spss学习总结

无论是开展项目，还是记录工作过程，都需要通过总结的方式，回顾项目或工作的情况，从中寻找出利于成长的经验，为以后的项目与工作实施，提供相关方面的参考。因此，我们需要在某个时期结束后，写一份总结，下面是小编为大家整理的《spss学习总结》，供需要的小伙伴们查阅，希望能够帮助到大家。

第一篇：spss学习总结

Spss Spss学习第四天

我主要以课上的顺序来一步步操作

一元回归

两个或两个以上自变量对一个因变量的数量变化关系，称为多元线性回归分析，表现这一数量关系的数学公式，称为多元线性回归模型。

多元线性回归模型是一元线性回归模型的扩展，其基本原理与一元线性回归模型类似，只是在计算上更为复杂，一般需借助计算机来完成。

(2)回归方程的显著性检验(F检验)

多元线性回归方程的显著性检验一般采用F检验，利用方差分析的方法进行。

(3)回归系数的显著性检验(t检验)

回归系数的显著性检验是检验各自变量x1，x2，…，对因变量y的影响是否显著，从而找出哪些自变量对y的影响是重要的，哪些是不重要的。

与一元线性回归一样，要检验解释变量对因变量y的线性作用是否显著，要使用t检验。

课上实例：

Next 在这里可以针对不同的自变量设置不同的筛选引入方法。 Options 下一步：设置变量引入剔除的标准规则 Methot

自变量筛选的方法： Enter:所选变量全部引入模型 Stepwise：逐步引入法 Remove：剔除变量 Backward：向后消去法 Forward：向前消去法

结果：

第一个表格是

描述统计量 第二个表格是 相关系数矩阵

第三个表格是 列出模型引入以及剔除的变量，这里是强制引入法，所有变量引入模型 第四个表格是 模型拟合优度统计量 第五个表格是 模型显著性F检验

第六个表格是 每个回归系数显著性的t检验

第七个表格是 共线性诊断特征根有些接近0，有个别值特别大有严重共线性。条件指数如有个别维度值大于30，也说明有严重共线性! 第八个表格是 关于残差的描述统计量 第九个表格是 残差的正态性诊断

多元回归

虚拟变量

前面几节所讨论的回归模型中，因变量和自变量都是可以直接用数字计量的，即可以获得其实际观测值(如收入、支出、产量、国内生产总值等)，这类变量称作数值型变量。然而，在实际问题的研究中，经常会碰到一些非数值型的变量，如性别、民族、职业、文化程度、地区、正常年份与干旱年份、改革前与改革后等定性变量。

在回归分析中，对一些自变量是定性变量的先作数量化处理，处理的方法是引进只取“0”和“1”两个值的0−1型虚拟(dummy)自变量。当某一属性出现时，虚拟变量取值为“1”，否则取值为“0”。例如，令“1”表示改革开放以后的时期，“0”则表示改革开放以前的时期。再如，用“l”表示某人是男性，“0”则表示某人是女性。虚拟变量也称为哑变量。需要指出的是，虽然虚拟变量取某一数值，但这一数值没有任何数量大小的意义，它仅仅用来说明观察单位的性质和属性。

课上实列：

建立虚拟变量DU。设置逻辑运算，如果AREA==1时，DU=1，否则DU=0.

结果：

逻辑回归

称为logistic模型(逻辑回归模型)。

我们的逻辑回归模型得到的只是关于P{Y=1|x}的预测。

但是，我们可以根据模型给出的Y=1的概率(可能性)的大小来判断预测Y的取值。 一般，以0.5为界限，预测p大于0.5时，我们判断此时Y更可能为1，否则认为Y=0。 如果该p值小于给定的显著性水平(如=0.05)，则拒绝因变量的观测值与模型预测值不存在差异的零假设，表明模型的预测值与观测值存在显著差异。如果值大于，我们没有充分的理由拒绝零假设，表明在可接受的水平上模型的估计拟合了数据

课上实例：

将因变量放入dependent栏，自变量放入covariates栏中 可以把几个变量的乘积作为自变量引入模型作为交互影响项

线性回归一样，我们可以通过next按钮把自变量分成不同的组块，使不同的组块按顺序以不同的方式分步进入模型

Classification plots:制作分类图，通过比较因变量的观测值与预测值的关系，反映回归模型的拟合效果。

Hosmer-Lemeshow goodness-of-fit: H-L检验。

Casewise listing of residuals:显示个案的残差值(显示标准化残差超过两倍标准方差的个案或显示所有个案)

Correlations of estimates:输出模型中各参数估计的相关矩阵。

Iteration history:输出最大似然估计迭代过程中的系数以及log似然值。 CI for exp(B):输出exp(beta)的置信区间，默认置信度为95% 在save选项中，我们可以选择需要保存的数据文件中的统计量。包括残差值、个案影响度统计量、预测概率值等等

结果：

第一部分有两个表格，第一个表格说明所有个案(28个)都被选入作为回归分析的个案。

第二个表格说明初始的因变量值(0，1)已经转换为逻辑回归分析中常用的0、1数值。

(2)第二部分(Block 0)输出结果有4个表格。(组块0里只有常数项，没有自变量)

(3)Omnibus Tests of Model Coefficients表格列出了模型系数的Omnibus Tests结果。

(4)Model Summary表给出了-2 对数似然值、Cox和Snell的R2以及Nagelkerke的R2检验统计结果。

(5)Hosmer and Lemeshow Test P值大于0.05，说明模型有一定的解释能力 (6)Classification Table分类表说明第一次迭代结果的拟合效果，从该表格可以看出对于y=0，有86.7%的准确性;对于y=1，有76.9%准确性，因此对于所有个案总共有82.1%的准确性。

(7)Variables in the Equation表格列出了Step 1中各个变量对应的系数，以及该变量对应的Wald 统计量值和它对应的相伴概率。从该表格中可以看出x3相伴概率最小，Wald统计量最大，可见该变量在模型中很重要。B是回归系数的估计值 Wald系数的wald检验

Exp(beta)的估计值以及区间估计

(8)Correlation Matrix表格列出了常数Constant、系数之间的相关矩阵。常数与x2之间的相关性最大，x1和x3之间的相关性最小。

(9)图7-26所示是观测值和预测概率分布图。该图以0和1为符号，每四个符号代表一个个案。横坐标是个案属于1的录属度，这里称为预测概率(Predicted Probability)。纵坐标是个案分布频数，反映个案的分布。

(10)逻辑回归的最后一个输出表格是Casewise List，列出了残差大于2的个案。

第二篇：SPSS学习心得

本学期是我在大学学习的最后一个学期。在这个学期里，学校根据我系专业特点开设了一些专业应用性课程，其中有一门课程便是SPSS。

SPSS的中文名称是社会科学统计软件包，是世界上最早的统计软件。我们学期学习所使用的软件为英文版，起初接触时由于我英语水平问题，SPSS软件的操作让我很是头疼。但是通过对这门课程的学习，我了解到SPSS具有完整的数据输入、编辑、统计分析、报表、图形制作等功能。在日常的工作与学习中，我所接触到的数据比较多，但是我想从中获得有用的数据却很难，通过SPSS软件应用，使我处理数据的时间大幅度的缩短，另外也能客观直接的对我所需要的数据进行简单分析。

在我平日课下进行统计调查技能培训的时候，我起初分析数据所用的软件是Excel。虽然使用Excel可以对数据进行透视、分类、筛选以及计算相关系数等，但是这些操作都需要自己每一步每一步的进行手动操作，而使用SPSS软件在对数据进行整理时，只需对软件某选项内设置变量条件，系统便自动的进行整理。而且，在学习与应用SPSS过程中，我了解到应用SPSS软件只要了解统计分析的原理无需知晓统计方法的各种算法就能得到自己所需要的统计分析结果。另外对于常见的统计方法，SPSS的命令语句、子命令及选择项的选择绝大部分在软件内的对话框操作完成，我们无需花费大量的时间记忆大量的命令和选择项。在这方面，SPSS软件的应用可以使我们节省大量时间，而且软件操作比较容易上手，在当今这个时间就是金钱的社会上，我们掌握SPSS软件的应用，也就是为自己赚取了不少金钱。

另外在与SPSS的接触中，我逐渐了解到SPSS软件的强大与方便。SPSS提供了从简单的统计描述到复杂的多因素统计分析方法，其中有数据的统计分析、统计描述、交叉表分析、二维相关、方差分析、多元回归、因子分析、聚类分析、降维等分析方法。利用这些方法可以得出计算数据和统计图形，看出数据的离散程度、集中趋势和分散程度，单变量的比重，还有对数据进行标准化处理。利用这个软件对问卷数据进行分析是极好的。虽然，这些方法大部分我还是不会使用，能够让我利用并成功分析的方法只有寥寥几种，但是这种简单便捷的操作让我对SPSS的兴趣却是越来越浓。

这门课程是我们这学期从始至终一直开设的课程，在课堂上我们的导师马杰老师针对各种案例对我们进行讲解，让我们了解SPSS的各种应用，在课下系内陈主任对我进行指点，让我能够利用多种SPSS的方法进行数据处理与数据分析。

现在，学期即将结束，同样的这门课程也到了尾期，在这学期学到了很多，并且还有很多没有学到。我们学习时所操作的软件是英文版，这对英语基础不好的我来说是个考验。同时，由于我们所学专业并非必须拥有计算机，导致我们平时能够练习的机会比较少，造成了掌握不牢固，前学后忘现象比较严重。现在呢，很是希望能够把SPSS的应用熟练操作，并且能把它变为自己的一种本能，使自己在今后的工作与学习中，可以轻松运用。

第三篇：SPSS学习感想范文

SPSS学习感想

在这学期以前我并没有学过统计学，甚至没有接触过它，因此对它的认识可谓是从零开始的，但经过这一段的学习，也算是受益良多，下面我就简单说下感想吧。

第一节课老师简单讲述了下这门课的概况，给了我们英文版和中文版教材便让我们开始分组讲授各个部分，当时只觉得毫无头绪，对于没接触过的事物人总有莫名的恐惧，这门课看似还很难，就比较担忧。但看了分到的关于方差分析部分的英文版书后，觉得老师推荐的这本书真的很好，虽然看英文比较痛苦，但胜在通俗对于我这种从未接触过的人来说也是读的懂得，这大概也是许多外国教材的优点，会有很实际的举例帮助理解，语言读起来也是简单易懂，不像许多中国教材那么晦涩。后期在看英文文献的时候看到不懂得SPSS模型便会再翻出这本书来看，许多的中文版的教材也看了但总是较难迅速找到想看的知识点，且理解起来也很困难。

说完对于教材的整体心得，就来说说讲课方面的心得吧，起初大家对于老师让学生讲授的方式不是很认同，觉得自己能力有限，问题太难，不一定能看得明白更勿论讲了。但经过后来自己看教材做PPT，发现其实做起来并没有看起来那么难，虽然花了不少时间但最后也算是基本了解大意及步骤，并且自己花了时间做出来的东西会特别记忆深刻，因此做完后对于方差分析这一块也算是有了整体的认识和了解，之后在看论文中这部分的模型来也轻松许多。所以这种讲课方式其实也确实能帮助同学们更积极的学习这门课程。

接着说说学习过后对SPSS的整体认识吧，我专门去百度了下它的全称，定义为SPSS是“社会科学统计软件包”(Statistical Package for the Social Science)的简称，是一种集成化的计算机数据处理应用软件。之前看论文的时候会经常看到各种表格图形，各种结果输出，当时并不明白，以前也没见过，因此总会跳过实验整个设计直接看结果。在学了这门课后总算对其有了初步的认识。它其实大致分为两个大部分，一是简要介绍描述性和推断性统计，包括描述性统计、推断性统计原理与推断性统计机制;二是统计分析方法，包括卡方检验、独立样本t检验、配对样本t检验、方差分析等检验差异的统计方法，和多元回归分析、因子分析和结构方程模型等检验联系的统计方法。利用这些方法可以得出计算数据和统计图形，看出数据的离散程度、集中趋势和分散程度，单变量的比重，还有对数据进行标准化处理。利用这个软件对问卷数据进行分析是极好的。统计分析也主要有两大类，一类是验证差异的，另一类是验证相关性的。验证差异的主要有t检验和方差分析，验证相关性的主要有回归分析、因子分析和结构方程模型。通过课程的学习我基本知道了他们的区别和应用场景，如t检验适合两个变量之间的差异比较，而方差分析则在变量较多时使用，从而达到便捷的效果。

在学习方差分析时，我刚开始常常把因变量和自变量弄混淆，在分析的时候应分别送入哪个对应框中，如果反了的话会导致结果的不准确。接着，对LSD、Bonferroni、Tukey、Scheffe等方法的使用不清楚，现在基本掌握了多重比较方法选择：一般如果存在明确的对照组，要进行的是验证性研究，即计划好的某两个或几个组间(和对照组)的比较，宜用Bonferroni(LSD)法;若需要进行多个均数间的两两比较，且各组个案数相等，适宜用Tukey法;其他情况宜用Scheffe法。因为经常混淆，所以这些都被我记录在PPT中，好让自己以后方便查看。还有，当时对方差齐性检验、多重比较检验的理解也存在困难，但经过小组讨论对他们也基本有了了解。当方差分析F检验否定了原假设，即认为至少有两个总体的均值存在显著性差异时，须进一步确定是哪两个或哪几个均值显著地不同，则需要进行多重比较来检验。LSD即是一种多因变量的三个或三个以上水平下均值之间进行的两两比较检验，最灵敏，但会较易犯假阳性的错误。在听别的小组讲述相关分析时，对于在绘制散点图时的横坐标和纵坐标的区分刚开始不太明白，但经过同学的讲授明白了横坐标是解释变量，纵坐标是被解释变量。在学习回归分析的过程中，对解释变量向前筛选、向后筛选、逐步帅选策略不能熟练掌握，特别是对向前向后筛选时到处的结果不会进行分析。在学习因子分析的时，刚开始对提取出来的因子的实际含义不清晰，但这些问题都都一一在讲授和之后的讨论中得到了解析，从而对于他们都算是有了大致的了解。

虽然整个学习过程经历了很多困难，但小组成员在一起，大家一起克服困难，集思广益，最后的结果还算是成功的，每个人对于自己的部分都很认真在准备希望能给大家讲的清楚明晰，这个学习的过程对我们都意义非凡。现在这门课要结束了，但对于SPSS的学习却没有，现有的知识感觉只是对他有个初步的了解，离熟练运用还有些距离，论文中的模型分析的结果还不能很快的看出，因此还需要不断地看书看文献运用。但这门课显然给我们打下了很好的基础，在这结束的时刻，我希望谢谢这些陪我一起走过这个历程的人，我的老师，小组的成员以及其他组的成员们，感谢你们同我一起成长。

第四篇：SPSS课程学习感悟

学习SPSS有感

摘要：SPSS统计分析方法及应用课程的开设给我们打开了一扇全新知识的门窗，它通向的是一个崭新的领域。这门课程的学习经历可谓波澜起伏，中间有苦有甜，但是不管过程多么艰难，幸运的是，我们学到了很多，收获了很多。通过老师的讲解，我们对它的使用方法、结果分析和应用范围都有了非常细致的了解。 关键词：学习经历 收获 方法 应用范围

距SPSS统计分析方法及应用课程结束已经过去好几天了，偶尔还是会想起那段兵荒马乱，洪荒滔天的日子。开学伊始，很多课程还必须靠课程表才知道星期几在哪里上课，但是SPSS则不同，一天四节课连着上的重大任务让我们不得不去正视它、重视它。

初识SPSS统计分析方法及应用是在一个傍晚。彼时，地上余热尚未完全散尽，暮色即将席卷最后一抹晚霞。坐在机器嗡嗡运转的机房里，抚摸手中那一厚重书本的扉页，心里是一丝说不清道不明的复杂情绪，对未知的好奇掺杂着对已知的不确定。周围同学都在讨论，统计学都没有学好，这门课程学起来会不会过于吃力，如此一想，几分恐惧感又蹭蹭地上升。就这样，怀着五味杂陈的心情开始了SPSS的第一堂课。

一天课下来，却发现它学起来并没有想象中那么艰难，可能是刚接触的基础知识比较易懂，也可能是老师讲解的很生动透彻。总之，我的兴趣被调动起来了，甚至在心里雀跃，期待第二天的SPSS课早点到来。但是渐渐的，学习开始有点力不从心了，课堂上会有片刻的走神，反应过来后便在书上匆忙翻找老师讲解的内容自己慢慢的边看边理解，然而结果还是一知半解，于是悔不当初统计学的基础打得不够牢固。不过，不幸中的万幸是老师非常的好，对我们这些上课不太认真的同学还是耐心的给予指导并且不厌其烦。课堂上师生之间互动的很好，充分调动了大家的积极性，要求我们自己动手去找答案、自己去操作而不是一味地跟着老师盲目地进行着机械运动，老师也非常反对以往那种“填鸭式”教育，积极鼓励、督促我们去思考答案的由来，去解释所以然与之所以然，同时老师生动的讲解把枯燥的内容形象化，更方便我们的理解。当习惯了老师这种教学模式后，我们学习起来虽不能说得心应手，举一反三，但也渐入佳境，步入正轨，没有了当初的手足无措，没有了那时的茫然若失，像初长成的少年一般，拥有的是岁月洗礼后的纯粹明媚与获得真知的满足感。

现在回想一下，学习其实还是一个循环往复的过程，讲究的是一个方法和技巧，即使每个人都在抱怨SPSS难学，听不到看不明白，但是班上还是有人学的很轻松，学的很扎实。好像那些在我们看来既枯燥又难以理解的术语和定义解释在她们眼里就是一副活动的画面，她们沉浸于其中，遨游在其中，享受在其中。仿佛那些知识早已扎根在她们充满智慧的脑袋里，而不同于我们，需要从书本的文字上去吸收，从老师那里获取知识的核心和真正内涵。这样的对比让我折服却又向往，认真观察了她们学习动态后，我发现像我们这种每天上课才翻书下课书本直接扔一边的人即使在某一时期了解了这门课程，等到若干时间以后，当遗忘功能发挥作用时我们还是一无所知，怎样把它们植根于脑袋，关键在于自己的努力和钻研。课前好好预习，尝试自己去理解那些不算深奥的文字，遇到不懂的标记一下，上课认真听或者课后积极向老师请教，课堂的效果也是不容忽视的，老师讲的都是书本浓缩的精华，一个不留神，可能就导致后面的全盘崩溃，然后兴趣丧失，课后更是需要好好复习加强记忆力，SPSS需要的是多操作多熟悉，空闲时间多加自我练习才会做到熟能生巧。其实很多课程都是互通的，这些方法对其他课程而言也是非常实用的。还有最重要的一个资源库，就是学校的图书馆，多看看有关书本触类旁通更容易理解。

现在一本书已经学完了，不敢说对它的领会有多深，只能说从中的确学到了不少的东西，更准确的是学到一种技能和方法，即怎样处理数据的方法。SPSS是“社会科学统计软件包”(Statistical Package for the Social Science)的简称，是一种集成化的计算机数据处理应用软件。它是世界上公认的三大数据分析软件之一，由于操作简便，好学易懂，简单实用，因而很受非专业人士的青睐。最重要的是，对我们经济管理专业的学生来说，以后从事的行业大部分都是要和统计分析以及决策打交道，因此掌握好数据分析方法和数据分析软件工具则是非常有必要的。

其次纵观中国经济发展历程，改革开放已逾三十多年，我国的经济体制由计划经济步入了社会主义市场经济的运行空间，这一客观现实要求企业必须提高独立面对市场经济中大风大浪的能力，也就是自身的硬件素质。在加入WTO后，中国企业搭上全球化的班车，跨入与国际接轨的高速轨道，在获得更广泛的市场资源的同时，也面对着更强大对手的竞争，在这种趋势下，增强软实力，打造自身独一无二的个性特质更是迫在眉睫。面对着强化自身的双重挑战，要求企业承担起信息化和定量分析的重任，只有信息化才能够迅速全面的感知市场和消费群体的要求，只有定量分析才能对感知信息做出科学分析和正确决策。而当今社会发展日益迅猛，数据量快速膨胀，数据关系复杂性大大提高，企业怎样快速得出分析结果，怎样从效率和质量方面占有优势对数据分析软件的性能有着严格的的要求。而SPSS因操作简单，结果明了，很受企业欢迎，已广泛应用于各大领域。我们从课程学习上所采用的例子就可得出，SPSS不仅在经济学、生物学、心理学、医疗卫生、体育等方面作用广大，在农业、林业、商业、金融等行业也有着不可小觑的影响力。应着这些因素，掌握好这一技能就显得势在必行了。

通过老师细心的讲解，我们知道了SPSS分析的正确步骤，即懂得了如何正确组织数据、如何利用SPSS对数据进行基本加工和整理，明白了应从何处入手分析、应采用SPSS中的哪些分析方法和功能实现对各类数据由浅入深的分析，清楚了怎样理解和解释分析结果。在此之前，我们所了解的关于数据的计算机应用软件仅局限于Excel，而如今，我们不但掌握了SPSS，还能够在两者之间进行数据的转换。这一课程的学习可谓是受益匪浅，对于一组数据我们不再被表面现象和其中的干扰因素所蒙蔽，而是能够剖开现象看本质，这使我们对真实的理解更加贴近更加透彻。

第五篇：SPSS学习心得体会

篇一：spss学习报告总结心得

应用统计分析学习报告

本科的时候有概率统计和数理分析的基础，但是从来没有接触过应用统计分析的东西，spss也只是听说过，从来没有学过。一直以为这一块儿会比较难，这学期最初学的时候，因为没有认真看老师给的英文教材，课下也没有认真搜集相关资料，所以学起来有些吃力，总感觉听起来一头雾水。老师说最后的考核是通过提交学习报告，然后我从图书馆里借了些教材查了些资料，发现很多问题都弄清楚了。结合软件和书上的例子，实战一下，发现spss的功能相当强大。最后总结出这篇报告，以巩固所学。

spss，全称是statistical product and service solutions，即“统计产品与服务解决方案”软件，是ibm公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，也是世界上公认的三大数据分析软件之一。spss具有统计分析功能强大、操作界面友好、与其他软件交互性好等特点，被广泛应用于经济管理、医疗卫生、自然科学等各个领域。具体到管理方面，spss也是一个进行数据分析和预测的强大工具。这门课中也会用到amos软件。 关于spss的书，很多都是首先介绍软件的。这个软件易于安装，我装的是19.0的，虽然20.0有一些改变和优化，但是主体都是一样的，而且都是可视化界面，用起来很方面且容易上手。所以，我学习的重点是卡方检验和t检验、方差分析、相关分析、回归分析、因子分析、结构方程模型等方法的适用范围、应用价值、计算方式、结果的解释和表述。

首先是t检验这一部分。由于参数检验的基础不牢固，这部分也是最初开始接触应用统计的东西，学起来很多东西拿不准，比如说原假设默认的是什么。结果出来后依然分不清楚是接受原假设还是拒绝原假设。不过现在弄懂了。这部分很有用的是t检验。t检验应用于当样本数较小时，且样本取自正态总体同时做两样本均数比较时，还要求两样本的总体方差相等时，已知一个总体均数u，可得到一个样本均数及该样本标准差，样本来自正态或近似正态总体。t检验分为单样本t检验、独立样本t检验、配对样本t检验。其中，单样本t 检验是样本均数与总体均数的比较的t检验，用于推断样本所代表的未知总体均数μ与已知的总体均数uo有无差别;独立样本t检验主要用于检验两个样本是否来自具有相同均值的总体，即比较两个样本的均值是否相同，要求两个样本是相互独立的;配对样本t检验中，要正确理解“配对”的含义，主要用于检验两个有联系的正态总体的均值是否有显著差异，跟独立检验的区别就是样本是否是配对样本。这几个方法用软件操作起来都是相对简单的，关键是分清楚什么时候用这个什么时候用那个。

然后是方差分析。方差分析就是将索要处理的观测值作为一个整体，按照变异的不同来源把观测值总变异的平方和以及自由度分解为两个或多个部分，获得不同变异来源的均值与误差均方，通过比较不同变异来源的均方与误差均方，判断各样本所属总体方差是否相等。方差分析主要包括单因素方差分析、多因素方差分析和协方差分析等。这一部分在学习的过程中出现一些问题，就是用spss来操作的时候分不清观测变量和控制变量，如果反了的话会导致结果的不准确。其次，对bonferroni、tukey、scheffe等方法的使用目的不清楚，现在基本掌握了多重比较方法选择：一般如果存在明确的对照组，要进行的是验证性研究，即计划好的某两个或几个组间(和对照组)的比较。宜用bonferroni(lsd)法;若需要进行多个均数间的两两比较，且各组个案数相等，适宜用tukey法;其他情况宜用scheffe法。最后，对方差齐性检验、多重比较检验、趋势检验理解不够透彻，在方差检验中，post hoc键有lsd的选项：当方差分析f检验否定了原假设，即认为至少有两个总体的均值存在显著性差异时，须进一步确定是哪两个或哪几个均值显著地不同，则需要进行多重比较来检验。lsd即是一种多因变量的三个或三个以上水平下均值之间进行的两两比较检验。

相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。相关分析研究现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。主要有双变量相关分析、偏相关、距离相关几个方法。双变量相关分析是相关分析中最常使用的分析过程，主要用于分析两个变量之间的线性相关分析，可以根据不同的数据类型和条件，选用pearson积差相关、spearman等级相关和kendall的tau-b等级相关。当数据文件包括多个变量时，直接对两个变量进行相关分析往往不能真实反映二者之间的关系，此时就需要用到偏相关分析，从中剔除其他变量的线性影响。距离相关分析是对观测变量之间差异度或相似程度进行的测量，其中距离需要弄清楚，距离分析是对观测量之间相似或不相似程度的一种测度，是计算一对观测量之间的广义距离。这些相似性或距离测度可以用于其他分析过程，例如因子分析、聚类分析或多维定标分析，有助于分析复杂的数据集。

接着是回归分析。相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。回归分析的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。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析;按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。应用回归分析时应首先确定变量之间是否存在相关关系，如果变量之间不存在相关关系，对这些变量应用回归预测法就会得出错误的结果。正确应用回归分析预测时应注意：①用定性分析判断现象之间的依存关系;②避免回归预测的任意外推;③应用合适的数据资料;

接下来是因子分析。因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家c.e.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。因子分析的主要目的是用来描述隐藏在一组测量到的变量中的一些更基本的，但又无法直接测量到的隐性变量。从显性的变量中得到因子的方法有两类。一类是探索性因子分析，另一类是验证性因子分析。探索性因子分析不事先假定因子与测度项之间的关系，而让数据“自己说话”。而验证性因子分析假定因子与测度项的关系是部分知道的，即哪个测度项对应于哪个因子，虽然我们尚且不知道具体的系数。这一部分不能用spss来操作，要用amos，用起来也很方便。

最后一部分学习的是结构方程模型。结构方程模型是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内，其大量应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中。结构方程模型是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。结构方程模型与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。 这门课要学习完了，整个学习的过程是充满曲折和挑战的，我见证了自己从一无所知到困惑迷茫再到略懂再到会用的过程。甚至学完之后有些问题还没有彻底搞清楚，自己接下来还会不断的探索的。spss是个很神奇的工具，结合amos和excel更是如虎添翼，相信学习了spss在以后的论文和数据分析中很有用。这门课给我的感觉是看起来很难，但是实际学起来就好很多，因为当我结合具体实例和软件的时候，很多抽象的问题就豁然开朗了。但是想给老师一个建议，这门课需要很强的统计和概率论的基础，要不然就会很难听懂或者听得半懂。然后这门课的很多方法的相关资料都是用在医疗卫生、自然科学领域的，在管理中的应用的资料不怎么多。老师希望我们上课的时候结合在管理中的应用来学习，但是资料有限，希望老师在这个方面多给学生一些引导。篇二：spss学习总结 学习spss感想

以前学统计学的时候就听老师讲过spss有非常强大的统计功能，对我们学习、工作有很大的帮助，所以我一直认为spss很神秘。通过这个学期周老师的课让我对此清楚了许多，也学到了spss强大的统计功能，更加让我明白了spss与excel的区别。 spss是“社会科学统计软件包”(statistical package for the social science)的简称，是一种集成化的计算机数据处理应用软件。1968年，美国斯坦福大学h.nie等三位大学生开发了最早的spss统计软件，并于1975年在芝加哥成立了spss公司，已有30余年的成长历史，全球约有25万家产品用户，广泛分布于通讯、医疗、银行、证券、保险、制造、商业、市场研究、科研、教育等多个领域和行业。spss是世界上公认的三大数据分析软件之一(sas、spss和systat)。

在学习spss期间，我主要遇到的问题是后面几章，spss的参数检验、方差分析、相关分析、线性回归分析、聚类分析、因子分析等。 在参数检验中我不知道原假设是什么，导致分析的时候不知道该拒绝原假设还是接受原假设，不能分析出统计结果。不会区分单样本t检验和两配对样本t检验的区别，现在懂得了它们都要服从正态分布，基本思想是小概率反证法，反证法思想是先提出假设(检验假设h0)，再用适当的统计方法确定假设成立的可能性大小，如果可能性小，则认为假设不成立，否则，还不能认为假设不成立。

在学习方差分析中，开始常常把观测变量和控制变量弄混淆，在分析的时候应分别送入哪个对应框中，如果反了的话会导致结果的不准确。其次，对lsd、bonferroni、tukey、scheffe等方法的使用不清楚，现在基本掌握了多重比较方法选择：一般如果存在明确的对照组，要进行的是验证性研究，即计划好的某两个或几个组间(和对照组)的比较。宜用bonferroni(lsd)法;若需要进行多个均数间的两两比较，且各组个案数相等，适宜用tukey法;其他情况宜用scheffe法。最后，对方差齐性检验、多重比较检验、趋势检验理解不够透彻，在方差检验中，post hoc键有lsd的选项：当方差分析f检验否定了原假设，即认为至少有两个总体的均值存在显著性差异时，须进一步确定是哪两个或哪几个均值显著地不同，则需要进行多重比较来检验。lsd即是一种多因变量的三个或三个以上水平下均值之间进行的两两比较检验。

在学习相关分析的过程中，在绘制散点图时，不知道哪个该做横坐标，哪个该做纵坐标，明白了横坐标是解释变量，纵坐标是被解释变量，还有对相关系数的种类分析不熟练等 。在学习回归分析的过程中，对dw可检验的含义不理解，不记得对应的dw表示的残差序列的相关性。对解释变量向前筛选、向后筛选、逐步帅选策略不能熟练掌握，特别是对向前向后筛选时到处的结果不会进行分析。

学习聚类分析中， 变量的选择分不清，无关变量有时会引起严重的错分，应当只引入在不同类间有显著差别的变量，尽量只使用相同类型的变量进行分析 。 分类数不明确，从实用角度讲，2~8 类比较合适 。 掌握了k-means cluster 分析，样本量大于100时有必要考虑，只能使用连续性变量。 学习因子分析的过程中，对提取出来的因子的实际含义不清晰，不能使因子具有命名解释性。 学习了spss后，我不禁想到了spss与excel的区别，这一点是针对像我这样开始只懂得用excel的人来说。从个人的体会来说，二种软件有一定相似，操作都简便，同时又有一些可以互补的地方。但是spss又比excel更加强大：

一、图型的表现力是spss的主要优点之一

应该说，excel的图型表现主要是简便，对许多的人来说基本够用，但对于科学的表现，spss就更为详细和准确，这一点据说在所有统计软件中都突出。

二、通过spss检验方差齐性和数据分布

假设检验中，采用的t检验和方差检验都需要满足二个要求，即 1.样本方差齐性

2.样本总体呈正态分布

在excel中，提供了f检验来检验方差齐性问题，也就是可以先通过f检验确定方差齐性与否来选择下一步用哪个t检验或方差检验分析工具。但只要数据多于二组则无从下手;通过描述统计大约能从峰度和偏度来了解样本的分布实际工作中，只要分布单峰且近似对称分布，也可应用，但要具体确定样本的分布也有难度。这二个问题在spss就可以解决

最后，在感叹它的方便与快捷的同时，对软件开发人员的智慧到了肃然起敬的地步。一直觉得计算机语言是最难的一门外语。虽然本科时曾经对这种逻辑性很强的东西很感兴趣，并在编程课上取得不错的成绩，但一直觉得这似乎不是我能掌控的东西。spss的神奇之处在于，它省去了使用者巨大的计算量，并提高准确性。它开发了开发者的智慧，却弱化了使用者的大脑。篇三：spss心得体会

学习spss在教育统计中的应用心得体会

一、什么是spss?为什么要学习spss?

新学期开始时，在信息化教育测量与评价的课程中第一次接触

到spss这个软件，作为本科是计算机专业出身的我，当时只知道spss是一套统计软件，就是一套根据统计学原理所编写出来的统计分析软件，至于统计什么?分析什么?我一无所知，尤其是看到老师推荐的《spss在教育统计中的应用》这本书的时候，就简单的把它理解为用spss软件来统计、分析与教育相关的数据，最终得出想要的结论而已，而现在看来，我当初的想法未免有点简单与无知。下面就来让我们了解一下spss。spss软件是一组专业的、通用的统计软件包，同时它也是一个组合式软件包，兼有数据管理、统计分析、统计绘图和统计报表功能。它广泛用于教育、心理、医学、市场、人口、保险等研究领域，也用于产品质量控制、人事档案管理和日常统计报表等。spss软件对计算机硬件系统的要求较低;对运行的软件环境要求宽松，有各种版本可运行在windows xp、win7系统环境下， spss统计软件采用电子表格的方式输入与管理数据，能方便地从其他数据库中读入数据(如dbase，excel，lotus等)。

我为什么要学习spss呢?其实很简单，一方面，做为一名

二、对本spss各章节学习的心得

新课程老师带领下，采取一种新的学习方式，老师讲解了基础部分后，全班同学采取小组分工、协作学习，然后对全班同学进行讲解学习内容，教师进行当堂指导，这种方法改变了同学们的学习态度，同学们不再是课前不预习，课下不复习的状态，每组都有自己的任务，课前有一定的压力，同学间的讨论也明显的增多，例如：一次课下同学们在一起吃饭，有几位同学还在调侃说“两个菜之间用spss进行分析后得出的结果不接受h0假设，也就是两个菜之间不相关”，虽然这只是一个课下的玩笑，但是这也可以体现出对学习的态度的转变。下面就本学期的所学spss的各章节做一下归纳，这些归纳也是基于本人平时在课前预习，课上及课后的一些所思所想，也许会有一些理解上的偏颇在内，但这仅限于心得而已。本学期学习各个章节及分工如下表： 章节名称

1.spss的认识 及数据文件的 处理

2.数据清理与 基本统计及测 量质量分析 3.t检验 4.方差分析

1、 2人 3人 7.聚类分析 8.统计图形 2人 1人 2人 6.卡方检验 3人 2人 5.相关分析 3人 分工人数 章节名称 分工人数 spss的认识及数据文件的处理心得体会 可能是由于是同学们第一次讲，万事开头难，压力很大，在大家认为最为简单的内容讲解上，两位同学并没有完全展现出二人实际水平，大家在这一节课上都感觉到很压抑，总的感觉是这节内容很简单，但是内容又很松散，可讲的东西太多，讲的东西多就没有突出重点和难点，所以听过之后就有种无数的碎片漂浮在脑海中一样，很难将知识系统化，课后总结一下无非就是两块，一块是了解spss软件的历史及基本功能，还有一块就是spss软件当中一个模块叫做数据文件的处理，在认识spss软件当中了解到它是一组社会科学统计软件包，诞生于1968年，当时美国的3位大学生开发出了它，经过这么多年的后续开发，spss已经有了很多的版本，具有了更的兼容性、和更友好的操作界面，也在很多的学科领域得到了应用，而在教育中的应用只是它的一个分支。此外它对硬件的要求也很低，当前一般的电脑都能安装它，安装的过程中也没有什么特殊的方法，傻瓜式的安装方式完全就可以满足。在数据文件的处理方面，主要是要学会定义变量、处理变量两方面;定义变量是要注意根据自己实际采集的数据来定义变量，例如是数值型的变量还是文本型的变量及变量的长度，小数点保留尾数等，总之就是一句话，根据实际调查的数据要求来定义相应变量。变量定义只有只要细心的将实际调查的数据录入到spss当中即可，当然也可以在spss软件之外进行数据编制，可以通过execel等编辑后可以直接导入到spss中。在处理变量模块当中，可以对变量进行添加、删除、拆分与合并等操作，只要根据实际调查数据，细心调整变量，使操作更加简便和明了。

2、 数据清理与基本统计及测量质量分析的心得体会

数据的清理与基本统计及测量质量分析由两名同学进行讲解，由于吸取了上节课两名同学的经验，本节讲授的明显好于上节课，这里我也是把它分为两块进行学习，一块是数据的清理，另一块是相关统计理论的学习。在数据清理方面主要学习了奇异数据的检查与清理，在这里本人觉得非常有必要进行数据清理，在实际的调查数据时难免会出现错误或者碰到极为特殊的典型案例，所以这些数据很难符合大众规律，在统计、分析过程中可能会造成分析结果异常，从而直接影响最终的结论。所以觉得非常有必要进行数据检查与清理。而我认为本节的难点不是怎样熟练运用spss软件，而是在第二块中的，相关统计理论的学习，学习这些理论需要一定的数学基础，只有明确这些理(论如均值、标准误差、中数、众数、全距、四分位等)原理，知其然，知其所以然，这才是关键，在spss中想要实现对数据进行以上分析只需要轻轻点击一下按钮就可以是轻松实现，但是如果不清楚到底用它们来做什么就无从谈起做数据分析了，所以本节内容知道分析原理的重要性要远远大用spss对数据做出相关分析的重要性。总结为一句话“知道它们是做什么的后才会让它们去做该做的工作”。

3、 t检验的心得体会

t检验由两名同学讲解，在学习t检验时，首先要明确什么样的数据适合t检验，t检验的结果要说明什么问题?经过学习可以知道，t检验是对两组数据间的平均水平或均数的比较，通过比较可以得出两组数据间的显著性水平，而这两组数据都要符合正态分布，方差具有齐同性，t检验由两种情况，一种配对提检验，要求两组数据不可以独立颠倒顺序，如果颠倒顺序就会改变问题的性质，这种t检验称为配对t检验;另一种情况下的t检验是两组数据可以任意颠倒顺的检验称为独立样本的t检验。但是这两种情况都必须符合最先的要求，即都是符合正态分布，方差都具有齐同性。通过spss的相关操作可以轻松完成检验，但是在检验的过程中必须设置置信区间，一般设置为95%，在设置置信区间时必须要考虑到所做分析的数据，如果像要得到显著性差异的结果则可尽量将置信区间设置小些，如果想要得到不显著差异就要将置信区间甚至大些，本人的理解为若置信区间小，则可以理解为在小范围内是可以相信的，但如果将分析结果的置信区间值调大则说明在很大的范围内这个结果可信，反之则不可信，