SPSS進階分析與實務

石鵬

  • 出版商: 電子工業
  • 出版日期: 2022-06-01
  • 定價: $636
  • 售價: 8.0$509
  • 語言: 簡體中文
  • 頁數: 300
  • ISBN: 7121436043
  • ISBN-13: 9787121436048
  • 相關分類: SPSS
  • 立即出貨 (庫存 < 4)

相關主題

商品描述

本書以統計理論為主線,以解決實際問題為導向,詳細介紹了SPSS在多變量方差分析、協方差分析、線性回歸分析、主成分分析、因子分析、聚類分析、判別分析、決策樹、神經網絡、時間序列分析、對應分析、典型相關分析、簡單效應、簡單簡單效應、調節效應、中介效應及多重響應分析中的應用。本書結合理論與實踐,具有較強的技術應用性和針對性,主要面向各個專業的初、中級SPSS的使用者,以及想要深入學習和應用統計學的讀者。

作者簡介

石鵬博士
畢業於江西師範大學。公眾號SPSS學堂成員。曾在廣東某高校任職高校教師,講授統計與SPSS軟件。有豐富的SPSS統計經驗。曾發表學術論文5篇、參與省級課題2項。
 

目錄大綱

第1 章多個因變量的假設檢驗:多變量方差分析                              1
1.1 多變量方差分析                                                         1
1.1.1 多變量方差分析簡介                                               1
1.1.2 多變量方差分析的應用條件                                         1
1.2 多變量方差分析案例:不同舞蹈學校的分數差異分析                        2
1.2.1 選擇變量                                                         3
1.2.2 設置模型選項                                                     3
1.2.3 設置事後選項                                                     4
1.2.4 選項設置                                                         4
1.2.5 輸出結果                                                         5
1.3 本章小結                                                               8

第2 章校正混雜因素:協方差分析                                           9
2.1 協方差分析簡介                                                         9
2.2 協方差分析案例:早讀對成績的影響                                      10
2.2.1 回歸擬合線平行性檢驗                                            11
2.2.2 計算和檢驗修正均數(正式進行協方差分析)                        . 15
2.3 本章小結                                                              18

第3 章因變量為連續變量的估計與預測:線性回歸分析         19
3.1 線性回歸分析簡介                                                     19
3.1.1 簡單線性回歸分析簡介                                            19
3.1.2 多重線性回歸分析簡介                                            20
3.2 簡單線性回歸分析                                                     20
3.2.1 簡單線性回歸分析的假設條件                                     21
3.2.2 簡單線性回歸分析案例:身高和體重的關係                  26
3.3 多重線性回歸分析                                                      27
3.3.1 多重線性回歸分析的假設條件                                      28
3.3.2 多重線性回歸分析案例:年收入的影響因素                         . 28
3.4 回歸診斷                                                              33
3.4.1 異常值判斷                                                      33
3.4.2 獨立性檢驗                                                      37
3.4.3 正態性檢驗                                                      39
3.4.4 方差齊性檢驗                                                    40
3.4.5 多重共線性診斷                                                  41
3.5 權重估計                                                              43
3.5.1 權重估計簡介                                                    43
3.5.2 權重估計案例:收入影響因素分析                          43
3.6 加權最小二乘法                                                        46
3.6.1 加權最小二乘法簡介                                              46
3.6.2 加權最小二乘法案例:收入影響因素分析                           . 46
3.7 二階最小二乘法                                                        48
3.7.1 二階最小二乘法簡介                                              48
3.7.2 二階最小二乘法案例:影響成績的數據                         49
3.8 分層回歸分析                                                          51
3.8.1 分層回歸分析簡介                                                51
3.8.2 分層回歸分析案例:影響個人收入的因素                    52
3.9 本章小結                                                              56

第4 章因變量為離散變量的估計與預測:LOGISTIC 回歸模型              58
4.1 LOGISTIC 回歸模型簡介                                                   58
4.1.1 LOGISTIC 回歸模型的公式                                           58
4.1.2 LOGISTIC 回歸分析的目的                                           59
4.1.3 LOGISTIC 回歸模型的適用條件                                       59
4.1.4 LOGISTIC 回歸分析的主要用途                                       60
4.2 二元LOGISTIC 回歸模型                                                 60
4.2.1 二元LOGISTIC 回歸模型簡介                                       61
4.2.2 二元LOGISTIC 回歸分析案例:學業成就數據                           61
4.3 多元LOGISTIC 回歸模型                                                 67
4.3.1 多元LOGISTIC 回歸模型簡介                                      67
4.3.2 多元LOGISTIC 回歸分析案例:數學成績調查數據                       68
4.4 有序回歸模型                                                          71
4.4.1 有序回歸模型簡介                                                71
4.4.2 有序回歸分析案例:影響個人收入水平的因素                     71
4.5 本章小結                                                              74

第5 章回歸模型進階:其他回歸模型                                        76
5.1 最優尺度回歸模型                                                      76
5.1.1 最優尺度回歸模型簡介                                            76
5.1.2 最優尺度回歸分析案例:師生關係的預測因素                 77
5.2 非線性回歸模型                                                        83
5.2.1 曲線估計回歸模型                                                84
5.2.2 非線性回歸模型簡介                                              87
5.2.3 曲線估計回歸模型與非線性回歸模型的比較                90
5.3 多層線性模型                                                          91
5.3.1 多層線性模型簡介                                                92
5.3.2 多層線性模型(零模型)案例:語文成績預測因素       93
5.3.3 多層線性模型(全模型)案例:語文成績預測因素        95
5.4 對數線性模型                                                          98
5.4.1 對數線性模型簡介                                                98
5.4.2 對數線性模型案例:不同學歷人員的收入水平數據       99
5.5 本章小結                                                             101

第6 章簡化多變量複雜關係:主成分分析與因子分析             102
6.1 主成分分析                                                           102
6.1.1 主成分分析簡介                                                 102
6.1.2 主成分分析案例:各省市特徵指標的降維                  104
6.2 因子分析                                                             106
6.2.1 因子分析簡介                                                   106
6.2.2 因子分析案例:學生知識結構狀況                                . 106
6.3 本章小結                                                             112

第7 章數據歸約技術:聚類分析                                           114
7.1 聚類分析簡介                                                         114
7.2 K 均值聚類                                                           115
7.2.1 K 均值聚類簡介                                                 115
7.2.2 K 均值聚類案例:土壤樣本聚類                            116
7.3 系統聚類                                                             119
7.3.1 系統聚類簡介                                                   119
7.3.2 系統聚類案例:土壤指標聚類                                     120
7.4 二階聚類                                                             123
7.4.1 二階聚類簡介                                                   123
7.4.2 二階聚類案例:潮間帶大型動物的群落結構                124
7.5 本章小結                                                             127

第8 章建立分組預測模式:判別分析                                       128
8.1 FISHER 判別分析                                                      . 128
8.1.1 FISHER 判別分析簡介                                            128
8.1.2 FISHER 判別分析案例:鳶尾花分類                                  128
8.2 BAYES 判別分析                                                     133
8.2.1 BAYES 判別分析簡介                                            133
8.2.2 BAYES 判別分析案例:鳶尾花分類                                  133
8.3 本章小結                                                             138

第9 章預測變量的二元分離:決策樹                                       139
9.1 決策樹簡介                                                           139
9.2 C4.5 算法                                                            139
9.2.1 構造決策樹                                                     140
9.2.2 決策樹剪枝                                                     141
9.3 SPSS MODELER 的C5.0 算法實現                                          143
9.3.1 SPSS MODELER 簡介                                               143
9.3.2 C5.0 算法分析案例:患者用藥策略                                 144
9.4 本章小結                                                             154

第10 章自適應、自學習:神經網絡                                        155
10.1 神經網絡簡介                                                        155
10.2 神經網絡模型                                                        155
10.2.1 激勵函數表達方式                                              156
10.2.2 傳播方式                                                      158
10.2.3 神經網絡模型案例:鳶尾花分類                                  159
10.3 本章小結                                                            165

第11 章時序數據的預測:時間序列分析                              166
11.1 時間序列分析簡介                                                    166
11.2 指數平滑模型                                                        167
11.2.1 指數平滑模型簡介                                              167
11.2.2 指數平滑模型案例:藥品產量                                168
11.3 自回歸綜合移動平均模型                                           176
11.3.1 自回歸綜合移動平均模型簡介                                    176
11.3.2 自回歸綜合移動平均模型實例分析案例:體檢中心收入            76
11.4 本章小結                                                            181

第12 章發現多個分類變量間的潛在關係:對應分析                           182
12.1 對應分析簡介                                                        182
12.2 簡單對應分析                                                        183
12.2.1 簡單對應分析實現                                              183
12.2.2 簡單對應分析案例:家庭結構與學歷                            187
12.3 基於均數的對應分析                                                  190
12.3.1 基於均數的對應分析簡介                                        190
12.3.2 基於均數的對應分析案例:各行業經濟增長狀況比較               191
12.4 基於最優尺度變換的多重對應分析                                      194
12.4.1 基於最優尺度變換的多重對應分析簡介                          194
12.4.2 基於最優尺度變換的多重對應分析案例:家庭結構與學歷          201
12.5 本章小結                                                            205

第13 章兩組變量的相關分析:典型相關分析                               . 206
13.1 典型相關分析簡介                                                    206
13.2 典型相關分析案例:旅遊前的旅遊信息搜索動機與旅遊行為之間的關係     207
13.2.1 使用CANONICAL 宏程序進行典型相關操作                           207
13.2.2 使用MANOVA 語法進行典型相關操作                          211
13.2.3 輸出結果                                                      215
13.3 基於最優尺度變換的非線性典型相關分析                                216
13.3.1 基於最優尺度變換的非線性典型相關分析簡介                      216
13.3.2 基於最優尺度變換的非線性典型相關分析案例:家庭結構與學歷     217
13.4 本章小結                                                            221

第14 章交互效應分析進階:簡單效應與簡單簡單效應                      222
14.1 重複測量設計的簡單效應與簡單簡單效應                                222
14.1.1 簡單效應簡介                                                  223
14.1.2 簡單簡單效應簡介                                           224
14.1.3 分析策略                                                      224
14.1.4 簡單效應案例:不同教學方法與智力的關係                       224
14.1.5 簡單簡單效應案例:不同教學方法與智力的關係                  228
14.2 被試間設計的簡單效應與簡單簡單效應                                231
14.2.1 分析策略                                                      232
14.2.2 簡單效應案例:心理學反應時研究                        232
14.2.3 簡單簡單效應案例:心理學反應時研究                   235
14.3 本章小結                                                            239

第15 章調節變量與中介變量分析方法:調節效應與中介效應                    243
15.1 調節效應                                                            243
15.1.1 調節效應簡介                                                  243
15.1.2 自變量和調節變量均為連續變量的調節效應分析                   245
15.1.3 自變量為連續變量、調節變量為分類變量的調節效應分析           249
15.1.4 自變量為分類變量、調節變量為連續變量的調節效應分析           254
15.1.5 自變量、調節變量均為分類變量的調節效應分析                   257
15.2 PROCESS 插件                                                        258
15.2.1 PROCESS 插件的安裝及應用                                      258
15.2.2 BOOTSTRAP 方法及其應用                                          260
15.2.3 使用PROCESS 插件檢驗調節效應                                   260
15.2.4 使用PROCESS 插件檢驗中介效應                                   264
15.2.5 中介效應與調節效應的混合模型                                  270
15.3 本章小結                                                            274

第16 章多項選擇題的分析處理:多重響應分析                   275
16.1 多重響應分析                                                        275
16.1.1 多重響應分析案例:註冊某軟件時選過的標籤                     276
16.1.2 多重響應變量集的頻率差異卡方檢驗案例:標籤選擇               280
16.1.3 多重響應變量集的交叉表分析案例:標籤選擇                      282
16.2 本章小結                                                            284
參考文獻                                                            285