spss操作

R^2表示拟合优度
Anova表示是否在模型上成立
单样本t检验是比较某一样本均值与总体均值是否有统计学上的差异
Df是自由度
Sig是显著性水平（>0.05,不拒绝
原假设）说明不显著？<0.05说明显著
独立样本t检验：两个总体中抽取独立的样本，他们之间不相关，是独立样本
Levene是说明方差是否齐性，如果sig.>0.05说明方差齐性，那么看上面一行，反之，则看下面一行
配对样本t检验：两个总体中抽取独立的样本，他们之间相关
方差分析：1.要求数据的总体分布是正态的2.数据样本间的方差是齐性的3.各个观测值之间是相互独立的
单因素方差分析:研究大于或等于两个自变量对一个因变量影响的一种实验设计（分析-比较平均值-单因素ANOVA检验）
正态分布检验：分析——非参数检验——旧对话框——单样本ks检验
如果方差齐性检验显著性>0.05,说明一下图有一定的解释力度，<0.05说明解释力度不强两因素方差分析：自变量a和自变量b(a和b都含有两个以上样本g和k，即g*k个组合)对一个因变量的影响。

分析——一般线性模型——单变量
多元方差分析：自变量对多个因变量的影响
相关分析：了解两个变量之间关系的紧密程度。

两个变量之间的相关系数如果>0.8，说明存在多重共线性问题。

两个变量之间具有平等性。

皮尔逊极差相关：变量之间线性相关，符合正态分布，而且样本容量最好大于30
偏相关：有控制变量
距离相关分析：看变量间是否有相似性
E ucliean越大越不相似
回归分析：想知道变量之间的具体的相关关系的程度，是一种用数学公式度量的相关分析。

要求：确定自变量和因变量，因变量随机，自变量是给定的非随机变量，在线性多元回归分析当中，自变量和因变量都是连续变量，若果因变量不是连续变量，而是类别变量，那么只能使用区别分析或者逻辑斯分析。

解释变量与被解释变量是严格确定的。

在进行回归分析的过程中，1.要先看因变量是否是正态分布，2.因变量的各观察值之间必须是相互独立的，
3.各自变量之间不能有多元共线性关系（相关系数>0.700）（通过相关系数矩阵来检查）
如果存在多重共线性问题1. 扩充样本量2.排除异常值3.作主成分成分分析4.修正模型5.检查数据
4.自变量与因变量之间是线性相关关系。

5.各残差之间相互独立，误差项和自变量之间独立。

6.方差齐性：残差的标准误在各个样本观测值上要保持稳定。

回归分析：先把控制变量放入自变量框中，点击下一步，再把自变量放入框中
一元线性回归分析：一个自变量和一个因变量，两个变量之间的关系是线性的
多元线性回归分析：多个自变量和一个因变量，
逐步：按照与因变量关系密切的程度依次放入回归模型
容忍度接近零说明存在共线性问题，vif>10说明存在共线性问题，特征值<0.01,条件值》=30，都说明存在共线性问题
Logistic回归分析：如果因变量是虚拟变量，
以上这个表中显著性应该不显著（说明预测值与观测值之间不存在这些显著差异）
因子分析：通过对变量的分析，把握事物的数据结构，也就是检验效度问题（分析——降维——因子分析）
效度分析：分析——降维——因子分析（效度则是检验每一题是否有效）
因子载荷：在信度效度分析结果出来（旋转后的成分矩阵，如果只在一个维度上结果>0.5,说
明有效）
Kmo表示变量之间的偏相关性，值越高说明相关性越高，一般>0.5/0.6,巴特利特显著（kmo 和巴特利特是看你的数据是否适合做验证分析）解释的总方差：前面的合计值>1有几个，一般就分成几个维度，后面累计的百分比一般要>0.6或者0.7
信度分析：使用皮尔逊极差相关来测量变量之间的相关性（分析——相关——双变量）（分析——刻度——可靠性分析）（非参数检验——旧对话框——）信度是检验整体(维度或者量表的可靠性)看cronbach a系数的值大小，一般认为在0.7以上具有比较好的信度。

修正后的项与总计相关性应该>0.35,删除后的克隆巴克表示的是删除对应的那一项之后，信度如何。

中介效应：分析——回归——线性（在做中介效应之前，要保证变量之间两两相关）
标准化数据（分析——描述性分析——描述——将标准化值另存为变量，也可以数据——汇总——把要求均值的变量拉入变量摘要，然后转换——计算变量，用变量数据减去均值）用process的时候对应的是模型4
置信区间不包含零是显著的
调节效应：交互项要去中心化处理（调节效应过程与中介效应类似，用process的时候对应的是模型1）。