SPSS新手教程—相关性和回归分析

上周有客户问我如何使用SPSS相关和回归分析，所以我把我的理解发给你，供你参考。

双变量相关分析非常简单。
例如，如果您想查看家庭总储蓄与总消费之间是否存在关系，只需选择皮尔逊相关系数即可。
还记得我在2 02 3 年对上海的一个购物中心做研究时，用这个方法计算出皮尔逊系数为0.8 2 1 这个数字相当大，说明两者之间的正相关关系相当明显。
P值当然很低，显着性达到了0.001 的水平，基本上可以断定两者之间确实存在关系。

但是相关性并不意味着因果关系，因此客户询问我们是否可以计算储蓄如何影响消费。
目前，您需要使用线性回归。
先前的相关性分析已证实存在显着相关性，因此使用该模型是合理的。
我在之前的报道中看到，如果模型拟合度达到0.8 5 以上，说明解释力相当强。
假设系数为0.9 5 4 ，这意味着理论上每增加1 个单位的存储，消耗就会增加0.9 5 4 个单位。
这个数字相当重要。

关于最小二乘法，我的理解是SPSS自动找到一条线来最小化所有数据点与这条线之间距离的平方和。
这样算出的结果误差最小，理论上也是最准确的。
但前提是数据质量一定要好，不能出现极端偏差，否则结果很容易出现偏差。

有几点需要提醒您：第一，数据质量是根本。
我自己发现的一个陷阱是，在某些分析过程中，我发现一些数据输入是错误的，结果都是混乱的。
其次，选择皮尔逊系数的前提是两个变量必须服从正态分布。
如果数据高度倾斜，您应该考虑使用 Spearman 等级相关性。
第三，回归分析时，需要检查残差图是否符合正态分布，否则会影响模型结果的可信度。
第四，系数的显着性还取决于系数。
尽管0.9 5 4 的系数很大，但如果P值不够低，则必须谨慎解释。

我还在想一个问题，就是当我真正做报告的时候，如何告诉我的老板。
我们应该直接说“模型拟合的 R 平方为 0.8 5 ”还是“消费的解释性节省为 8 5 %”？这两种说法似乎没有什么区别。
我不知道哪个更专业。
无论如何，这取决于你。

怎么用spss进行回归分析 控制变量

给大家讲一下我用SPSS对控制变量进行回归分析的一次经历。
2 008 年，我在北京，刚刚接一个项目，数据很乱。
首先，您需要将数据导入 SPSS。
看看我在做什么。
单击“分析-回归-线性”。
是的，这很简单。
然后我们将因变量放在它的上面，将自变量也放在它的上面。
别放错地方了。

我陷入了控制变量的步骤。
想一想。
当模型第一次运行时，结果不是很好。
老板让我再看几个控制变量。
我把我认为相关的变量一一放入控制变量框中。
例如，年龄、性别、收入等。
检查模型运行时是否有任何系数发生变化。
2 009 年，我在南京换了一份工作，数据量也随之增加。
当时习惯先把边际数放在前面，看看是否加入了控制变量或者系数是否发生了显着变化。
如果变化很大，则可能需要调整模型。
如果变化很小，它可以相当稳定。

您可以在结果中看到 R 平方和系数。
如果它发生了变化，则意味着控制变量可能发挥了作用。
如果没有变化，可能是模型本身的问题。
多年来我遇到的陷阱之一是，我总是想在开始时添加更多控制变量，但模型结果一团糟。
后来我认识到，首先要找准主要矛盾，不能把一切都放在那里。

看看我在做什么。
你不需要说太多。
这都是真的。
你的脚步，是的，你做到了。

spss相关性分析两变量是负相关，回归分析却是正相关？

我遇到了你说的情况，我真的很困惑。
我们就分别来看一下吧。

上周一位客户在 SPSS 中询问了这个问题，他被困住了。
皮尔逊相关性决定了两个变量之间是否存在直接关系，而不管附近是否有其他麻烦制造者。
例如，分析温度和冰淇淋销量可以发现，夏季人多与少，两者之间存在直接关系。
这称为简单相关性，虽然计算简单，但容易受到外界的影响。

回归分析要复杂得多。
我们不仅关注两个变量，还考虑整个模型。
例如，如果您要预测房价（因变量），请考虑包括面积、防水和楼层数（自变量）。
回归分析可以揭示平方英尺与房价之间的关系。
这时，房间数、楼层等因素的影响就被自动‘控制’了。
计算一下，在其他条件不变的情况下，面积稍有变化，房价会如何变化。

这会对结果产生很大的影响。
我们以变量 a、b、c 为例。

相关性分析是计算a与b的直接相关程度，b与c的直接相关程度，以及a与c的直接相关程度。
a 和 b 是否都受到 c 的影响并不重要。

回归分析是不同的。

当用a来预测c时，通过回归计算出的a和c的关系已经减去了b的影响。

用b预测c时，通过回归分析计算出的b与c的关系已经减去了a的影响。

在回归中，a和b之间的关系取决于同时预测c的性能。

这可能会导致奇怪的事情发生。
在查看相关性时，a 和 b 呈负相关（例如，如果 a 较高，b 也会较低），但在回归中预测 c 时，a 和 b 呈正相关（例如，如果 a 较高，b 也会帮助使 c 较高）。
关键问题是“谁控制它？”
我记得有一次在分析两个公司指标时掉进了陷阱。
由于相关性是负的，所以我们直接判定它是矛盾的。
在进行回归分析时，我们发现这两个指标都受到第三个大指标的影响。
一旦第三个指标得到控制，两个指标之间的关系就变为正相关。
所以不能只看相关系数，得看具体的模型。

解释得很好。
尤其是关于‘占卜的结果’的比喻非常形象。
但上次我给同事讲这个故事时，他更不好意思地说：“我该相信谁呢？”我当时就笑了，说：“就看你想预测什么了。
”
总之，做你想做的事吧。
如果两个结果矛盾，最好另找一个变量，进行中介分析或路径分析。

spss中自变量有分类变量，但是因变量是连续变量。如何选择回归模型

说起SPSS，他可算是统计分析方面的专家了。
当我使用这个软件时，我感觉很熟悉，就像一个老朋友一样。

记得有一次，一个朋友来找我，说他正在研究两个变量之间的关系，想看看它们之间有没有交互作用。
当时我教他如何用SPSS构造交互项，看两个变量是否一致，共同影响结果。

首先，您需要打开 SPSS 并将数据集放入其中。
接下来，单击“转换”菜单并找到“计算变量”。
这相当于在Excel中创建一个新列，只不过它是直接在SPSS中计算的。

接下来，您为新变量指定名称和标签，以便您一目了然地知道它的作用。
接下来，将两个变量拖到公式框中，并用乘号将它们连接起来。
这个操作就像使用Excel中的公式一样简单。

我记得当我在公式框中工作时，我的手会有点颤抖，因为新变量是两个自变量相互作用的结果。
单击“确定”后，SPSS 将自动为您计算。

然后，您可以在数据视图中看到这个新变量，似乎您打开了新世界的大门。
一旦交互变量出来，就可以使用回归分析来检验两个自变量之间的关系。

SPSS 是一款类似于一体化程序的软件。
它不仅有良好的数据管理，而且有齐全的统计方法。
对于像我这样不是统计专家的人来说，它可以很好地使用。

此外，选择合适的回归模型也是相当有趣的。
例如，如果因变量是连续的，则线性回归是合适的；如果因变量是分类变量，那么您的选择是逻辑回归。

总之，利​​用SPSS进行回归分析、构建交互项、选择合适的模型，就像做饭时的调味，让数据变得更美味。
这不仅提供了对数据的深入理解，也为后续研究奠定了坚实的基础。
虽然我现在很少使用SPSS，但一想起使用它的时光，我还是很怀念它。