文档介绍：数据统计与分析技术
方 差 分 析
方差分析概述
方差分析的基本步骤
单因素方差分析
多因素方差分析
协方差分析
聚类分析和判别分析
聚类分即表的右下角，列出频数总计。
Analyze
￫Descriptive Statistics
￫ Crosstabs 出现对话框
列联表分析过程—对话框
平均数分析
该过程主要用于分组计算各统计指标，也可以进行单因素随机设计方差分析和线性检验。
Analyze
￫Compare Means
￫ Means 出现对话框
操作
平均数分析—对话框
Options对话框
单一样本t检验
Analyze
￫Compare Means
￫ One –Sample T Test 出现对话框
操作
该过程用于检验样本平均数与总体平均数之间是否存在差异。
单一样本t检验—对话框
独立样本t检验
Analyze
￫Compare Means
￫ Independent-Sample T test 出现对话框
操作
该过程用于检验两个独立样本的平均数之间是否存在差异。
独立样本t检验—对话框
独立样本
独立样本(Independent Sample)是指两个样本彼此独立，没有任何关联。例如实验组与控制组、男生组与女生组、高收入组与低收入组、大学数学系与物理系等。但这里的独立样本是广义的独立，仅是指非关联变量。两独立的样本各接受相同的测量，研究者的兴趣在比较两批样本群在测量结果总体上是否存在差异。独立样本中，所有观测都是独立的，即具体个别样本的顺序可以变化的，与变量无关。
配对样本t检验
Analyze
￫Compare Means
￫ Paired-Sample T test 出现对话框
操作
该过程用于检验两个配对样本的平均数之间是否存在差异。
配对样本t检验—对话框
配对样本
配对样本（Paired Sample）或相关样本（Correlated Sample），指两个样本的观测值之间彼此有关联，如同一批被试者接受两种实验条件，即同一批观测对象接受两种不同的测量。对于此类样本，研究者所感兴趣的是二次测量之间是否存在差异。如实验前和实验后的测量，即具体个别样本的顺序不可以变化的。
相关分析
相关分析是研究两变量之间的关系。相关模型包括皮尔逊（Pearson）、斯皮尔曼（Spearman）和肯特尔（Kendall）三种子模型。相关模型要求X、Y变量都是随机变量，并都呈正态分布。满足上述正态分布的定量数据可用Pearson相关模型。对于定序、计数数据、对于不满足正态分布的数据，则非参数检验模型，即Spearman和Kendall相关模型。
相关分析
相关过程调用：Analyze→Correlate→ Bivariate：
Pearson相关模型
Pearson相关系数计算公式：
r是最常用的相关系数
偏相关系数
多个变量之间的相关关系是错综复杂的，任何两个变量之间都有简单相关关系，而这种相关关系中夹杂了其他变量所带来的影响。固定其他因素，而计算某两个因素之间的相关系数称为偏相关系数。
偏相关系数
相关过程调用：Analyze→Correlate→ Partial:
距离分析
对于更复杂数据资料之间的关系，可利用距离分析来进行研究。距离分析通过计算各样本点之间的距离，来观测样本之间的相似或不相似程度，从而可进一步进行聚类分析、因子分析和多维分析。
线性回归
一元线性回归
多元线性回归
可化为线性回归的非线性回归
多元回归的方法
线性回归
线性回归过程调用：Analyze→Regression→ Linear Regression
x：可控制或可精确观测得到的数据的变量；
Y：与x具有相关关系的随机变量。
xi (i=1, 2, …, n)
yi (i=1, 2, …, n)
数据对（样本值）：(xi, yi) i=1, 2, …, n
散点图(Scatter Graph)
假定Y与x具有线性相关关系：
(xi, yi)
其中，是数学期望为0的随机变量，假设满足正态分布，于是：
一元线性回归
x1, x2, …, xr：r个可控制或可精确观测得到的数据的变量；
Y：与x1,