀殑姝ｆ佸垎甯冦傛柟宸綈鎬ф楠岋細閲囩敤鏂瑰樊鍚岃川鎬ф楠屾柟娉曪紙Homogeneity of variance锛夊湪spss涓鎵撳紑浣犺澶勭悊鐨勬暟鎹紝鍦ㄨ彍鍗曟爮涓婃墽琛岋細analyse-compare means--one-way anova锛屾墦寮鍗曞洜绱犳柟宸垎鏋愬璇濇 鍦ㄨ繖涓璇濇涓紝灏嗗洜鍙橀噺鏀惧埌dependent list...
绛旓細4 Spss 25 缁熻鍒嗘瀽杞欢鍏嶈垂涓嬭浇 閾炬帴:https://pan.baidu.com/s/1SG4jiPoF8PaLzpzTcAjZlA 鎻愬彇鐮:z6og 缁熻鍒嗘瀽锛坰tatistical analysis锛夋槸鍟嗕笟鏅鸿兘锛圔I锛夌殑涓鏂归潰锛屾秹鍙婃敹闆嗐佸鏌ヤ笟鍔℃暟鎹拰瓒嬪娍鎶ュ憡銆
绛旓細濡備娇鐢ㄦ柟宸渶澶у寲姝ｄ氦鏃嬭浆鏉ユ敼鍠勩6. 涓鏃﹀畬鎴愪笂杩版楠わ紝鎮ㄥ彲浠ュ皾璇曢噸鏂拌繘琛屽洜瀛愬垎鏋愶紝骞舵鏌MO鍊煎拰宸寸壒鍒╃壒鐞冨舰搴︽楠岀殑缁撴灉鏄惁鏈夋墍鏀瑰杽銆7. 濡傛灉浠ヤ笂鏂规硶浠嶇劧涓嶈兘浣縆MO鍊艰揪鍒0.6浠ヤ笂鐨勬爣鍑嗭紝閭ｄ箞鎮ㄥ彲鑳介渶瑕侀噸鏂拌冭檻鏄惁搴旇杩涜鍥犲瓙鍒嗘瀽锛屾垨鑰瀵绘壘鍏朵粬閫傚悎鎮ㄦ暟鎹殑鍒嗘瀽鏂规硶銆
绛旓細浣犺繖涓緱璁剧疆寰堝鍙橀噺鐨勩傚 SPSS涓绐嶄笉閫氱湡鏄釜寰堥夯鐑︾殑浜嬫儏鍟娿傚缓璁綘鍘讳拱涓鏈垨鑰呭嚑鏈功瀛﹀ 瑕佹槸鐪熻褰曞叆鏁版嵁鐨勮瘽鍙互杩欒繖鏍凤細鍦ㄦ暟鎹鍥撅紙涔熷氨鏄痸ariable view锛夐噷闈⑩滀粠涓婂埌涓嬧濊緭鍏ワ細缂栧彿锛兼у埆锛肩彮绾у彿锛煎鍙凤技骞撮緞锛兼槸鍚︿綇瀹匡技娴嬮獙鏃ユ湡锛间氦鏂版湅鍙嬶技闃呰锛艰璇濓技鍜屽埆鐨勫瀛愶技鐪嬬數瑙嗭技鈥︹︼紙...
