【正文】 圖 322 “Compute Variable”對話框 圖 323 “Compute Variable： Type”對話框 圖 324 數(shù)據(jù)編輯窗口 結(jié)果和討論 從 Z分?jǐn)?shù)（圖 320）和 T分?jǐn)?shù)（圖 324）的結(jié)果中可以看出此班級學(xué)生數(shù)學(xué)成績的 T分?jǐn)?shù)比之前的 Z分?jǐn)?shù)簡潔多了，比較起來一目了然。 探 索 分 析 統(tǒng)計學(xué)上的定義和計算公式 定義：調(diào)用此過程可對變量進(jìn)行更為深入詳盡的描述性統(tǒng)計分析，故稱之為探索分析。它在一般描述性統(tǒng)計指標(biāo)的基礎(chǔ)上，增加有關(guān)數(shù)據(jù)其他特征的文字與圖形描述，顯得更加細(xì)致與全面，有助于用戶思考對數(shù)據(jù)進(jìn)行進(jìn)一步分析的方案。 1．探索分析的內(nèi)容包括下面幾個方面 ? 檢查數(shù)據(jù)是否有錯誤：過大或過小的數(shù)據(jù)均有可能是奇異值、影響點或錯誤數(shù)據(jù)。要找出這樣的數(shù)據(jù)，并分析原因，然后決定是否從分析中刪除這些數(shù)據(jù)。因為奇異值和影響點往往對分析的影響較大，不能真實反映數(shù)據(jù)的總體特征。 ? 對數(shù)據(jù)規(guī)律的初步觀察：通過初步觀察獲得數(shù)據(jù)的一些內(nèi)部規(guī)律，例如，兩個變量間是否線性相關(guān)。 2．探索分析的考察方法 探索分析一般通過數(shù)據(jù)文件在分組與不分組的情況下，獲得常用統(tǒng)計量和圖形。一般以圖形方式輸出，直觀幫助用戶確定奇異值、影響點、進(jìn)行假設(shè)檢驗，以及確定用戶要使用的某種統(tǒng)計方式是否合適。 3．正態(tài)分布檢驗 常用的正態(tài)分布檢驗是 圖。本例中進(jìn)行了正態(tài)分布檢驗。 4．方差齊次性檢驗 對數(shù)據(jù)分析不僅需要進(jìn)行正態(tài)分布檢驗，有時候還需要比較各個分組的方差是否相同，這就要進(jìn)行方差齊次性檢驗。例如，在進(jìn)行獨立右邊的 T檢驗之前，就需要事先確定兩個數(shù)據(jù)的方差是否相同。 如果通過分析發(fā)現(xiàn)各個方差不同，還需要對數(shù)據(jù)進(jìn)行方差分析，那么就需要對數(shù)據(jù)進(jìn)行轉(zhuǎn)換使得方差盡可能相同。在探索分析中可以使用 Levene檢驗。 Levene檢驗對數(shù)據(jù)進(jìn)行方差齊次性檢驗時，不強求數(shù)據(jù)必須服從正態(tài)分布，它先計算出各個觀測值減去組內(nèi)均值的差，然后再通過這些差值的絕對值進(jìn)行單因素方差分析。如果得到顯著性水平小于 ，那么就可以拒絕方差相同的假設(shè)。 SPSS中實現(xiàn)過程 ? 研究問題 20名 10歲少兒的身高（ cm）資料，數(shù)據(jù)如表 39所示，試作探索性分析。 表 39 身高數(shù)據(jù) Id 男孩身高（ cm） 女孩身高（ cm） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ? 實現(xiàn)步驟 圖 325 在菜單中選擇“ Explore”命令 圖 326 “Explore”對話框 圖 327 “Explore: Statistics”對話框 圖 328 “Explore： Plots”對話框 圖 329 “Explore： Options”對話框 結(jié)果和討論 在結(jié)果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)。 （ 1）首先輸出如下個案觀察量摘要表，如下表所示。 （ 2）然后輸出如下表格。 （ 3）接著輸出如下 4個不同權(quán)重下作中心趨勢的粗略最大似然確定數(shù)， （ 4）再接著輸出百分位數(shù)，也是分組后的百分位數(shù)，如下表所示。 （ 5）分別輸出兩個組中的最大 5個數(shù)和最小 5個數(shù)，并且包括這些值對應(yīng)的 ID，如下表所示。 （ 6）輸出方差齊次性檢驗結(jié)果。 （ 7）系統(tǒng)還進(jìn)行數(shù)據(jù)的莖葉情形描述。 圖 330 男孩身高的莖葉圖 圖 331 女孩身高的莖葉圖 （ 8）系統(tǒng)輸出箱圖，如圖 332所示。 圖 332 箱圖 （ 9）輸出 Spread vs. Level圖，如圖 333所示。 圖 333 Spread vs. Level圖 （ 10）輸出身高正態(tài)概率圖（ Normal Plot of身高），如圖 334所示。 圖 334 男孩身高變量的正態(tài)概率圖 圖 335 女孩身高變量的正態(tài)概率圖 （ 11）輸出離散正態(tài)概率圖（ Detrended Normal Plot of身高），男孩身高如圖336所示，女孩身高如圖 337所示。橫坐標(biāo)是身高，縱坐標(biāo)是和正態(tài)分布的偏離。 圖 336 男孩身高離散正態(tài)概率圖 圖 337 女孩身高離散正態(tài)概率圖 交叉列聯(lián)表分析 統(tǒng)計學(xué)上的定義和計算公式 定義：前面的分析都是對單個變量的數(shù)據(jù)分布情況進(jìn)行分析。但在實際分析中，還需要掌握多個變量在不同取值情況下的數(shù)據(jù)分布情況，從而進(jìn)一步深入分析變量之間的相互影響和關(guān)系，這種分析就稱為交叉列聯(lián)表分析。 列聯(lián)表的例子： 文化程度 Total 本科 ?？? 高中 初中 職稱 高級工程師 1 1 1 3 工程師 1 3 4 助理工程師 2 1 3 6 無技術(shù)職稱 3 3 Total 4 4 5 3 16 交叉列聯(lián)表分析除了列出交叉分組下的頻數(shù)分布外，還需要分析兩個變量之間是否具有獨立性或一定的相關(guān)性。要獲得變量之間的相關(guān)性，僅僅靠頻數(shù)分布的數(shù)據(jù)是不夠的，還需要借助一些變量間相關(guān)程度的統(tǒng)計量和一些非參數(shù)檢驗的方法。 常用的衡量變量間相關(guān)程度的統(tǒng)計量是簡單相關(guān)系數(shù)（參見本書有關(guān)章節(jié)），但在交叉列聯(lián)表分析中，由于行列變量往往不是連續(xù)變量，不符合計算簡單相關(guān)系數(shù)的前提條件。因此需要根據(jù)變量的性質(zhì)，選擇其他的相關(guān)系數(shù)，如Kendall等級相關(guān)系數(shù)、 Eta值等。 SPSS提供了多種適用于不同相關(guān)系數(shù)的相關(guān)關(guān)系，這些檢驗的零假設(shè)是：行和列變量之間彼此獨立，不存在顯著的相關(guān)關(guān)系。 SPSS將自動給出檢驗的相伴概率，如果相伴概率小于顯著性水平 ，那么應(yīng)拒絕零假設(shè)，認(rèn)為行列變量之間彼此相關(guān)。 計算公式如下。 （ 1）卡方統(tǒng)計量檢驗是常用的檢驗行列變量之間是否相關(guān)的方法。交叉列聯(lián)表的卡方檢驗零假設(shè)是：行列變量之間獨立，計算公式為 卡方統(tǒng)計量服從（行數(shù) ?1） （列數(shù) ?1）個自由度的卡方統(tǒng)計， SPSS在自動計算卡方統(tǒng)計量后，還會給出相應(yīng)的相關(guān)概率。 （ 2） Contingency coefficient：列聯(lián)系數(shù)。用于名義變量之間的相關(guān)系數(shù)計算。計算公式由卡方統(tǒng)計量修改而得，公式為 其中， N為樣本系數(shù) （ 3） Phi and Cramer?s V： ψ 系數(shù)。用于名義變量之間的相關(guān)系數(shù)計算。計算公式由卡方統(tǒng)計量修改而得，公式為 數(shù)值界于 0～ 1之間，其中 K為行數(shù)和列數(shù)較小的實際數(shù)。 SPSS中實現(xiàn)過程 ? 研究問題 用兩個班級學(xué)生進(jìn)行兩個感冒疫苗的試驗，兩個班級學(xué)生患感冒結(jié)果如表 310所示，問兩個班級學(xué)生的患病比例有無差別。 表 310 兩班級學(xué)生的患病情況 班 級 患 病 不 患 病 1 53 20 2 40 4 ? 實現(xiàn)步驟 圖 338 “Weight Cases”對話框 圖 339 在菜單中選擇“ Crosstabs”命令 圖 340 “Crosstabs”對話框 圖 341 “Crosstabs： Statistics”對話框 圖 342 “Crosstabs： Cell Display”對話框 圖 343 “Crosstabs： Table Format”對話框 結(jié)果和討論 （ 1）先輸出如下個案處理摘要表。 （ 2）下面所示表格是 “ 班級 ” 變量和 “ 患病 ” 變量的交叉列聯(lián)表結(jié)果表格。 （ 3）交叉分組下頻數(shù)分布圖形，如圖 344所示。 （ 4）輸出卡方統(tǒng)計結(jié)果表。 （ 5）輸出相對危險度表格如下所示。 多選項分析 統(tǒng)計學(xué)上的定義和計算公式 定義：多選項分析是對多選項問題的分析方法。所謂多選項問題，就是一個問題的答案都是順序變量或名義變量，并且允許選擇的答案可以有多種組合。 對于多選項問題，分解（編碼方案）的方法有兩種。 1．多選項二分法（ Multiple Dichotomies Method） 這種方法將每個可能的答案設(shè)置為一個SPSS變量，變量的取值有兩個，分別表示選中或沒選中。這種方法的缺點是需要的變量數(shù)比較多。比如一道題目有 6個選項，則一道多選題目就需要用 6個變量來表示。好處是比較簡單。 2．多選項分類法（ Multiple Category Method） 多選項分類法首先估計多選項問題可能出現(xiàn)的答案個數(shù)。比如一個多選題，如果最多有3個答案，那么就設(shè)置 3個 SPSS變量，分別用來存放 3個可能的答案。如果某個案的答案只有兩個，那么第 3個 SPSS變量取值為缺失值。 采用多選項分類法，進(jìn)行普通的頻數(shù)分析或交叉列聯(lián)表分析有時候不能達(dá)到我們的要求。比如，我們要了解某選項的選中次數(shù)，就需要將 3個變量中該選項的次數(shù)都累加起來，而不僅僅是一個變量中該選項的累加。 針對這種情況， SPSS提供了多選項分析方法，專門針對多選項問題。 SPSS在處理的過程中會自動地將 3個變量中相同答案的頻率累加起來。 SPSS中實現(xiàn)過程 ? 研究問題 1 某商場對 6種品牌的電視機進(jìn)行消費者滿意度調(diào)查，隨機調(diào)查了 20位消費者，讓他們選出最滿意的 3個電視機品牌，收集到相應(yīng)的數(shù)據(jù)，如表 311所示。試用多選項二分法利用SPSS對該問題進(jìn)行分析，包括頻數(shù)分析和交叉列聯(lián)表分析。 表 311 20名消費者調(diào)查情況 ID 康 佳 長 虹 西 湖 TCL 東 芝 創(chuàng) 維 性 別 1 1 0 1 0 1 0 1 2 1 0 1 1 0 0 0 3 0 0 0 1 1 1 0 4 1 0 1 1 0 0 0 5 1 0 0 1 0 1 0 6 0 0 1 1 1 0 1 7 0 1 1 1 0 0 1 8 1 0 0 0 1 1 1 9 0 0 1 1 1 0 0 10 0 1 1 1 0 0 0 11 1 1 1 0 0 0 0 12 1 0 1 0 0 1 1 13 0 1 1 1 0 0 1 14 1 0 1 1 0 0 0 15 0 0 1 1 0 1 0 16 1 1 1 0 0 0 0 17 1 1 1 0 0 0 0 18 0 1 1 0 0 1 1 19 0 1 1 1 0 0 1 20 1 1 0 1 0 0 1 ? 實現(xiàn)步驟 圖 345 在菜單中選擇“ Define Variable Sets”命令 圖 346 “Define Multiple Response Sets”對話框（一） 圖 347 在菜單中選擇“ Frequencies”命令 圖 348 “Multiple Response Frequencies”對話框（一） 圖 349 “Multiple Response Crosstabs”對話框（一） 圖 350 “Multiple Response Crosstabs： Define Variable”對話框 圖 351 “Multiple Response Crosstabs： Options”對話框（一） ? 研究問題 2 上面實現(xiàn)過程是采用多選項二分法，本例采用多選項分類法對該問題進(jìn)行分析。在本次調(diào)查中，每個被調(diào)查人最多選擇 3個品牌，因此有 3個變量，用來保存每個被調(diào)查人的選擇，數(shù)據(jù)表格如 312所示。 表 312 20名消費者調(diào)查情況 ID 答 案 1 答 案 2 答 案 3 性 別 1 1 5 3 1 2 1 3 4 0 3 4 5 6 0 4 1 4 3 0 5 1 4 6 0 6 3 4 5 1 7 2 3 4 1 8 5 6 1 1 9 5 3 4 0 10 4 2 3 0 11 3 1 2 0 12 3 6 1 1 13 3 2 4 1 14 4 3 1 0 15 6 3 4 0 16 2 3 1 0 17 2 1 3 0 18 2 6 3 1 19 3 2 4 1 20 2 1 4 1 圖 352 “Define Multiple Response Sets”對話框（二） ? 實現(xiàn)步驟 圖 353 “Multiple Response Frequencies”對話框（二） 圖 354 “Multiple Response Crosstabs”對話框（二） 圖 355 “Multiple Response Crosstabs: opti