SPSS基本功能及操作

统计分析模型

（1）信度分析文献[558]

操作步骤：分析—度量—可靠性分析（R）—移动变量到项目（I）框内—统计量—描述性（项+度量+如果。）—项之间（相关性）—继续—确定

信度系数界限值：0．60—0．65认为不可信；0．65—0．70认为是最小可接受值：0．70～0．80认为相当好；0．80—0．90就是非常好。因此，—份信度系数好的量表或问卷最好在0．80以上，0．70—0．80之间还算是可以接受的范围；分量表最好在0．70以上：0．60—0．70之间可以接受。若分量表的内部一致性系数在0．60以下或者总量表的信度系数在0．80以下，应该考虑重新修订量表或增删题目。

删除任何题项后的Cronbach’s α系数也无显著提高。可见核心知识性员工激励组合量表的内部一致性高，信度较好。信度分析说明该问卷的整体结构设计具有较高的可信度。由此可以认为，该问卷具有较好的内在信度，依此调查得到的数据是可信的，基于该问卷进行的数据统计分析结果也是比较可靠的。

从工作满意度与员工参与的相关分析结果中可以看出，工作满意度的6个维度均与员工参与有相关关系，且都为正向相关，显著性水平均达到0.05的显著性水平，可证明薪酬激励量表具有较高的收敛效度，可以进行后续研究，他们之间的相关性也可以说明本文的研究具有一定的意义。

对比上面相关系数表，项间相关性矩阵中相关系数判别标准：》=0.1(强相关)

（3）频数分析 P66 文献[558]

操作步骤：分析—描述统计—（123）频率（F）—移动变量到变量（V）框内—显示频率表格√—统计量—分布（偏度+峰度）—继续—确定

频率也称频数，就是一个变量在各个变量值上取值的个案数。SPSS中的频数分析过程可以方便地产生详细的频数分布表，即对数据按组进行归类整理，形成各变量的不同水平的频数分布表和常用的图形，以便对各变量的数据特征和观测量分布状况有一个概括的认识。描述总体分布形态的统计量主要有偏度和峰度两种。偏度(Skewness)是描述取值分布形态对称性的统计量，由Pearson在1895年提出。偏度由样本的3阶中心矩与样本方差的3／2次方的比值而得，偏度的绝对值越大，表示数据分布的偏斜程度越高。来自正态总体的样本偏度近似为0。偏度系数有两种测量方式，分别为皮尔逊偏度系数1和皮尔逊偏度系数2。偏度系数等于0的时候属于正态分布；偏度系数大于0的时候是右偏分布，表明较低的值占多数；偏度系数小于0的时候为左偏分布，表明较高的值占多数。峰度(Kutosis)是描述变量取值分布形态扁平程度的统计量，由Pearson 在1905年提出。峰度等于0的时候表示数据分布的扁平程度适中，即正态分布；峰度大于0的时候表示数据呈扁平分布；峰度小于0表明数据呈尖峰分布。

（4）描述性统计分析 P71 文献[558]

操作步骤：分析—描述统计—描述（D）—移动变量到变量（V）框内—选项—均值、样本方差、样本标准差—继续—确定离散系数另行计算

描述性统计量是研究随机变量变化综合特征(参数)的重要工具，它们集中描述了变量变化的特征。SPSS提供的基本统计量大致可以分为3类：描述集中趋势的统计量、描述离散程度的统计量和描述总体分布形态的统计量。

统计学中的集中趋势统计量是由样本值确定的量，样本值有向这个数据集中的趋势。测度集中趋势就是寻找数据一般水平的代表值或中心值，不同类型的数据用不同的集中趋势测度值，选择哪种测度值取决于数据的类型。描述集中趋势的统计量有样本均值、中位数等。均值(Mean)又称为“算术平均值”，指一组数的平均值。样本均值反映了变量取值的集中趋势，或者平均水平，是最常用的基本统计量。

统计学中描述离散趋势的统计量是样本值远离集中趋势统计量程度的定量化描述，说明了集中趋势测度值的代表程度，不同的数据有不同的离散趋势测度值。比较重要的离散趋势统计量有样本方差、样本标准差、离散系数等。样本方差(Variance)是刻画样本数据关于均值的平均偏差平方的一个量，是描述样本离散趋势的最常用的统计量。样本方差越大，表明样本值偏离样本平均值的可能性就越大。由于样本方差的计算单位是样本值的平方，将样本方差开方后可以得到和样本值相同量纲的统计量，称为样本标准差(Std．deviation)。样本标准差和样本方差一样，也是度量样本离散程度的重要统计量。离散系数也称标准差系数，即标准差与相应均值之比，主要用于测量相对离散程度，对不同组别离散数据进行比较。离散系数消除了数据水平高低和计量单位的影响。

均值、样本方差、样本标准差、离散系数

（5）均值比较

操作步骤：分析—比较均值—均值（M）—移动变量到因变量列表（D）框内—移动分组变量到自变量列表（I）框内—选项—均值从统计量（S）框移动到单元格统计量（C）—继续—确定

Means过程倾向于对样本进行描述，它可以对需要比较的各组计算描述指针，进行检验前的预先分析。Means过程的优势在于所有的描述性统计变量均按因变量的取值分组计算，无须先进行文件拆分过程，输出结果中各组的描述指标放在一起，便于相互比较分析。Means过程计算指定变量的综合描述统计量，包括均值、标准差、总和、观测量数、方差等一系列单变量描述统计量，当观测量按一个分类变量分组时，Means过程可以进行分组计算。Means过程还可给出方差分析表和线性检验结果。使用Means过程求若干组的描述统计量，目的在于比较，因此必须分组求均值。

（6）单因素方差分析文献[558]

操作步骤：分析—比较均值—单因素ANOVA—移动变量到因变量列表（E）框内—移动分组变量到因子（F）框内（注意：一次只能移动一个）—两两比较（H）—LSD√+ Tamhane”s T2—继续—选项—方差同质性检验（H）—继续—确定

假设检验是对给定的总体参数值，利用样本数据对其推断，并给出接受或者拒绝的过程。对正态总体参数的检验过程一般包括参数的假设检验和参数估计。在总体已知的情况下对总体包含的参数进行推断的问题称为参数检验问题。参数检验不仅可以针对一个总体的检验，也可以针对两个或更多个总体的比较问题。当总体分布未知时，根据样本推断总体的分布类型和参数值的大小的过程称为非参数检验文献[558]。假设检验的基本原则是依据统计推断原理，即小概率事件在一次特定的抽样中一般是不会发生的，如果发生了小概率事件，就有理由怀疑假设的正确性，从而拒绝检验该问题时做出的假设文献[561]。

任何领域的研究者要检验一个新理论或新观点时，可以首先陈述自己认为正确的假设，这个试图确立的假设作为备择假设H1，与备择假设相配的是原假设H0。然后，通过收集有关样本数据和采用相应的检验方法来检验。这种方法不是设法证明备择假设成立，而是努力收集证据来证明原假设不成立文献[559]。检验的基本步骤： 1）给出检验问题的零假设

根据检验问题的要求，将需要检验的最终结果作为零假设（原假设），通常表述为H0：u1=u2=u3=u4=u5（因素影响无显著差异）；备择假设H1：u1、u2、u3，u4、u5不全相等（因素影响有显著差异）。