Программа спсс что это такое

SPSS и его возможности в обработке социологической информации

Многомерный статистический анализ социологических данных предполагает, прежде всего, возможность проведения факторного анализа (ФА), кластерного анализа (КА) и регрессионного анализа (РА). Все эти возможности предоставляет наиболее популярный пакет статистической обработки данных в социальных науках — SPSS.

SPSS Statistics (аббревиатура англ. «Statistical Package for the Social Sciences» — «статистический пакет для социальных наук») — компьютерная программа для статистической обработки данных, один из лидеров рынка в области коммерческих статистических продуктов, предназначенных для проведения прикладных исследований в социальных науках. Первое пользовательское руководство вышло в 1970 году в издательстве McGraw-Hill, а с 1975 года проект выделился в отдельную компанию SPSS Inc. Первая версия пакета под Microsoft Windows вышла в 1992 году. На данный момент существуют версии под MacOs X и Linux. В 2009 году компания SPSS произвела ребрендинг своего статистического пакета, который теперь стал называться PASW Statistics (Predictive Analytics SoftWare) [13].

Начало работы с SPSS: описательные статистики

Факторный анализ — это процедура, с помощью которой большое число переменных, относящихся к имеющимся наблюдениям, сводят к меньшему количеству независимых влияющих величин, называемых факторами. При этом в один фактор объединяются переменные, сильно коррелирующие между собой. Переменные из разных факторов слабо коррелируют между собой. информационный коммуникационный опрос социологический

Таким образом, целью факторного анализа является нахождение таких комплексных факторов, которые как можно более полно объясняют наблюдаемые связи между переменными, имеющимися в наличии.

На первом шаге процедуры факторного анализа происходит стандартизация заданных значений переменных (z-преобразование); затем при помощи стандартизированных значений рассчитывают корреляционные коэффициенты Пирсона между рассматриваемыми переменными.

Исходным элементом для дальнейших расчётов является корреляционная матрица. Для понимания отдельных шагов этих расчётов потребуются хорошие знания, прежде всего, в области операций над матрицами; интересующимся подробностями советуем обратиться к специальной литературе. Для построенной корреляционной матрицы определяются, так называемые, собственные значения и соответствующие им собственные векторы, для определения которых используются оценочные значения диагональных элементов матрицы (так называемые относительные дисперсии простых факторов).

Собственные значения сортируются в порядке убывания, для чего обычно отбирается столько факторов, сколько имеется собственных значений, превосходящих по величине единицу. Собственные векторы, соответствующие этим собственным значениям, образуют факторы; элементы собственных векторов получили название факторной нагрузки. Их можно понимать как коэффициенты корреляции между соответствующими переменными и факторами. Для решения такой задачи определения факторов были разработаны многочисленные методы, наиболее часто употребляемым из которых является метод определения главных факторов (компонентов).

Часть I. Знакомство с SPSS

Если факторы найдены и истолкованы, то на последнем шаге факторного анализа, отдельным наблюдениям можно присвоить значения этих факторов, так называемые факторные значения. Таким образом, для каждого наблюдения значения большого количества переменных можно перевести в значения небольшого количества факторов [14].

Рис. 1. Диалоговое окно Factor Analysis (факторный анализ).

Таблица 1. Пример матрицы вращения в факторном анализе.

Rotated Component Matrix(a)

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 3 iterations. Объясненный процент дисперсии — 53,11%.

Rotation Method: Varimax with Kaiser Normalization (Метод вращения: Варимакс с нормализацией Кайзера)

a. Rotation converged in 8 iterations

Для выбора нужного количества факторов обычно используют графический метод. Для этого представляют на диаграмме соотношение количества факторов с объясненной вариацией (Рис. 2).

Рис. 2. Точечная диаграмма. Необходимое количество факторов в данном случае — три или пять.

В результате кластерного анализа (КА) при помощи предварительно заданных переменных формируются группы наблюдений. Под наблюдениями здесь понимаются отдельные личности (респонденты) или любые другие объекты. Члены одной группы (одного кластера) должны обладать схожими проявлениями переменных, а члены разных групп различными. Наряду с кластеризацией наблюдений в SPSS предусмотрена кластеризация переменных. Здесь на основе заданных наблюдений образовываются группы переменных.

В иерархических методах каждое наблюдение образовывает сначала свой отдельный кластер. На первом шаге два соседних кластера объединяются в один; этот процесс может продолжаться до тех пор, пока не останутся только два кластера. В методе, который в SPSS установлен по умолчанию (Between-groups linkage (Связь между группами)), расстояние между кластерами является средним значением всех расстояний между всеми возможными парами точек из обоих кластеров.

Рис. 3. Пример графического отображения результатов иерархического кластерного анализа (дендрограмма).

В то время как дендрограмма годится только для графического представления процесса слияния, по диаграмме накопления можно проследить деление кластеров [14]. Результаты кластерного анализа могут быть представлены и более наглядным образом (см. Рис. 4).

Рис. 4. Пример графического отображения результатов иерархического кластерного анализа (Plot Dendrogram ).

Если расчёт корреляции характеризует силу связи между двумя переменными, то регрессионный анализ (РА) служит для определения вида этой связи и дает возможность для прогнозирования значения одной (зависимой) переменной отталкиваясь от значения другой (независимой) переменной. Рассмотрим линейную регрессию.

Для проведения линейного регрессионного анализа зависимая переменная должна иметь интервальную (или порядковую) шкалу. В то же время, бинарная логистическая регрессия выявляет зависимость дихотомической переменной от некой другой переменной, относящейся к любой шкале. Те же условия применения справедливы и для пробит-анализа.

Методы криволинейного приближения, весовые оценки и 2-ступенчатые наименьшие квадраты исследуют соответственно приближённость пути прохождения кривых при помощи компенсационных кривых, регрессионный анализ для изменяющейся дисперсии и проблемы из области эконометрии.

При проведении простой линейной регрессии основной задачей является определение параметров b и а. Оптимальным решением этой задачи является такая прямая, для которой сумма квадратов вертикальных расстояний до отдельных точек данных является минимальной.

Рис. 5. Графическое отображение результатов регрессионного анализа — диаграмма рассеяния с регрессионной прямой.

Для диаграмм рассеяния часто оказывается необходимой дополнительная корректировка осей, после проведения которой полученные значения будут близки к реальной исследовательской задаче.

Таким образом, SPSS предоставляет возможность проведения наиболее популярных методов анализа статистической информации в социологии, включая возможности по графическому представлению результатов. Хотя полученные результаты нуждаются в интерпретации и зачастую не могут быть представлены заказчику «как есть», данные возможности значительно облегчают статистический анализ для социолога.

Источник: studwood.net

Аналитические инструменты IBM® SPSS® Statistics

SPSS Statistics- пакет для статистического анализа данных и управления данными, предназначенный для аналитиков и ученых, является мощным аналитическим инструментом для решения задач бизнеса и выполнения научных исследований.

Основу программы SPSS Statistics составляет SPSSBase (базовый модуль), предоставляющий разнообразные возможности доступа к данным и управления данными. Он содержит методы анализа, которые применяются чаще всего.

Модуль IBM SPSS Statistics Base включает все процедуры ввода, отбора и корректировки данных, а позволяет получить общее представление о ваших данных, сформулировать гипотезы для дополнительной проверки, а также выполнить статистические и аналитические процедуры, помогающие прояснить отношения между переменными, создать кластеры, выявить тенденции и сделать прогнозы.

SPSS Statistics Base интегрируется с дополнительными модулями и другим программным обеспечением SPSS Statistics для реализации работы по планированию сбора данных, сбору данных, а также внедрению и распространению полученных результатов. Кроме того, дополнительные модули и программное обеспечение расширяют возможности анализа данных, создания отчетов, а также управления данными и подготовки данных к анализу.

Как и в других статистических пакетах или системах анализа, для начала работы данные, необходимо подготовить к анализу. В SPSS Statistics Base есть целый ряд возможностей и функций, обеспечивающих быструю и эффективную подготовку данных.

Когда свойства переменных заданы, их можно скопировать при помощи инструмента Копировать свойства данных. Свойства переменных используются в качестве шаблонов, которые можно применять как к переменным в другом файле, так и к другим переменным в том же файле. SPSS Statistics Base позволяет производить поиск дублирующихся наблюдений для устранения их перед началом анализа.

Еще один инструмент — Визуальная категоризация. Она облегчает подготовку количественных данных к анализу.

При необходимости строить прогностические модели используется модуль IBM SPSS Regression. Применение сложных моделей при помощи большого набора процедур нелинейного моделирования. SPSS Regression Models используется в:

• • Маркетинговых исследованиях для изучения поведения покупателей.
• • Медицинских исследованиях для изучения реакций на изменение дозировки.
• • Анализе кредитов и кредитных рисков.
• • Образовательных исследованиях для измерения успеваемости и других областях.

Например, прогнозирование категориальных исходов с числом категорий более двух Мультиноминальная логистическая регрессия позволяет освободиться от ограничений в виде ответов да/нет и моделировать факторы, предсказывающие покупку клиентами товара А, товара В или товара С. Бинарная логистическая регрессия используется для прогнозирования значений дихотомических переменных (например, купил / не купил, проголосовал / не проголосовал). В процедуре имеется несколько пошаговых методов для отбора существенных непрерывных либо категориальных ковариат, которые наилучшим образом предсказывают значения переменной отклика.

Значительно расширяют возможности моделирования нелинейная регрессия с ограничениями и нелинейная регрессия без ограничений, реализованные в модуле SPSS Regression Models. В этих процедурах есть два метода для оценивания параметров нелинейных моделей.

Модели без ограничений анализируются алгоритмом Левенберга- Марквардта. Алгоритм последовательного квадратичного программирования позволяет задавать ограничения на оценки параметров, использовать собственную функцию потерь и получать бутстреп-оценки стандартных ошибок. Кроме перечисленных методов модуль реализует и другие функции, расширяющие возможности моделирования.

Анализ данных станет более точным при помощи процедур, лучше учитывающих свойства исследуемых данных. В IBM SPSS Advanced Statistics имеется мощный набор методов одномерного и многомерного анализа. Например, процедура Общая линейная модель (ОЛМ) предоставляет большую гибкость в описании взаимосвязей между зависимой переменной и набором независимых переменных. Среди имеющихся моделей: линейная регрессия, одномерный дисперсионный анализ, одномерный ковариационный анализ, многомерный дисперсионный анализ и многомерный ковариационный анализ. В процедуре ОЛМ предусмотрена также возможность работы с повторными измерениями, смешанными моделями, апостериорными критериями, апостериорными критериями для повторных измерений, четырьмя видами сумм квадратов, парными сравнениями ожидаемых маргинальных средних; специальные методы обработки пропущенных значений и возможность сохранения матрицы плана и файла эффектов.

Использование более точных прогностических моделей при работе с данными иерархической структуры Процедура Смешанные линейные модели расширяет возможности общей линейной модели, используемой в процедуре ОЛМ, предоставляя возможности анализа коррелированных данных и данных с непостоянной дисперсией. Например, корректное использование данных о студентах в студенческих группах или о потребителях в домашних хозяйствах позволяет повысить точность моделей. Смешанная линейная модель позволяет моделировать не только средние значения, но также дисперсии и ковариации. Гибкость этой процедуры позволяет проверять широкий спектр моделей. Имеется возможность использования моделей повторных измерений, включая неполные повторные измерения, когда число наблюдений для разных объектов наблюдения различно.

В процедуре Смешанной линейной модели можно использовать самые разнообразные модели, включая модель однофакторного дисперсионного анализа (ANOVA) с фиксированными эффектами, модель рандомизированных полных блоков, модель только случайных эффектов, модель случайных коэффициентов, многоуровневый анализ, безусловная модель линейного роста, модель линейного роста с ковариатами, модель повторных измерений, с ковариатами, зависящими от времени.

Даже этот краткий обзор процедур модуля SPSS Advanced Models наглядно свидетельствует о значительных вычислительных возможностях модуля.

При помощи SPSS Categories можно вводить в анализ дополнительные данные путем включения дополнительных точек.

Дополнительные модули SPSS для Windows, такие как SPSS Regression Models, SPSS Advanced Models, SPSS Categories и другие позволяют задействовать еще больше аналитических процедур и, глубже проникая в структуру данных, извлекать полезную информацию для принятия точных решений. В таблице 2.2 приведены основные модули системы IBM SPSS Statistics и дана их краткая характеристика.

Модули системы SPSS

Наименование модулей

Источник: bstudy.net

ЦП Автоматизированные системы управления и промышленная безопасность

• 
• 
• 

19. Обзор процедур начального анализа данных в SPSS

26.08.2014 13:13 Александр

SPSS является программным продуктом, предназначенным для выполнения всех этапов статистического анализа: от просмотра данных, создания таблиц и вычисления дескриптивных статистик до применения сложных статистических методов.

Смысл термина «анализ данных» неодинаково трактуется разными специалистами, в зависимости от различных областей применения. Некоторые считают, что анализ данных заканчивается с выводом дескриптивных статистик, графика или результата статистического вычисления. Для других он представляет собой последовательность шагов, каждый из которых может предполагать дальнейший анализ и появление новых задач для исследования. SPSS является универсальной статистической системой программ, поддерживающей процесс анализа данных на любом уровне и предназначенной для реализации полной последовательности шагов анализа данных: от просмотра данных, создания таблиц и вычисления дескриптивных статистик до сложного статистического анализа. Графические средства, встроенные в статистические процедуры, облегчают понимание данных и интерпретацию результатов анализа; они неоценимы для представления результатов анализа.

SPSS позволяет читать много различных типов файлов или вводить данные непосредственно в Редакторе Данных. Какой бы ни была структура вашего исходного файла данных, в Редакторе Данных он будет представлен в прямоугольном виде — так принято не только в SPSS, но и в большинстве других систем анализа данных, причем строки соответствуют наблюдениям, а столбцы — переменным.

Наблюдение содержит информацию об одной единице анализа. Переменные содержат информацию, собранную об одном наблюдении. В данных часто встречаются так называемые пропущенные значения — они возникают из-за отсутствия ответов в некоторых наблюдениях, ошибок при измерениях или в результате неправильных вычислений. Каждое такое значение заменяется в SPSS специальным кодом — системным кодом пропущенного значения.

Результаты проведенного анализа появляются в навигаторе вывода SPSS. Большинство процедур Базового модуля представляют результаты в виде мобильных таблиц, которые можно редактировать различными способами с целью выделения наиболее важных результатов анализа. SPSS предоставляет пользователю большой набор возможностей для преобразования, отбора и сортировки данных.

Термин «преобразование» охватывает очень большой набор функций, арифметических и логических операций, которые могут быть применены к данным. Чтобы отобрать подмножество наблюдений для анализа, можно использовать значения переменных, функции и операции сравнения. Диалоговое окно SelectCases (Отбор наблюдений) в меню Данные Редактора Данных позволяет также отобрать случайную подвыборку или диапазон наблюдений для просмотра или анализа. Это может пригодится, например, в случае, когда нужно провести анализ для каждого из значений переменной отдельно.

Реальные данные редко удается собрать без проблем. Первым шагом после ввода данных является выявление ошибок при их записи и вводе, а также проверка соответствия данных предположениям, лежащим в основе планируемых методов анализа. В больших исследованиях проверка данных отнимает чрезвычайно много времени и сил.

Первый шаг при проверке данных обычно состоит в поиске значений, выходящих за разумные пределы значений переменной, — необходимо выяснить, действительно ли это выбросы или это ошибки.

Необходимо использовать процедуру Частоты для подсчета появления каждого отдельного значения. Так можно обнаружить опечатки и неожиданные значения следует искать также пропущенные значения, которые представлены как валидные.

Для количественных переменных используются гистограммы в процедурах Частоты или Исследовать, а также ящичковые диаграммы и диаграммы «ствол-лист» в процедуре Исследовать. Необходимо обращать внимание на выбросы, которые показывают диаграммы.

Зачастую выбросы легче обнаружить, если исследовать две или более переменных одновременно. Для дискретных данных неправдоподобные или нежелательные комбинации значений могут быть выявлены с помощью таблиц сопряженности.

Распределение данных может оказаться не таким, как предполагалось — не похожим на нормальное и даже несимметричным. Если распределения переменных сильно асимметричны, использование процедуры Регрессия для предсказания одной переменной с помощью набора других переменных может привести к неадекватным результатам. Иногда эту проблему можно преодолеть, используя логарифмическое преобразование.

Для проверки распределения можно построить гистограммы с наложенными нормальными кривыми, используя процедуру Частоты или графики из меню Графики; а также процедуру Исследовать или Р-Р-графики (Р-Р plots) из меню Графики для построения графиков на вероятностной бумаге. Такие графики можно использовать для сравнения эмпирического распределения не только с нормальным, но и с несколькими другими стандартными видами распределений; при большом объеме данных сравнить величины среднего, 5%-го усеченного среднего и медианы. Если они сильно различаются, распределение асимметрично в качестве формального теста нормальности можно использовать критерии Колмогорова-Смирнова или Шапиро-Уилка процедуры Исследовать.

Если сравнивать групповые средние, проблем может возникнуть еще больше. Например, при проведении дисперсионного анализа уровни значимости могут оказаться искаженными, в тех случаях когда распределения в сравниваемых группах значительно отклоняются от нормального или их разбросы сильно различаются (то есть нарушается предположение о равенстве дисперсий). Для сравнения эмпирических распределений с нормальным и для сопоставления разбросов распределений внутри групп используют ящичковые диаграммы.

Дескриптивные статистики могут полностью исчерпать потребности текущего исследования, но могут и оказаться первым шагом в изучении и понимании нового набора данных. Перед тем как начать описание данных (положение центра распределения, его разброс и т.п.), следует определить типы имеющихся переменных.

Подавляющее большинство статистических показателей разработаны для количественных переменных. В частности, вычисление среднего и стандартного отклонения допустимо для количественных переменных с нормальным распределением. Однако для реальных данных предположение о нормальности часто не выполняется.

Для проверки гипотез о средних значениях количественных переменных предназначены t-критерий и дисперсионный анализ (ANOVA). С их помощью можно сделать выводы о характеристиках популяции по статистикам, описывающим выборочные данные. Эти критерии выбираются в меню Сравнение средних и Общая линейная модель.

Для данных с распределениями, значительно отклоняющимися от нормального, более подходящими могут оказаться непараметрические критерии. Некоторые из критериев ориентированы на обработку ранговых данных (во время вычисления статистик таких критериев SPSS преобразует данные в ранги). Применять непараметрические тесты для спасения данных нужно осторожно.

Если данные не удовлетворяют предположениям, необходимым t-критерию или дисперсионному анализу, перед обращением к непараметрической статистике следует попробовать преобразование данных. Хотя непараметрические критерии не требуют нормальности, они, как и их параметрические аналоги, все же основываются на некоторых предположениях. Например, критерий Манна-Уитни предполагает, что формы сравниваемых распределений сходны. Кроме того, если на самом деле популяции различаются, для доказательства этого различия с помощью непараметрической процедуры может потребоваться большая выборка, чем для критерия, основанного на предположении о нормальности распределения.

SPSS предлагает три типа t-критериев. Выбирать нужный следует в зависимости от того, что именно сравнивает пользователь.

Дисперсионный анализ применяется для тех же целей, что и двухвыборочный t-критерий, но для большего числа выборок. Этот метод позволяет сравнить вариабельность выборочных средних с разбросом наблюдений в каждой из групп. Нулевая гипотеза заключается в том, что выборки составлены из популяций с равными средними.

Для однофакторного дисперсионного анализа (One-Way ANOVA) группы или ячейки, определяются уровнями одного группирующего фактора с двумя или более уровней. В многофакторной процедуре ANOVA группы определяются уровнями двух или более факторов. Например, если объекты исследования группируются по полу (мужской, женский) и месту проживания (Москва, Орел, Смоленск), получается шесть групп: мужчины из Москвы, женщины из Москвы, мужчины из Орла, женщины из Орла и т.д. Полная вариация зависимой переменной делится на составляющие — для пола, для места проживания и для их взаимодействия. Базовый модуль SPSS обеспечивает три процедуры дисперсионного анализа: средние, однофакторный дисперсионный анализ, многофакторный дисперсионный анализ.

В некоторых ситуациях ковариата (или, на языке регрессионного анализа, независимая переменная) может вносить дополнительный вклад в изменчивость зависимой переменной. При анализе ковариаций изменчивость зависимой переменной корректируется по вкладу ковариаты.

При выборе индикаторов, измеряющих зависимости между переменными, необходимо принимать во внимание типы исследуемых переменных. Если переменные дискретны, найти соответствующие меры можно в процедуре Таблицы сопряженности. Если переменные количественные, причем распределение их значений можно считать нормальным, можно использовать линейную модель в процедуре Регрессия или корреляцию Пирсона в процедуре Парные корреляции. Если предположение о нормальности распределении не кажется правдоподобным, следует использовать корреляцию Спирмена.

Для двумерных частотных таблиц наблюдений, соответствующих сочетанию значений двух дискретных переменных, процедура Таблицы сопряженности предлагает 22 критерия значимости и мер связи. Каждый критерий относится к определенным типам таблиц (с определенным числом строк и столбцов); несколько критериев подходят для упорядоченных категорий.

Коэффициент корреляции является мерой линейной связи между двумя количественными переменными. Простая регрессия представляет собой другой подход к той же проблеме. Корреляционная матрица отображает статистики для множества переменных попарно, а многомерная регрессия характеризует линейную связь между одной переменной и подмножеством других переменных.

Корреляция по Приснону доступна в процедурах Парные корреляции, Частные корреляции, Регрессия и Таблицы сопряженности. Данные должны иметь нормальное распределение. В тех случаях, когда это не так, в процедурах Парные корреляции и Таблицы сопряженности используют корреляцию по Спирмену. При вычислении этой статистики каждое значение переменной заменяется на его ранг в совокупности всех значений (с поправками, если встречаются одинаковые значения).

Регрессия дает количественное выражение линейной зависимости между переменными, когда изменение значений одной переменной зависит от изменения значений нескольких других переменных. Наиболее простым видом линейной зависимости является уравнение прямой: Y = A + BX .

Для оценки того, насколько хорошо прямая линия описывает имеющуюся зависимость, полезна диаграмма рассеяния. Линия представляет собой линию наилучшего соответствия, оцененной с помощью регрессионной процедуры.

Решая прикладную задачу, исследователь может не знать, какое именно множество из переменных следует включить в многомерную регрессионную модель, и, возможно, захочет отделить важные переменные от тех, которые несущественны для предсказания. В процедуре Регрессия пользователь может выбрать одну из нескольких стратегий включения и исключения переменных по одной в каждый момент времени в пошаговом режиме.

Графическое представление результатов полезно на всех стадиях анализа. После того как подбрана регрессионная модель для данных, следует изучить остатки, предсказанные значения и диагностические индикаторы. Последние полезны для определения выбросов и отклонений от предположений, лежащих в основе анализа.

В Базовый модуль SPSS входят кластерный, дискриминантный и факторный анализы. Эти процедуры полезны для выявления групп.

Кластерный анализ является многофакторной процедурой для обнаружения группировок в данных. При использовании процедуры k-средних и иерархической процедуры кластеры образуются группами наблюдений. Иерархическая процедура может быть использована также для формирования групп переменных. Кластеризация является хорошим методом, если необходимо разбить данные на классы или когда данные неоднородны, и надо увидеть, существуют ли явные группы.

Для классификации наблюдений может быть использован также дискриминантный анализ. В нем идет работа с выборкой наблюдений, принадлежность которых классам уже известна. Процедура анализа позволяет найти линейные комбинации переменных, наилучшим образом характеризующие различия между группами (эти комбинации далее могут быть использованы для классификации новых наблюдений). Для того чтобы определить переменные, которые максимально полно описывают различие между группами, их можно вводить в функцию в пошаговом режиме.

Факторный анализ подходит для выявления групп коррелированных числовых переменных. Можно изучать корреляцию большого числа переменных, группируя переменные в факторы. Переменные в пределах каждого фактора коррелированы друг с другом сильнее, чем с переменными из других факторов. Возможно также интерпретировать каждый фактор в соответствии со смыслом переменных и свести большое количество переменных к небольшому числу факторов. Факторные нагрузки могут быть использованы в качестве данных для t-критерия, регрессии и т.д.

Источник: www.automationlab.ru

Программа спсс что это такое

Глава 1. Программа SPSS

Глава 2. Инсталляция

• Инсталляция
• 2.1 Системные требования для инсталляции SPSS
• 2.2 Инсталляция SPSS
• 2.3 Создание ярлыка
• 2.4 Установка рабочего каталога
• 2.5 Инсталляция прилагаемого компакт-диска
• 2.6 Возобновление лицензии
• 2.7 Добавление компонентов

Глава 3. Подготовка данных

• Подготовка данных
• 3.1 Кодирование и кодировочная таблица
• 3.2 Матрица данных
• 3.3 Запуск SPSS
• 3.4 Редактор данных

• 3.4.1 Определение переменных
• 3.4.2 Ввод данных

Глава 4. SPSS для Windows — обзор

• PSS для Windows — обзор
• 4.1 Выбор статистической процедуры
• 4.2. Настройки редактора данных
• 4.3 Панели символов
• 4.4 Построение и редактирование графиков
• 4.5 Окно просмотра
• 4.6 Редактирование таблиц

• 4.6.1 Редактор мобильных таблиц
• 4.6.2 Дополнительные возможности редактирования таблиц
• 4.6.3 Операции с таблицами большого размера
• 4.6.4 Окно просмотра текста

Глава 5. Основы статистики

• Основы статистики
• 5.1 Предварительные условия для проведения статистического теста

• 5.1.1 Типы статистических шкал
• 5.1.2 Нормальное распределение
• 5.1.3 Зависимость и независимость выборок

• 5.4.1 Структурирование, вводи проверка данных
• 5.4.2 Описательный (дескриптивный) анализ
• 5.4.3 Аналитическая статистика

Глава 6. Частотный анализ

• Частотный анализ
• 6.1 Частотные таблицы
• 6.2 Вывод статистических характеристик
• 6.3 Медиана для концентрированных данных
• 6.4 Форматы частотных таблиц
• 6.5 Графическое представление

Глава 7. Отбор данных

• Отбор данных
• 7.1 Выбор наблюдений

• 7.1.1 Классификация операторов
• 7.1.2 Операторы отношения
• 7.1.3 Логические операторы
• 7.1.4 Булева алгебра
• 7.1.5 Функции
• 7.1.6 Ввод условного выражения
• 7.1.7 Примеры отбора данных

Глава 8. Модификация данных

• Модификация данных
• 8.1 Вычисление новых переменных

• 8.1.1 Формулировка численных выражений
• 8.1.2 Функции

• 8.3.1 Ручное перекодирование
• 8.3.2 Автоматическое перекодирование

• 8.4.1 Формулировка условий
• 8.4.2 Создание индекса

• 8.6.1 Пример рангового преобразования
• 8.6.2 Типы рангов

• 8.7.1 Коррекция при отсутствии репрезентативности
• 8.7.2 Анализ концентрированных данных

• 8.8.1 Первый пример: вычисление расхода бензина
• 8.8.2 Второй пример: вычисление даты пасхи

Глава 9. Статистические характеристики

• Статистические характеристики
• 9.1 Описательная статистика
• 9.2 Сводка наблюдений

Глава 10. Исследование данных

• Исследование данных
• 10.1 Обнаружение ошибок ввода
• 10.2 Проверка закона распределения
• 10.3 Вычисление характеристик
• 10.4 Исследование данных

• 10.4.1 Анализ без группирующей переменной
• 10.4.2 Анализ для групп наблюдений

Глава 11. Таблицы сопряженности

• Таблицы сопряженности
• 11.1 Создание таблиц сопряженности
• 11.2 Графическое представление таблиц сопряженности
• 11.3 Статистические критерии для таблиц сопряженности

• 11.3.1 Тест хи-квадрат
• 11.3.2 Коэффициенты корреляции
• 11.3.3 Меры связанности для переменных с номинальной шкалой
• 11.3.4 Меры связанности для переменных с порядковой шкалой
• 11.3.5 Другие меры связанности

Глава 12. Анализ множественных ответов

• Анализ множественных ответов
• 12.1 Дихотомный метод

• 12.1.1 Определение наборов
• 12.1.2 Частотные таблицы для дихотомических наборов
• 12.1.3 Таблицы сопряженности с дихотомическими наборами

• 12.2.1 Определение наборов
• 12.2.2 Частотные таблицы для категориальных наборов
• 12.2.3 Таблицы сопряженности с категориальными наборами

Глава 13. Сравнение средних

• Сравнение средних
• 13.1 Сравнение двух независимых выборок
• 13.2. Сравнение двух зависимых выборок
• 13.3 Сравнение более двух независимых выборок

• 13.3.1 Разложение на составляющие тренда
• 13.3.2 Априорные контрасты
• 13.3.3 Апостериорные тесты
• 13.3.4 Другие параметры

Глава 14. Непараметрические тесты

• Непараметрические тесты
• 14.1 Сравнение двух независимых выборок

• 14.1.1 U-тест по методу Манна и Уитни
• 14.1.2 Тест Мозеса (Moses)
• 14.1.3 Тест Колмогорова-Смирнова
• 14.1.4 Тест Уалда-Вольфовица (Wald-Wolfowitz)

• 14.2.1 Тест Уилкоксона (Wilcoxon)
• 14.2.2 Знаковый тест
• 14.2.3 Тест хи-квадрат по методу МакНемара (McNemar)

• 14.3.1 Н-тест по методу Крускала и Уоллиса
• 14.3.2 Медианный тест

• 14.4.1 Тест Фридмана
• 14.4.2 W Кендала
• 14.4.3 ОКохрана

Глава 15. Корреляции

• Корреляции
• 15.1 Коэффициент корреляции Пирсона
• 15.2 Ранговые коэффициенты корреляции по Спирману и Кендалу
• 15.3 Частная корреляция
• 15.4 Мера расстояния и мера сходства
• 15.5 Внутриклассовый коэффициент корреляции (Intraclass Correlation Coefficient (ICC))

Глава 16. Регрессионный анализ

• Регрессионный анализ
• 16.1 Простая линейная регрессия

• 16.1.1 Расчёт уравнения регрессии
• 16.1.2 Сохранение новых переменных
• 16.1.3 Построение регрессионной прямой
• 16.1.4 Выбор осей

Глава 17. Дисперсионный анализ

• Дисперсионный анализ
• 17.1 Одномерный дисперсионный анализ

• 17.1.1 Одномерный дисперсионный анализ (общий многофакторный)
• 17.1.2 Одномерный дисперсионный анализ по методу Фишера (Fisher)
• 17.1.3 Одномерный дисперсионный анализ с повторным измерением

Глава 18. Дискриминантный анализ

• Дискриминантный анализ
• 18.1 Пример из области медицины
• 18.2 Пример из области социологии
• 18.3 Пример из области биологии
• 18.4 Пример из области биологии (три группы)

Глава 19. Факторный анализ

• Факторный анализ
• 19.1 Порядок выполнения факторного анализа
• 19.2 Пример из области социологии
• 19.3 Пример из области психологии
• 19.4 Задача вращения

Глава 20. Кластерный анализ

• Кластерный анализ
• 20.1 Принцип кластерного анализа
• 20.2 Иерархический кластерный анализ

• 20.2.1 Иерархический кластерный анализ с двумя переменными
• 20.2.2 Иерархический кластерный анализ с более чем двумя переменными
• 20.2.3 Иерархический кластерный анализ с предварительным факторным анализом

• 20.3.1 Переменные, относящиеся к интервальной шкале (метрические переменные)
• 20.3.2 Частоты
• 20.3.3 Бинарные переменные

Глава 21. Анализ пригодности

• Анализ пригодности
• 21.1 Задания типа верно — не верно
• 21.2 Задания со ступенчатыми ответами

Глава 22. Стандартные графики

• Стандартные графики
• 22.1 Столбчатые диаграммы

• 22.1.1 Простые столбчатые диаграммы
• 22.1.2 Кластеризованные столбчатые диаграммы
• 22.1.3 Состыкованные диаграммы

• 22.2.1 Простые линейчатые диаграммы
• 22.2.2 Сложные линейчатые диаграммы
• 22.2.3 Связанные линейчатые диаграммы

• 22.3.1 Простая диаграмма с областями
• 22.3.2 Состыкованные диаграммы с областями

• 22.5.1 Простые биржевые диаграммы — потолок-пол-закрытие
• 22.5.2 Кластеризованные диаграммы — максимум-минимум-закрытие
• 22.5.3 Линейчатые диаграммы разностей
• 22.5.4 Простые интервальные столбцы
• 22.5.5 Кластеризованные интервальные столбцы

• 22.6.1 Простые коробчатые диаграммы
• 22.6.2 Кластеризованные коробчатые диаграммы

• 22.7.1 Простая диаграмма величины ошибки
• 22.7.2 Кластеризованная величина ошибки

• 22.8.1 Простая диаграмма рассеяния
• 22.8.2 Матричные диаграммы рассеяния
• 22.8.3 Наложенные диаграммы рассеяния
• 22.8.4 Трёхмерные диаграммы рассеяния

• 22.17.1 Пример первый: изменение наименования осей
• 22.17.2 Пример второй: редактирование круговой диаграммы
• 22.17.3 Пример третий: нанесение регрессионных линий

Глава 23. Интерактивные графики

• Интерактивные графики
• 23.1 Столбчатые диаграммы

• 23.1.1 Простая столбчатая диаграмма: отображение частот
• 23.1.2 Простая столбчатая диаграмма: характеристики метрической переменной
• 23.1.3 Группированная столбчатая диаграмма
• 23.1.4 Штабельная столбчатая диаграмма

• 23.2.1 Простые линейчатые диаграммы
• 23.2.2 Сложные линейчатые диаграммы

• 23.4.1 Простые круговые диаграммы
• 23.4.2 Штабельные круговые диаграммы
• 23.4.3 Рассыпанная круговая диаграмма (рассыпанные круги)

Глава 24. Модуль Tables

• Модуль Tables
• 24.1 Обрабатываемая анкета
• 24.2 Основные таблицы

• 24.2.1 Применение нескольких строчных переменных
• 24.2.2 Добавление второго измерения (столбцовые переменные)
• 24.2.3 Добавление третьего измерения (табличные переменные)
• 24.2.4 Вложенные данные
• 24.2.5 Процентные показатели
• 24.2.6 Суммарные значения
• 24.2.7 Средние значения и другие итоговые статистики
• 24.2.8 Возможности форматирования

• 24.3.1 Пакетированные и вложенные переменные
• 24.3.2 Статистики в ячейках
• 24.3.3 Суммарные показатели

• 24.4.1 Дихотомический метод
• 24.4.2 Категориальный метод

• 24.5.1 Примеры таблиц частотных показателей
• 24.5.2 Процентные показатели суммарных значений
• 24.5.3 Работа с подгруппами

Глава 25. Экспортирование выходных данных

• Экспортирование выходных данных
• 25.1 Перенос статистических результатов в Word
• 25.2 Перенос диаграмм в Word
• 25.3 Экспорт сводных таблиц и диаграмм как php-документов

Глава 26. Программирование

• Программирование
• 26.1 Основные синтаксические правила
• 26.2 Выполнение готовой программы для SPSS

• 26.2.1 Запуск из редактора синтаксиса
• 26.2.2 Операционный модуль

• 26.5.1 Применение сценария
• 26.5.2 Автоматические сценарии
• 26.5.3 Редактор сценариев

Глава 27. Нововведения в 11-ой версии SPSS

• Использование программы SPSS в качестве ядра для современных маркетинговых исследований
• Конкретные нововведения в SPSS 11

Источник: www.sites.google.com