多选项分析及回归分析spss
- 格式：doc
- 大小：724.50 KB
- 文档页数：12
下载文档原格式
合集下载
2021年利用SPSS进行logistic回归分析(二元、多项)
线性回归是很重要的一种回归方法，但是线性回归只适用于因变量为连续型变量的情况，那如果因变量为分类变量呢？比方说我们想预测某个病人会不会痊愈，顾客会不会购买产品，等等，这时候我们就要用到logistic 回归分析了。
Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。
还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。
欧阳光明（2021.03.07）二值logistic回归：选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。
有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。
把你的自变量选到协变量的框框里边。
细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。
我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。
那么我们为了模型的准确，就把这个交互效应也选到模型里去。
我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。
然后在下边有一个方法的下拉菜单。
默认的是进入，就是强迫所有选择的变量都进入到模型里边。
除去进入法以外，还有三种向前法，三种向后法。
一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。
SPSS回归分析过程详解
线性回归模型的一般形式为：Y = b0 + b1X1 + b2X2 + ... + bnXn，其中Y是 因变量，X1、X2、...、Xn是自变量，b0、b1、b2、...、bn是回归系数。
线性回归的假设检验
01
线性回归的假设检验主要包括拟合优度检验和参数显著性 检验。
02
拟合优度检验用于检验模型是否能够很好地拟合数据，常 用的方法有R方、调整R方等。
1 2
完整性
确保数据集中的所有变量都有值，避免缺失数据 对分析结果的影响。
准确性
核实数据是否准确无误，避免误差和异常值对回 归分析的干扰。
3
异常值处理
识别并处理异常值，可以使用标准化得分等方法。
模型选择与适用性
明确研究目的
根据研究目的选择合适的回归模型，如线性回 归、逻辑回归等。
考虑自变量和因变量的关系
数据来源
某地区不同年龄段人群的身高 和体重数据
模型选择
多项式回归模型，考虑X和Y之 间的非线性关系
结果解释
根据分析结果，得出年龄与体 重之间的非线性关系，并给出 相应的预测和建议。
05 多元回归分析
多元回归模型
线性回归模型
多元回归分析中最常用的模型，其中因变量与多个自变量之间存 在线性关系。
非线性回归模型
常见的非线性回归模型
对数回归、幂回归、多项式回归、逻辑回归等
非线性回归的假设检验
线性回归的假设检验
H0：b1=0，H1：b1≠0
非线性回归的假设检验
H0：f(X)=Y，H1：f(X)≠Y
检验方法
残差图、残差的正态性检验、异方差性检验等
非线性回归的评估指标
判定系数R²
线性回归的假设检验
01
线性回归的假设检验主要包括拟合优度检验和参数显著性 检验。
02
拟合优度检验用于检验模型是否能够很好地拟合数据，常 用的方法有R方、调整R方等。
1 2
完整性
确保数据集中的所有变量都有值，避免缺失数据 对分析结果的影响。
准确性
核实数据是否准确无误，避免误差和异常值对回 归分析的干扰。
3
异常值处理
识别并处理异常值，可以使用标准化得分等方法。
模型选择与适用性
明确研究目的
根据研究目的选择合适的回归模型，如线性回 归、逻辑回归等。
考虑自变量和因变量的关系
数据来源
某地区不同年龄段人群的身高 和体重数据
模型选择
多项式回归模型，考虑X和Y之 间的非线性关系
结果解释
根据分析结果，得出年龄与体 重之间的非线性关系，并给出 相应的预测和建议。
05 多元回归分析
多元回归模型
线性回归模型
多元回归分析中最常用的模型，其中因变量与多个自变量之间存 在线性关系。
非线性回归模型
常见的非线性回归模型
对数回归、幂回归、多项式回归、逻辑回归等
非线性回归的假设检验
线性回归的假设检验
H0：b1=0，H1：b1≠0
非线性回归的假设检验
H0：f(X)=Y，H1：f(X)≠Y
检验方法
残差图、残差的正态性检验、异方差性检验等
非线性回归的评估指标
判定系数R²
多选项分析及回归分析spss
、多选项分析一)问卷中多选项问题的分析多选项问题的分解通常有2中方法：1、多选项二分法(MultiPIe DiChOtOmieS MethOd );2、多选项分类法( Multiple Category Method)。
1、多选项二分法( MultiPle DiChOtOmieS MethOd )；多选项二分法是将多选项问题中的每个答案设为一个SPSS变量，每个变量只有0或1 两个取值，分别表示选择个该答案和不选择该答案。
按照多选项二分法可以将居民储蓄调查中村 (取)款目的这个多选项问题分解为十一个问题，并设置十一个SPSS变量。
2、多选项分类法( MultiPle CategOry MethOd )多选项分类法中，首先应估计多选项问题最多可能出现的答案个数；然后，为每个答案设置一个SPSS变量，变量取值为多选项问题中的可选答案。
按照多选项分类法可将居民储蓄调查中存 (取)款目的这个多选项问题分解成三个问题(通常给出的答案数不会超过三个)，并设置三个SPSS变量。
以上两种分解方法的选择考虑是否便于分析和是否丢失信息两个方面。
多选项二分法分解问题存在较大的信息丢失，这种方式没有体现选项的顺序，如果问题存在顺序则适合采用分类法。
同时注意自己需要的信息加以选择。
二)多选项分析基本操作1 、多选项分析的基本实现思路第一、按多选项二分法或多选项分类法将多选项问题分解成若干问题，并设置若干个SPSS变量。
第二、采用多选项频数分析或多选项交叉分组下的频数分析数据。
为了实现第二步，应首先定义多选项选择变量集，即将多选项问题分解并设置成多个变量后，指定这些为一个集合。
定义多选项变量集是为了今后多选项频数分析和多选项交叉分组下的频数分析作准备。
只有通过定义多选项变量集，SPSS才能确定应对哪些变量取相同值的个案数进行累加。
2、定义多选项选择变量集的基本操作步骤1）选择菜单Analyze —MultiPIe ReSPOnse —Defined Sets,出现如下图所示的窗口。
《SPSS统计分析》第11章 回归分析
返回目录
多元逻辑斯谛回归
返回目录
多元逻辑斯谛回归的概念
回归模型
log( P(event) ) 1 P(event)
b0
b1 x1
b2 x2
bp xp
返回目录
多元逻辑斯谛回归过程
主对话框
返回目录
多元逻辑斯谛回归过程
参考类别对话框
保存对话框
返回目录
多元逻辑斯谛回归过程
收敛条件选择对话框
创建和选择模型对话框
返回目录
曲线估计
返回目录
曲线回归概述
1. 一般概念 线性回归不能解决所有的问题。尽管有可能通过一些函数
的转换，在一定范围内将因、自变量之间的关系转换为线性关 系，但这种转换有可能导致更为复杂的计算或失真。 SPSS提供了11种不同的曲线回归模型中。如果线性模型不能确 定哪一种为最佳模型，可以试试选择曲线拟合的方法建立一个 简单而又比较合适的模型。 2. 数据要求
线性回归分析实例1输出结果2
方差分析
返回目录
线性回归分析实例1输出结果3
逐步回归过程中不在方程中的变量
返回目录
线性回归分析实例1输出结果4
各步回归过程中的统计量
返回目录
线性回归分析实例1输出结果5
当前工资变量的异常值表
返回目录
线性回归分析实例1输出结果6
残差统计量
返回目录
线性回归分析实例1输出结果7
返回目录
习题2答案
使用线性回归中的逐步法，可得下面的预测商品流通费用率的回归系数表：
将1999年该商场商品零售额为36.33亿元代入回归方程可得1999年该商场 商品流通费用为：1574.117-7.89*1999+0.2*36.33=4.17亿元。
数据统计分析软件SPSS的应用(五)——相关分析与回归分析
数据统计分析软件SPSS的应用(五)——相关分析与回归分析数据统计分析软件SPSS的应用(五)——相关分析与回归分析数据统计分析软件SPSS是目前应用广泛且非常强大的数据分析工具之一。
在前几篇文章中，我们介绍了SPSS的基本操作和一些常用的统计方法。
本篇文章将继续介绍SPSS中的相关分析与回归分析，这些方法是数据分析中非常重要且常用的。
一、相关分析相关分析是一种用于确定变量之间关系的统计方法。
SPSS提供了多种相关分析方法，如皮尔逊相关、斯皮尔曼相关等。
在进行相关分析之前，我们首先需要收集相应的数据，并确保数据符合正态分布的假设。
下面以皮尔逊相关为例，介绍SPSS 中的相关分析的步骤。
1. 打开SPSS软件并导入数据。
可以通过菜单栏中的“File”选项来导入数据文件，或者使用快捷键“Ctrl + O”。
2. 准备相关分析的变量。
选择菜单栏中的“Analyze”选项，然后选择“Correlate”子菜单中的“Bivariate”。
在弹出的对话框中，选择要进行相关分析的变量，并将它们添加到相应的框中。
3. 进行相关分析。
点击“OK”按钮后，SPSS会自动计算所选变量之间的相关系数，并将结果输出到分析结果窗口。
4. 解读相关分析结果。
SPSS会给出相关系数的值以及显著性水平。
相关系数的取值范围为-1到1，其中-1表示完全负相关，1表示完全正相关，0表示没有相关关系。
显著性水平一般取0.05，如果相关系数的显著性水平低于设定的显著性水平，则可以认为两个变量之间存在相关关系。
二、回归分析回归分析是一种用于探索因果关系的统计方法，广泛应用于预测和解释变量之间的关系。
SPSS提供了多种回归分析方法，如简单线性回归、多元线性回归等。
下面以简单线性回归为例，介绍SPSS中的回归分析的步骤。
1. 打开SPSS软件并导入数据。
同样可以通过菜单栏中的“File”选项来导入数据文件，或者使用快捷键“Ctrl + O”。
2. 准备回归分析的变量。
多选项分析及回归分析spss
一、多选项分析一）问卷中多选项问题的分析多选项问题的分解通常有2中方法：1、多选项二分法（Multiple Dichotomies Method）；2、多选项分类法（Multiple Category Method）。
1、多选项二分法（Multiple Dichotomies Method）；多选项二分法是将多选项问题中的每个答案设为一个SPSS变量，每个变量只有0或1两个取值，分别表示选择个该答案和不选择该答案。
按照多选项二分法可以将居民储蓄调查中村（取）款目的这个多选项问题分解为十一个问题，并设置十一个SPSS变量。
2、多选项分类法（Multiple Category Method）多选项分类法中，首先应估计多选项问题最多可能出现的答案个数；然后，为每个答案设置一个SPSS变量，变量取值为多选项问题中的可选答案。
按照多选项分类法可将居民储蓄调查中存（取）款目的这个多选项问题分解成三个问题（通常给出的答案数不会超过三个），并设置三个SPSS变量。
以上两种分解方法的选择考虑是否便于分析和是否丢失信息两个方面。
多选项二分法分解问题存在较大的信息丢失，这种方式没有体现选项的顺序，如果问题存在顺序则适合采用分类法。
同时注意自己需要的信息加以选择。
二）多选项分析基本操作1、多选项分析的基本实现思路第一、按多选项二分法或多选项分类法将多选项问题分解成若干问题，并设置若干个SPSS变量。
第二、采用多选项频数分析或多选项交叉分组下的频数分析数据。
为了实现第二步，应首先定义多选项选择变量集，即将多选项问题分解并设置成多个变量后，指定这些为一个集合。
定义多选项变量集是为了今后多选项频数分析和多选项交叉分组下的频数分析作准备。
只有通过定义多选项变量集，SPSS才能确定应对哪些变量取相同值的个案数进行累加。
2、定义多选项选择变量集的基本操作步骤1）选择菜单Analyze —Multiple Response —Defined Sets，出现如下图所示的窗口。
利用SPSS进行logistic回归分析(二元、多项)之欧阳体创编
线性回归是很重要的一种回归方法，但是线性回归只适用于因变量为连续型变量的情况，那如果因变量为分类变量呢？比方说我们想预测某个病人会不会痊愈，顾客会不会购买产品，等等，这时候我们就要用到logistic回归分析了。
Logistic 回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。
还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic 回归，或者序次logistic回归。
二值logistic回归：选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。
有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。
把你的自变量选到协变量的框框里边。
细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。
我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。
那么我们为了模型的准确，就把这个交互效应也选到模型里去。
我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。
然后在下边有一个方法的下拉菜单。
默认的是进入，就是强迫所有选择的变量都进入到模型里边。
除去进入法以外，还有三种向前法，三种向后法。
一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。
再下边的选择变量则是用来选择你的个案的。
SPSS的相关分析和回归分析
(如:身高和体重)
n
( Xi X )(Yi Y )
r
11
n
n
( Xi X )2 (Yi Y )2i 1i 1源自2021/3/611
计算相关系数
(一)相关系数 (3)种类:
n
n
Di2 (Ui Vi )2
i 1
i 1
R
1
6 n(n2
Di2 1)
• Spearman相关系数:用来度量定序或定类变量间的线性相
第八章 SPSS的相关分析和回归分 析
2021/3/6
1
概述
(一)相关关系
(1)函数关系:(如:销售额与销售量;圆面积和圆半径.)
是事物间的一种一一对应的确定性关系.即:当一 个变量x取一定值时,另一变量y可以依确定的关 系取一个确定的值
(2)统计关系:(如:收入和消费;身高的遗传.)
事物间的关系不是确定性的.即:当一个变量x取 一定值时,另一变量y的取值可能有几个.一个变 量的值不能由另一个变量唯一确定
300
•散点图在进行相
200
关分析时较为粗略
100
领导(管理)人数
2021/3/6
0
Rsq = 0.7762
8 200 400 600 800 1000 1200 1400 1600 1800
普通职工数
计算相关系数
(一)相关系数 (1)作用:
– 以精确的相关系数(r)体现两个变量间的线性 关系程度.
2021/3/6
17
计算相关系数
(五)应用举例
• 通过27家企业普通员工人数和管理人员数,利用 相关系数分析人数之间的关系
– *表示t检验值发生的概率小于等于0.05,即总体无相 关的可能性小于0.05;
n
( Xi X )(Yi Y )
r
11
n
n
( Xi X )2 (Yi Y )2i 1i 1源自2021/3/611
计算相关系数
(一)相关系数 (3)种类:
n
n
Di2 (Ui Vi )2
i 1
i 1
R
1
6 n(n2
Di2 1)
• Spearman相关系数:用来度量定序或定类变量间的线性相
第八章 SPSS的相关分析和回归分 析
2021/3/6
1
概述
(一)相关关系
(1)函数关系:(如:销售额与销售量;圆面积和圆半径.)
是事物间的一种一一对应的确定性关系.即:当一 个变量x取一定值时,另一变量y可以依确定的关 系取一个确定的值
(2)统计关系:(如:收入和消费;身高的遗传.)
事物间的关系不是确定性的.即:当一个变量x取 一定值时,另一变量y的取值可能有几个.一个变 量的值不能由另一个变量唯一确定
300
•散点图在进行相
200
关分析时较为粗略
100
领导(管理)人数
2021/3/6
0
Rsq = 0.7762
8 200 400 600 800 1000 1200 1400 1600 1800
普通职工数
计算相关系数
(一)相关系数 (1)作用:
– 以精确的相关系数(r)体现两个变量间的线性 关系程度.
2021/3/6
17
计算相关系数
(五)应用举例
• 通过27家企业普通员工人数和管理人员数,利用 相关系数分析人数之间的关系
– *表示t检验值发生的概率小于等于0.05,即总体无相 关的可能性小于0.05;
SPSS中多元回归分析实例解析
SPSS中多元回归分析实例解析多元回归分析是一种统计方法，用于研究一个因变量与多个自变量之间的关系。
在SPSS中，可以使用该方法来构建、估计和解释多元回归模型。
下面将以一个实例来解析SPSS中的多元回归分析。
假设我们想要研究一个教育投资项目的效果，该项目包括多个自变量，例如教育资金、教育设施、学生人数等，并且我们希望预测该项目对学生学习成绩的影响。
首先，我们需要准备好数据并导入SPSS中。
数据应包含每个教育投资项目的多个观测值，以及与之相关的自变量和因变量。
例如，可以将每个项目作为一个观测值，并将教育资金、教育设施、学生人数等作为自变量，学生学习成绩作为因变量。
在SPSS中，可以通过选择“Analyze”菜单中的“Regression”选项来打开回归分析对话框。
然后，选择“Linear”选项来进行多元回归分析。
接下来，可以将自变量和因变量添加到对话框中。
在自变量列表中，选择教育资金、教育设施、学生人数等自变量，并将它们移动到“Independent(s)”框中。
在因变量框中，选择学生学习成绩。
然后，点击“OK”按钮开始进行分析。
SPSS将输出多元回归的结果。
关键的统计指标包括回归系数、显著性水平和拟合度。
回归系数表示每个自变量对因变量的影响程度，可以根据系数的大小和正负来判断影响的方向。
显著性水平表示自变量对因变量的影响是否显著，一般以p值小于0.05为标准。
拟合度指示了回归模型对数据的拟合程度，常用的指标有R方和调整后的R方。
在多元回归分析中，可以通过检查回归系数的符号和显著性水平来判断自变量对因变量的影响。
如果回归系数为正且显著，表示该自变量对因变量有正向影响；如果回归系数为负且显著，表示该自变量对因变量有负向影响。
此外，还可以使用其他方法来进一步解释和验证回归模型，例如残差分析、模型诊断等。
需要注意的是，在进行多元回归分析时，需要满足一些前提条件，例如自变量之间应该独立、与因变量之间应该是线性关系等。
spss多元回归分析案例
spss多元回归分析案例SPSS多元回归分析是一种常用的统计方法，可以通过分析多个自变量对一个或多个因变量的影响程度，帮助研究者理解变量之间的关系以及预测变量之间的变化情况。
以下是一个关于人们消费意愿的多元回归分析的案例。
假设我们想研究人们的消费意愿受到收入水平、年龄和受教育水平的影响程度。
我们收集了100个参与者的数据，包括他们的收入、年龄、受教育水平以及消费意愿。
下面将介绍如何使用SPSS进行多元回归分析。
首先，在SPSS软件中打开数据文件，并选择"回归"菜单下的"线性回归"选项。
然后将因变量（消费意愿）拉入"因变量"框中，将自变量（收入、年龄、受教育水平）拉入"自变量"框中。
其次，点击"统计"按钮，在弹出的对话框中勾选"无多重共线性检验"、"离群值"和"样本相关矩阵"选项，并点击"确定"按钮。
接下来，点击"模型"按钮，在弹出的对话框中选择"全量"和"因素样本相关系数"选项，并点击"确定"按钮。
然后，点击"保存"按钮，在弹出的对话框中输入保存路径和文件名，并勾选"标准化残差"、"标准化预测值"和"离群值的DFITS"选项，并点击"确定"按钮。
最后，点击"OK"按钮开始进行多元回归分析。
在分析结果中，我们可以查看每个自变量的回归系数、标准误、t值以及显著性水平。
还可以查看整体模型的解释力、统计显著性和调整R 平方。
根据分析结果，我们可以得出结论：收入水平、年龄和受教育水平对消费意愿有显著影响。
收入水平对消费意愿的影响最大，其次是受教育水平，年龄对消费意愿的影响较小。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、多选项分析一）问卷中多选项问题的分析多选项问题的分解通常有2中方法：1、多选项二分法（Multiple Dichotomies Method）；2、多选项分类法（Multiple Category Method）。
1、多选项二分法（Multiple Dichotomies Method）；多选项二分法是将多选项问题中的每个答案设为一个SPSS变量，每个变量只有0或1两个取值，分别表示选择个该答案和不选择该答案。
按照多选项二分法可以将居民储蓄调查中村（取）款目的这个多选项问题分解为十一个问题，并设置十一个SPSS变量。
2、多选项分类法（Multiple Category Method）多选项分类法中，首先应估计多选项问题最多可能出现的答案个数；然后，为每个答案设置一个SPSS变量，变量取值为多选项问题中的可选答案。
按照多选项分类法可将居民储蓄调查中存（取）款目的这个多选项问题分解成三个问题（通常给出的答案数不会超过三个），并设置三个SPSS变量。
以上两种分解方法的选择考虑是否便于分析和是否丢失信息两个方面。
多选项二分法分解问题存在较大的信息丢失，这种方式没有体现选项的顺序，如果问题存在顺序则适合采用分类法。
同时注意自己需要的信息加以选择。
二）多选项分析基本操作1、多选项分析的基本实现思路第一、按多选项二分法或多选项分类法将多选项问题分解成若干问题，并设置若干个SPSS变量。
第二、采用多选项频数分析或多选项交叉分组下的频数分析数据。
为了实现第二步，应首先定义多选项选择变量集，即将多选项问题分解并设置成多个变量后，指定这些为一个集合。
定义多选项变量集是为了今后多选项频数分析和多选项交叉分组下的频数分析作准备。
只有通过定义多选项变量集，SPSS才能确定应对哪些变量取相同值的个案数进行累加。
2、定义多选项选择变量集的基本操作步骤1）选择菜单Analyze —Multiple Response —Defined Sets，出现如下图所示的窗口。
2）从数值型变量中见进入多选项变量集的变量选择到Variables in Sets框中。
3）在Variables Are Coded AS框中制定多选项变量集中的变量是按照哪种方法分解的。
Dichotomies表示以多选项二分法分解，并在Counted Value中输入对那组织进行分析。
SPSS 规定等于该值的样本为一组，其余样本为另一组；Categories表示以多选项分类法分解，并在Range框中输入变量取值的最小值和最大值。
4）为多选型变量集命名。
系统会自动在该名字前加$。
5）单击Add按钮将定义好的多选项变量集加到Multiple Response Sets框中。
SPSS可以定义多个多选项变量集。
3、多选项频数分析的基本操作步骤多选项变量集定义完成后，便可进行多选项频数分析了。
1）选择菜单Analyze —Multiple Response —Frequencies，出现如下图所示的窗口。
2）从Multiple Response sets中把待分析的多选项变量集选择到Tables for框中；3）制定是否处理缺失数据。
SPSS规定只有样本在多选项变量集中的某一个变量上取缺失值，分析时就将该样本剔除。
Excluded cases listwise within dichotomies适用于多选项二分法；Excluded cases listwise within categories适用于多选项分类。
生成如下所示的结果。
4、多选项交叉分组下的频数分析的基本操作步骤1）选择菜单Analyze —Multiple Response —Crosstabs，出现如下图所示的窗口。
2) 选择列联表的行变量并定义取值范围，或选择多选项变量集为行变量。
3）选择列联表的列变量并定义取值范围，或选择多选项变量集为列变量。
4）选择列联表的控制变量并定义取值范围，或选择多选项变量集为控制变量。
5）单击Option按钮选择列联表的输出内容和计算方法，出现如下图所示的窗口。
其中，在Cell Percentages中选择单元格输出哪些百分比，Row为行百分比，Column为列百分比，Total为总百分比；在Percentage Based On框中制定如何计算百分比，Case表示分母为个案数，Responses表示分母为多选项应答数；Match Variable Across Response Sets选项表示，入股哦历练表的行列变量均为多选项变量集时，第二个变量集的第一个变量与第二个变量集的第一个变量做交叉分组，第一个变量集的第二个变量与第二个变量集的第二个变量做交叉分组。
以此类催。
至此，SPSS将自动产生相应的交叉列联表。
二、相关分析Pearson简单相关系数用来度量定距型变量间的线性相关关系。
如测量收入和储蓄、身高等变量间的相关系数。
Spearman等级相关系数用来度量定序变量间的线性相关关系。
一）计算相关系数的基本操作1、选择菜单Analyze—Correlate—Bivariate，出现如下图所示的窗口。
2、把参加计算相关系数的变量选到Variables框。
3、在Correlation Coefficient框中选择计算哪种相关系数。
4、在Test of Significant框中选择输出相关系数检验的双尾（Two- Tailed）概率p值或单尾（One-Tailed）概率p值。
5、选中Flag significance correlations选项表示分析结果中除显示统计检验的概率p值以外，还输出星号标记，以表明变量间的相关性是否显著；不选中则不输出星号标记。
6、在Options按钮中的Statistics选项中，选中Cross-product deviationas and covariances 表示输出各变量的离差平方和、样本方差、两变量的叉积离差和协方差。
至此，SPSS将自动计算相关系数和进行统计检验，并将结果显示到输出窗口。
三、偏相关分析偏相关分析也称净相关分析，它在控制了其他变量影响的条件下分析两变量间的线性相关。
操作步骤：1、选择菜单Analyze-Correlate-Partial，于是出现如下图所示的窗口。
2、把参与分析的变量选择到Variables框中。
3、选择一个或多个控制变量到Controlling for框中。
4、在Test of Significance框中选择输出偏相关检验的双尾（Two-Tailed）概率p值或单位（One-Tailed）概率p值。
5、在Options按钮中的Statistics选项中，选中Zero-order Correlations表示输出零阶偏相关系数。
至此。
SPSS将自动进行偏相关分析和统计检验，并将结果显示到输出窗口。
四、相关分析一）线性回归分析的基本操作变量的的筛选问题第一、向前筛选策略。
向前筛选策略是解释变量不断进入回归方程的过程。
首先，选择与被解释变量具有最高线性相关系数的变量进入方程，并进行回归方程的各种检验；然后在剩余的变量中寻找与解释变量偏相关系数最高且通过检验的变量进入回归方程，并对新建立的回归方程进行各种检验的变量进入回归方程，并对新建立的回归方程进行各种检验；这个过程一直重复，直到再也没有可进入方程的变量为止。
第二、向后筛选策略。
向后筛选策略是变量不断剔除出回归方程的过程。
首先，所有变量全部引入回归方程，并对回归方程进行各种检验；然后，在回归系数显著性检验不显著的一个或多个变量中，提出t检验值最小的变量，并重新建立回归方程和进行各种检验；如果新建回归方程中所有变量的回归系数检验都显著，则回归方程建立结束。
否则按照上述方法再依次剔除最不显著的变量，直到再也没有可剔除的变量为止。
第三、逐步筛选策略。
是向前筛选和向后筛选策略的综合。
逐步筛选法事在向前筛选策略的基础上，结合向后筛选策略，在每个变量进入方程后再次判断是否存在应该剔除出方程的变量。
因此，逐步筛选策略在引入变量的每一个阶段都提供了再剔除不显著变量的机会。
1、选择菜单Analyze-Regression-Linear，于是出现如下图所示的窗口。
2、选择被解释变量进入Dependent框。
3、选择一个或多个解释变量进入Independent框。
4、在Method框中选择回归分析中解释变量的筛选策略。
其中Enter表示所选变量强行进入回归方程，是SPSS默认的策略，通常用在一元线性回归分析中；Remove 表示从回归方程中提出所选变量；Stepwise表示逐步回归筛选策略；Backward表示向后筛选策略；Forward表示向前筛选策略。
5、第三和第四步中确定的解释变量及变量筛选策略可放置在不同的快（Block）中。
以单击Next和Previous按钮设置多组解释变量和变量筛选策略并放置在不同的块中。
SPSS将首先在当前块（默认为1）中按照指定的筛选策略选解释变量和建立回归方程，然后自动按照下一个块中指定的策略筛选解释变量，并在上个回归方程的基础上作进一步建模工作，直到结束。
可见，第四步中的Remove策略只可能放在第二个以后的块中。
块设置便于作各种探索性的回归分析。
6、选择一个变量作为条件变量放到Selection Variable框中，并单击Rule按钮给定一个判断条件。
只有变量值满足给定条件的样本才参与线性回归分析。
7、在Cases Labels框中指定哪个变量作为样本数据点的标志变量，该变量的值将表在回归分析的输出图形中。
至此便完成了线性回归分析的基本操作，SPSS将根据制定自动进行回归分析，并将结果显示到输出窗口中。
二）线性回归分析的其他操作SPSS线性回归分析还有很多其他选项。
掌握这些选项对进一步深入分析和掌握更多有用信息是非常有益的。
在上图中单击Statistics按钮，出现如下图所示的窗口。
该窗口可供应户选择更多的输出统计量。
1）Estimates：SPSS默认输出项，输出与回归系数相关的统计量。
包括回归系数（偏回归系数）、回归系数标准误差、标准化回归系数、回归系数显著性检验的t统计量和概率p值，各解释变量的容忍度（判断是否存在共线性）。
多元回归分析中在个解释变量量纲不一致时（即有的显示绝对数，有的是相对数例如百分比），如果希望比较各解释变量对被解释变量的影响程度的大小，可以采用标准化回归系数。
2）Confidence Intervals：输出每个非标准化回归系数的95%置信区间。
3）Descriptive：输出各解释变量和被解释变量的均值、标准差、相关系数矩阵及单侧检验概率p值。
4）Model fit：SPSS默认输出项，输出判定系数、调整的判定系数、回归方程的标准误差、回归方程显著Fjianyande方差分析表。