spss学习总结（精选7篇）
篇1：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2：spss学习总结
大四的时候，学过spss相关课程，初步了解到它有非常强大的统计功能，对我们的学习、工作都会有很大的帮助，所以一直想学好这门课程。通过这个学期颜老师的课，让我了解了许多，也学到了SPSS一些强大的功能，相信这对我以后，会有一定的帮助，至少等以后需要用，要再学习的时候，不至于太陌生。
平时，我们用的较多的数据分析软件是Excel。虽然使用Excel可以对数据进行透视、分类、筛选以及计算机相关系数等，但是这些操作都需要自己一步一步进行手动操作，而在使用spss软件对数据进行整理时，只需要对软件某选项内设置变量条件，系统便会自动的进行整理。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，都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。
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、方差分析、多元回归、因子分析等分析方法。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非常好的。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。
但在学习SPSS期间，也遇到了一些问题，主要是后面几章，SPSS的方差分析、线性回归分析、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等。此外，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。这些问题，也许会随着对spss应用的深入，经验慢慢的积累，而得到解决。很希望能够把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。
篇3：spss学习总结
关键词：男女生,学习时间,学习成绩
一、引言
学习成绩是衡量学生综合能力的一个重要指标, 那么影响在校大学生学习成绩的因素有哪些呢?学习态度, 方法, 信心, 潜力等都对学习成绩有较大影响。那么学习时间是否与学习成绩成正比呢?学习时间对学生的成绩有多大影响呢?以及男女生学习时间的差异反应在成绩上有显著性吗?这些问题正是本文作者将要讨论、证明的。
独立样本t检验是比较两个不同样本在某个变量上的差异, 看它们之间的差异是随机差异还是本质上的差异。本文使用SPSS17.0对男女生这两个独立样本在学习时间和学习成绩这两个变量上进行检验, 比较分析男女生在学习时间上的差异, 以及学习时间对学习成绩的影响。
本文的数量均来自, 文秋芳“英语学习者动机、观念、策略的变化规律与特点”一文 (《外语教学与研究》2001年第2期) 。
二、研究方法
1、研究对象
研究对象为南京大学72名英语专业一年级本科生, 女生57人, 男生15人, 并对他们进行跟踪研究。首先收集他们在入学时的英语成绩和汉语成绩, 以及他们在大学二年级时参加英语专业全国四级考试的成绩。除此之外, 分别记录他们在第一学期课外学习英语的时间, 以及他们在第四学期课外学习英语的时间。
2、实验设计
实验设计为独立样本t检验。t检验是用来比较不同数据的平均值, 本文比较的是男女这两个不同样本在学习时间和学习成绩这两个变量上的差异。首先对“课外1” (第一学期课外学习英语的时间) 和“课外2” (第四学期课外学习英语的时间) 这两个时间变量进行独立样本t检验, 分析男女生在努力程度上是否存在差异。接着对男生和女生的英语四级成绩进行独立样本t检验, 研究男女生在学习成绩上是否存在差别, 并且分析学习时间对学习成绩的影响。
3、试验程序
本实验首先随机选取某大学英语专业的72名大一新生 (包括女生57人, 男生15人) , 记录他们高考时的英语成绩和汉语成绩, 分别表示为“英语入学”和“汉语入学”。对他们进行跟踪观察, 在第二学期末, 调查他们在第一学期课外学习英语的时间;在第四学期末, 调查他们在第三学期课外学习英语的时间;除此之外记录他们在大学二年级时参加英语专业全国四级考试的成绩。
作者假定表中数据符合进行独立样本t检验的各项条件。首先用SPSS 17.0进行独立样本t检验, 检验在第一学期和第四学期男生和女生在课外学习英语的时间, 以及由时间反应他们学习英语的努力程度。接着在对他们的英语四级成绩进行独立样本t检验, 检验在学习时间不同的情况下学习成绩是否有显著差异。
三、结果与讨论
1、男女学习时间上的差异
从表1可以看出, 男生在第一学期课外学习英语的时间平均为10.6667小时, 而女生的平均时间为16.8042, 所以女生在第一学期课外平均学习英语的时间多于男生6.1375小时。男生在第四学期课外学习英语的平均时间多于第一学期, 为14.1小时, 而女生在第四学期课外学习英语的平均时间也多于第一学期, 为18.7302小时。在第四学期女生课外平均学习英语的时间多于男生4.6302小时。
通过检验可知, 男生组和女生组在“课外1”和“课外2”这两个变量上的方差是相等的。所以, 需要看t检验的结果数据。Sig.是双尾t检验的显著性概率。“第一学期课外学习英语时间”和“第四学期课外学习英语时间”两个变量的显著性概率分别是0.001和0.012, 都小于0.05的显著性水平。所以, 两组在“课外1”和“课外2”这两个变量上有显著差异。
有此可知, 无论在第一学期还是在第四学期, 女生均比男生在课外学习英语的时间长。
2、男女学习成绩上的差异
由表3可知, 在“英语四级”成绩这一变量上, 男生的平均成绩是75.0667, 女生的平均成绩是77.4123, 平均成绩之差是2.3456。观察这三个数据可知, 男生和女生在四级成绩上差别不是很大, 没有显著性。为了检测这些差异是随机差异还是数据本质上的差异, 在对“英语四级”这一变量进行独立样本t检验。
通过检验可知, Sig.是双尾t检验的显著性概率。在“假设方差相等”和“假设方差不相等”这两方面, Sig.值都大于0.05的显著性水平。所以, 可以得出, 男生和女生在四级成绩上没有显著差异。
由以上分析可知, 男生和女生虽然在学习时间上存在差异, 男生课外学习英语的时间显著少于女生;但是, 男生和女生在英语四级成绩上并没有显著差异, 说明男生虽然课外学习英语的时间少于女生, 但是他们学习效率比女生要高。
由此可以得出, 学习时间的长短不是影响学习成绩的直接因素。
四、结论
在日常教学和学习活动中有很多因素可以影响学生的学绩, 学习时间是一个很重要的指标。本文通过对72名英语专业大学生课外学习时间和英语四级成绩的跟踪观察, 分别对男生组合女生组在学习时间变量和四级成绩变量上进行独立样本t检验, 作者发现:学习时间虽然是影响学习成绩的重要因素, 但是学习时间长短并没有直接影响学习成绩, 在时间这一因素中, 还需同时考虑效率因素对学习成绩的影响。
备注: (1) 编号表示每个学生的编号;性别1.00代表男生, 2.00代表女生;英语入学表示学生入学时的英语成绩;汉语入学表示学生入学时的汉语成绩;英语四级代表大学二年级时参加的英语专业全国四级考试成绩;课外1代表, 第二学期末, 调查他们在第一学期课外学习英语的时间;课外3表示, 第四学期末, 调查他们在第三学期课外学习英语的时间。 (2) 本文的数量来自文秋芳“英语学习者动机、观念、策略的变化规律与特点” (《外语教学与研究》2001年第2期) 。
参考文献
[1]Heppner, P.Paul&Mary J.Heppner.Writing Your Thesis, Dissertation&Research[M].北京:北京大学出版社, 2009.
[2]范琳, 刘振前.英语叙事语篇因果连贯对中国学生实时主题推理影响的研究[J].外语研究, 2009.
[3]韩宝成.外语教学科研中的统计方法[M].北京:外语教学与研究出版社, 2000.
[4]秦晓晴.外语教学研究中的定量数据分析[M].武汉:华中科技大学出版社, 2003.
[5]文秋芳.英语学习者动机观念、策略的变化规律与特点[J].外语教学与研究, 2001.
[6]张厚粲, 徐建平.现代心理与教育统计学[M].北京:北京师范大学出版社, 2004.
篇4：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。
篇5：SPSS课程学习感悟(交)
财管132 1330443233 王天茜
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，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。
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。
1、SPSS的认识及数据文件的处理心得体会
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
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，在这里我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
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，我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，也就是说范围越大，不可信的因素就会越多，做出可信的结果的可能性就会越小，所以在用SPSS的进行T检验时，一定要提前考虑想要得到的检验结果，尽可能将预想结果与实际结果吻合。本节课最主要的是学会进行T检验，根据数据选择适合的T检验，值得思考的是，两组数据是否符合正态分布、方差的齐同性都需要在T检验前明确，不然无法进行T检验，但是在T检验的过程中SPSS也提供了一项进行是否符合正态分布的选项，是否也可以理解为在未知两组数据的分布情况时也可以进行T检验？只要先证明两组数据方差具有齐同性后，就进行T检验，检验后SPSS会输出两组数据是否符合正态分布，如果符合则结果可取，否则结果不可取。
4、方差分析的心得与体会
T检验和方差分析是有很大关联的，T检验是分析两组间数据的关系，而方差分析则是分析两组以上的组间的关系，两组方法都是要求数据符合正态分布，方差具有齐同性。其各组间要同质，组内异质，这样数据才具有说服力。本节课方差分析包括四部分，分别为单因素方差分析、无重复实验的双因素方差分析、重复试验的双因素方差分析及协方差分析。分为以上四种主要是基于分析的问题所包含的变量个数和各变量间有无相互影响，还有就是排除无法控制的协变量的影响的分析来区分分析方法。例如，只有一个变量的分析就用单因素分析；基于问题中的两个变量间没有相互影响的分析就用无重复实验的双因素方差分析，两个变量有影响就用重复试验的双因素方差分析，要排除无法控制的因素进行分析就用协方差分析。以上各种方差分析情况都基于不同的统计公式，要是学习这些理论则需要很好的数学基础。对最终分析结果的解读则需要T检验的解读结果知识。归结为一点：最终想得到差异性显著的结果还是差异不明显的结果则要再分析前就有预设。以此来证明自己的结果分析。
5、相关分析的心得与体会
事物间的相互联系与影响大致分为两种，一种是函数关系即一一对应关系，而另一种是统计关系。函数关系比较容易分析和测量，而实际数据并不都像函数关系那样简单，这时则需要另一种测量方法----相关分析，衡量事物之间或变量间的线性相关程度的强弱，并用适当的统计指标表示出来，这个过程就是相关分析。相关分析分多种情况，分为联系变量的相关分析、等级变量的相关分析、偏相关分析和距离相关分析，之所以分为几种也是根据要分析的对象的变化而定，如连续变量的相关分析主要是只变量不是函数关系，而是统计关系且变量数据间可以比较大小，可以加减来计算差异的数据，此外其依据的是Pearson相关系数，还有就是因为数据小于30次分析无意义，所以就要求分析数据要大于30个。如果数据小于30则用等级相关分析，且两种方法分析的数据都要符合正态分布。当数据小于30且符合正态分布且又是表达为有序或顺序（等级、方位、大小等）时则用等级变量的相关分析。与协方差分析类似，二元变量无法有效真实反映事物间的相关关系时，且数据都符合以上要求是则用偏相关分析，也就是说提出其他相关因素影响的情况下再来分析。以上三种相关分析都是分析事物间的相关关系，而距离相关分析则是分析对观测量之间或变量之间相似或不相似的程度的一种测量，它可以用于同一变量内也可以用于变量之间的测量。对以上四种相关分析简单总结为分的对象分为两种，一种是对象间，另一种是变量间。被分析的对象都符合正态分布，针对数量（30个）采用不同分析方法，针对对象的性质不同采用不同的方法。以上为对前三种相关分析方法提出，最后一种距离相关分析是分析观测值的相似性。
6、卡方检验的心得体会
卡方检验与以上的分析有很大不同，跨度较大，卡方检验主要是分析品质相关问题，所谓品质相关问题其特征是每个个体都有至少两个特征或变量，每个特征的取值可以是顺序型的（可比大小，不能加减）或者是名义型的（连大小都不能比）例如：不同文化程度的人对莫伊政策的态度或工作业绩是否相关？。可以简单将其理解为是用来专门分析品质相关的检验，它是一种非参数检验，而在此之前的检验都是参数检验即：分布形态已知（正态分布或近似正态分布）方差具有齐同性等。卡方检验由多种，即一般卡方检验、配对卡方的一致性检验、分层卡方检验。在一般卡方检验中应注意由原始数据得出的评述数据应给各类数据加权。而配对卡方的一致性检验则要注意如何区分什么情况用配对卡方的一致性检验，如两位专家对一批大学独自做出等级判断，问他们的判读是否一致，判断水平有无差异？这则是一个典型的配对资料，及看是否一致，有看差异在哪里。而分层卡方检验可以理解为对多种情况下的多个样本进行逐次比较，最终分析各样本在不同情况下的关系。总之，本节应注意什么样的数据是品质相关的。卡方检验是用来分析什么样情况的数据。
7、聚类分析的相关心得体会
聚类分析简而言之就是在没有先验的情况下将收集的数据进行分类。所谓的“物以类聚”，本节分两块，一种是在数据在200个以内的层次聚类分析，就是按照逐次聚合的方式进行比较最终分为所要求的几类。还有一种就是数据超过200个时为了省时而采用的快速聚类，但快速聚类只能进行连续变量的聚类。分层聚类可以针对样本进行分类，也可以针对变量进行分类。在分层聚类和快速聚类的分析结果解释中不同于以上其他分析，之前主要分析相关性，而聚类分析则主要看数据最终分成几类及聚类的过程。其实最终是要根据分类的情况提出对策才是关键。至于快速聚类分析基本与分层聚类分析相似，唯一不同就是快速聚类分析的分析范围受限，不如分层聚类分数广泛，还有就是快速聚类的输出结果中，有一项输出是分析各项与最终分成的类之间的相关性检验，如果显著则说明原始数据与各类间差异大，说明分类成功，否则说明不成功。
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。
篇6：个人总结SPSS
1、数据编辑窗口
2、结果浏览/输出窗口
3、程序编辑器窗口：语法 编写
4、脚本编写窗口
系统参数设置 编辑-选项
第二章 数据挖掘 省略
OLAP on-line analytical processing 在线分析处理
第三章 数据文件、变量与函数
数据的编辑（插入个案、插入变量）
SPSS函数 即生成新变量
算数函数（软件中的“算术”）当然还包括类似计算器的简单加减乘除
统计函数（软件中的“统计量”）变异系数 滞后变量 最大值平均值 最小值 缺失数量 标准差 方差 和累积和
我们发现主要是横向比较 对一个“个案”而言 所以函数式中的括号必须包含至少两个变量以上
逻辑函数（软件中的“检索”）
Any 判断
Range（变量名，下限、上限）数值型变量在下限和上限中为1 true 否则为0
时期和时间函数 数值型函数
定义时间格式（软件中的“日期创建”）
DMY 日/月/年 括号中（日、月、年）
XDATE.？？难点
随机变量函数（软件中的“随机数字”）
RV.分布名（参数）
缺失值函数
第四章 预处理
数据编辑、整理几张在D数据和T转换两个菜单
D标题栏中 分组、合并、加权等
篇7：用SPSS拟合人口增长模型实例
人口的发展状况与国民经济各方面都有着密切的联系, 直接影响着经济的繁荣与社会的发展。人口预测是制定和顺利实践社会经济各项战略设想的基础和出发点, 是制定正确的人口政策的科学依据。山东省作为中国的人口大省, 人口的分析和预测以及控制对山东省的社会进步和经济发展具有重大的现实意义和长远意义。
当今社会, 人口问题以及人口增长所带来的社会问题越来越受到人们的关注, 如老龄化问题, 城乡差异问题, 以及由人口增长带来的环境问题和能源问题等等[1]。本文结合实际情况讨论了山东省人口增长趋势, 建立了模型并使用SPSS工具分析了山东人口预测问题, 为人口控制提供了依据。
1 SPSS软件的特点
SPSS[2]是世界上最早的统计分析软件, 由美国斯坦福大学研究开发成功。SPSS微机系列产品的开发方向, 极大地扩充了它的应用范围, 并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价。SPSS是世界上最早采用图形菜单驱动界面的统计软件, 它最突出的特点就是操作界面极为友好, 输出结果美观漂亮。它将几乎所有的功能都以统一、规范的界面展现出来, 使用Windows的窗口方式展示各种管理和分析数据方法的功能。除此之外它还具有如下特点:1) 操作简单, 上手容易;2) 分析功能强大;3) 图表类型丰富;4) 数据转换接口完善;5) 二次开发功能强大。
2 山东人口增长模型及其分析
人口增长模型[3]的拟合, 因其工作量大且易出错而困扰统计工作者, 而SPSS集诸多统计功能于一体, 是解决统计问题的有力工具。下面以山东省2000~2010年的人口统计数据为例, 说明用SPSS拟合人口增长模型的方法及相关分析。统计数据来源于《中国统计年鉴2012》:3-1山东2000~2010历年总人口。
2.1 作数据散点图
利用SPSS绘出山东总人口散点图如图1, 山东总人口数的变化从总体上是一种上升趋势。山东省人口从2000年的8975万人增加到2010年的9536万人, 11年的时间增加了561万人, 平均年增长率为0.55%。在这一过程中, 人口增长率总体趋势是在下降的。
2.2 人口指标变化趋势的散点图分析
从图2可以看出, 自从2000年以来, 山东省人口自然增长率与出生率呈现降低趋势, 其降低幅度较小, 人口死亡率基本趋于稳定, 2006年以后死亡率小幅度上升后趋于稳定。这表明山东省人口指标基本趋于稳定的现代人口再生产类型。这些主要得益于山东省经济快速发展、社会进步、政策引导以及人们在思想观念、经济生活方式上发生的深刻变化。同时也说明了山东省历年来计划生育政策的实施取得了显著成效, 也反映出人们生育观念的逐步改变。xt
2.3 山东未来人口的预测
从图1可以看出, 近十几年来, 山东省人口基本呈指数分布增长, 因此我们可以用人口增长模型中的指数增长模型来预测未来短时期内的人口变化情况。指数增长模型的具体形式为:x (t) =x0ert, 其中x (t) 表示t时刻人口数量, r表示人口平均增长率, t表示时间, x0为初始时刻人口数。下面仍然使用山东2000~2010年总人口为基础来进行预测, 为了处理方便, 对模型两边取对数, 转化为线性模型进行考虑:y=a+r t, 其中y=ln (x (t) ) , a=ln (x0) 。利用SPSS工具线性拟合后得y=-2.840+0.006t, 拟合优度R方为0.995, 说明此拟合效果非常好。当t=2020时, y=9.28, 故x (2020) =e9.28=10721 (万人) 。按现在人口增长趋势计算, 到2020年时, 山东人口总数将突破1亿人。
所以, 指数人口增长模型对预测不太长时间的人口数是一个非常不错的模型, 而且已经可以满足实际的需要。只要分阶段地对人口数量进行分析和预测, 就可以了解人口数量的变化规律, 以便做出相应的决策。
3 结论
围绕山东人口近十几年的变化趋势, 充分利用SPSS的强大统计分析功能, 通过简单的操作就可以迅速得出精确的结论, 绘制形象生动的图像。从中去学习、探索和发现人口变化规律。为计划生育决策单位对人口政策的调整提供科学的依据和建议。
摘要：人口预测是制定和顺利实践社会经济各项战略设想的基础和出发点, 是制定正确的人口政策的科学依据。文章充分利用SPSS软件对山东20002010年间的人口进行研究, 得出此段时间内人口符合指数增长模型的特点, 并预测出2020年山东人口总数, 为控制人口的发展提供可靠依据。
关键词：人口模型,SPSS软件,指数增长模型,人口预测
参考文献
[1]李菲, 王锋.灰色模型在郑州市人口预测中的应用[J].河南科学, 2012 (6) :798-801.
[2]卢纹岱.SPSS统计分析[M].北京:电子工业出版社, 2010.