SPSS操作--心理学研究方法-舒华-笔记 (修复的)

目录

一、额外变量的控制方法

1.排除法

2.对立法：额外变量与自变量的效果对立

3.恒定法

4.随机化法

(1)被试随机分派：用excel将被试编号，在编号右

侧写入能生成随机数的函数

Rand（），然后按随机后的数字排序，则被试就被随机化了。

(2)安排试验顺序：例如随机化安排72次试验的顺

序

5.匹配法

(1)被试匹配分组

(2)实验材料匹配分组

(3)共轭控制:实验过程中进行控制P38

6.兼作组法：被试内设计

7.抵消平衡法：ABBA

二、输出描述性数据 & 剔除极端数据

将要检查的变量移入右边的框中，并勾选红框中的选项（意思是：输出Z分数，并作为一个变量列出来。因为检查数据有效应的时候要用到Z分数）。

点击option设置需要输出的描述性统计量，我们需要的统计量主要是最大、最小值。

输出的数据包括平均数、最大最小值、标准差。

切换到数据视图，生成了新变量Z值，从中可以看出Z 值不在-3到3范围内的数据。

三、数据的转换

在行为科学研究中，有时需要对原始数据转换后才能进行分析，常见原因包括：原始数据不能很好的满足F 检验的需要，研究者希望获得误差变异的同质性，或者使原始数据接近正态分布，或者是希望减小误差变异等。

1.数据标准化

点击OK，就可以看到表格窗口中已有两列将原始数据转换成了标准数据，如下图。

四、心理学研究中的变量间相关关系

1.皮尔逊相关

相关关系：偏相关分析、交叉滞后的相关设计、结构模型和线性结构方程

(1)相关分析

分析结果中显示，阅读理解与阅读速度之间的相关为0.58，p=0.785，阅读速度与智商之间的相关为-0.007，p=0.971，阅读理解与智商相关为0.196，p=0.286.

(2)偏相关分析

相关关系不能确定为因果关系，若自变量和因变量

相关，但没法证明因变量是由于自变量的影响造成的，此时发现第三个变量对自变量和因变量都有影响，可以的解决方法是把第三个变量转化为控制变量。

偏相关分析是一种尝试从统计上控制第三变量的方法，可用来估计第三变量的效果。逻辑是，在移出或控制第三变量的前提下，测量研究者所感兴趣的两个变量之间的关系。使用SPSS可进行偏相关分析，实例P51.

此处可选择双侧检验和单侧检验

从输出的结果可看出，在控制智商变量的前提下，阅读速度与阅读理解成绩之间的相关为0.06，p=0.752.不控制时，二者的相关为①中得出的0.58，说明智商的确是重要的第三变量，对阅读理解和阅读速度之间的0.58相关有显著的贡献。

(3)交叉滞后的相关设计

相关分析仅能确定两个变量有因果关系，但无法确定相关方向，即是变量1影响变量2还是变量2影响变量1，交叉滞后相关可以作为解决该问题的一种方法。

(4)结构模型和线性结构方程

近年来流行的高级技术，可以确定几个变量之间的因果线路。能够同时考虑有无因果关系以及因果关系的方向两个问题。

2.斯皮尔曼等级相关系数

当计算评分者信度时，评分者只有两人或者一个人先后两次评若干份试卷时，采用此种相关系数计算。SPSS 操作步骤如下

五、多重回归模型分析的SPSS操作

回归分析（英语：Regression Analysis）是一种统计学上分析数据的方法，目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。在使用回归分析时，所有变量必须进行标准化处理。

公式为y^=a+bx，b值使用最小二乘法计算。

1.一元线性回归（一个自变量）

假设Y 与X的相关显著, 意味着回归系数c显著(即H0:c=0的假设被拒绝)。

输出结果：

我们看到的第一个表格是变量进入和移除的情况，因为这个模型拟合的比较好，所以我们看变量只有进入没有移除，但大部分的时候变量是有进有出的，在移除的变量这一栏也应该有变量的。

第二个表格是模型的概况

R表示拟合优度，它是用来衡量估计的模型对观测值的拟合程度。它的值越接近1说明模型越好。调整的R 平方比调整前R平方更准确一些，图中的最终调整△R2=0.245，表示自变量一共可以解释因变量24.5%的变化。

【一般认为，拟合优度达到0.1为小效应（R方0.01），0.3为中等（R方0.09），0.5为大（R方0.25），这是针对自然科学的一般界限】

结果为R2=0.247，△R2=0.245（矫正后的R2）表示自变量能解释因变量总变异的24.5%，SE=0.869（随机误差的估计值）。该表中，写论文报告结果时，只报告矫正后的R2值。

第三个表Anova表示方差分析结果，主要看F和sig 值两个，F值为方差分析的结果，是一个对整个回归方程的总体检验，指的是整个回归方程有没有使用价值，其F

值对应的Sig值小于0.05就可以认为回归方程是有用的。另外，从F值的角度来讲：F的值是回归方程的显著性检验，表示的是模型中自变量可解释的因变量的变异与误差变异相比是统计上显著的。表格可以检验是否所有偏回归系数全为0（多元回归分析时），sig值小于0.05可以证明模型的偏回归系数至少有一个不为零。

若F>Fa(k,n-k-1)，则拒绝原假设，即认为列入模型的各个自变量联合起来对因变量有显著影响，反之，则无显著影响。这里简单对Fa(k,n-k-1)进行一下解释，k 为自变量个数，n为样本容量，n-k-1为自由度。对于我的实验中的情况来讲，k=3，样本容量为146，所以查表的时候应该差Fa(3,142)，一般数理统计课本中都有F 分布表，a表示的显著性水平（一般取0.05），但我们手头不一定会有课本，就需要借助于excel来查F表，打开excel，在公式区输入：=FINV(0.05,3,142)，在单元格中即出现2.668336761，表中的F值显著大于这个值，则认为各个解释变量对因变量有显著影响。

第四个表是参数的检验，这个表格给出了对偏回归系数（B）和标准偏回归系数（Beta）的检验，偏回归系