SPSS進(jìn)階分析與實務(wù)

第 1 章 多個因變量的假設(shè)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(yīng)用條件 1
1.2 多變量方差分析案例：不同舞蹈學(xué)校的分?jǐn)?shù)差異分析 . 2
1.2.1 選擇變量 3
1.2.2 設(shè)置模型選項 3
1.2.3 設(shè)置事后選項 4
1.2.4 選項設(shè)置 4
1.2.5 輸出結(jié)果 5
1.3 本章小結(jié) 8
第 2 章 校正混雜因素：協(xié)方差分析 9
2.1 協(xié)方差分析簡介 9
2.2 協(xié)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(shù)（正式進(jìn)行協(xié)方差分析） . 15
2.3 本章小結(jié) 18
第 3 章 因變量為連續(xù)變量的估計與預(yù)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(shè)條件 21
3.2.2 簡單線性回歸分析案例：身高和體重的關(guān)系 . 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(shè)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(dú)立性檢驗 37
3.4.3 正態(tài)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(quán)重估計 43
3.5.1 權(quán)重估計簡介 43
3.5.2 權(quán)重估計案例：收入影響因素分析. 43
3.6 加權(quán)最小二乘法 46
3.6.1 加權(quán)最小二乘法簡介 46
3.6.2 加權(quán)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(shù)據(jù) . 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(jié) 56
第 4 章 因變量為離散變量的估計與預(yù)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(xué)業(yè)成就數(shù)據(jù) 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(shù)學(xué)成績調(diào)查數(shù)據(jù) 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(jié) 74
第 5 章 回歸模型進(jìn)階：其他回歸模型 76
5.1 最優(yōu)尺度回歸模型 76
5.1.1 最優(yōu)尺度回歸模型簡介 76
5.1.2 最優(yōu)尺度回歸分析案例：師生關(guān)系的預(yù)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(yù)測因素 . 93
5.3.3 多層線性模型（全模型）案例：語文成績預(yù)測因素 . 95
5.4 對數(shù)線性模型 98
5.4.1 對數(shù)線性模型簡介 98
5.4.2 對數(shù)線性模型案例：不同學(xué)歷人員的收入水平數(shù)據(jù) . 99
5.5 本章小結(jié) 101
第 6 章 簡化多變量復(fù)雜關(guān)系：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：各省市特征指標(biāo)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(xué)生知識結(jié)構(gòu)狀況. 106
6.3 本章小結(jié) 112
第 7 章 數(shù)據(jù)歸約技術(shù)：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(tǒng)聚類 119
7.3.1 系統(tǒng)聚類簡介 119
7.3.2 系統(tǒng)聚類案例：土壤指標(biāo)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(jié)構(gòu) . 124
7.5 本章小結(jié) 127
第 8 章 建立分組預(yù)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(jié) 138
第 9 章 預(yù)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(gòu)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(xiàn) 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(jié) 154
第 10 章 自適應(yīng)、自學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò) 155
10.1 神經(jīng)網(wǎng)絡(luò)簡介 155
10.2 神經(jīng)網(wǎng)絡(luò)模型 155
10.2.1 激勵函數(shù)表達(dá)方式 156
10.2.2 傳播方式 158
10.2.3 神經(jīng)網(wǎng)絡(luò)模型案例：鳶尾花分類 159
10.3 本章小結(jié) 165
第 11 章 時序數(shù)據(jù)的預(yù)測：時間序列分析 . 166
11.1 時間序列分析簡介 166
11.2 指數(shù)平滑模型 167
11.2.1 指數(shù)平滑模型簡介 167
11.2.2 指數(shù)平滑模型案例：藥品產(chǎn)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 . 176
11.4 本章小結(jié) 181
第 12 章 發(fā)現(xiàn)多個分類變量間的潛在關(guān)系：對應(yīng)分析 182
12.1 對應(yīng)分析簡介 182
12.2 簡單對應(yīng)分析 183
12.2.1 簡單對應(yīng)分析實現(xiàn) 183
12.2.2 簡單對應(yīng)分析案例：家庭結(jié)構(gòu)與學(xué)歷 . 187
12.3 基于均數(shù)的對應(yīng)分析 190
12.3.1 基于均數(shù)的對應(yīng)分析簡介 190
12.3.2 基于均數(shù)的對應(yīng)分析案例：各行業(yè)經(jīng)濟(jì)增長狀況比較 . 191
12.4 基于最優(yōu)尺度變換的多重對應(yīng)分析 194
12.4.1 基于最優(yōu)尺度變換的多重對應(yīng)分析簡介 . 194
12.4.2 基于最優(yōu)尺度變換的多重對應(yīng)分析案例：家庭結(jié)構(gòu)與學(xué)歷 . 201
12.5 本章小結(jié) 205
第 13 章 兩組變量的相關(guān)分析：典型相關(guān)分析 . 206
13.1 典型相關(guān)分析簡介 206
13.2 典型相關(guān)分析案例：旅游前的旅游信息搜索動機(jī)與旅游行為之間的關(guān)系 . 207
13.2.1 使用 Canonical 宏程序進(jìn)行典型相關(guān)操作 207
13.2.2 使用 MANOVA 語法進(jìn)行典型相關(guān)操作 . 211
13.2.3 輸出結(jié)果 215
13.3 基于最優(yōu)尺度變換的非線性典型相關(guān)分析 216
13.3.1 基于最優(yōu)尺度變換的非線性典型相關(guān)分析簡介 . 216
13.3.2 基于最優(yōu)尺度變換的非線性典型相關(guān)分析案例：家庭結(jié)構(gòu)與學(xué)歷 . 217
13.4 本章小結(jié) 221
第 14 章 交互效應(yīng)分析進(jìn)階：簡單效應(yīng)與簡單簡單效應(yīng) . 222
14.1 重復(fù)測量設(shè)計的簡單效應(yīng)與簡單簡單效應(yīng) 222
14.1.1 簡單效應(yīng)簡介 223
14.1.2 簡單簡單效應(yīng)簡介 224
14.1.3 分析策略 224
14.1.4 簡單效應(yīng)案例：不同教學(xué)方法與智力的關(guān)系 . 224
14.1.5 簡單簡單效應(yīng)案例：不同教學(xué)方法與智力的關(guān)系 . 228
14.2 被試間設(shè)計的簡單效應(yīng)與簡單簡單效應(yīng) 231
14.2.1 分析策略 232
14.2.2 簡單效應(yīng)案例：心理學(xué)反應(yīng)時研究 . 232
14.2.3 簡單簡單效應(yīng)案例：心理學(xué)反應(yīng)時研究 . 235
14.3 本章小結(jié) 239
第 15 章 調(diào)節(jié)變量與中介變量分析方法：調(diào)節(jié)效應(yīng)與中介效應(yīng) 243
15.1 調(diào)節(jié)效應(yīng) 243
15.1.1 調(diào)節(jié)效應(yīng)簡介 243
15.1.2 自變量和調(diào)節(jié)變量均為連續(xù)變量的調(diào)節(jié)效應(yīng)分析 . 245
15.1.3 自變量為連續(xù)變量、調(diào)節(jié)變量為分類變量的調(diào)節(jié)效應(yīng)分析 . 249
15.1.4 自變量為分類變量、調(diào)節(jié)變量為連續(xù)變量的調(diào)節(jié)效應(yīng)分析 . 254
15.1.5 自變量、調(diào)節(jié)變量均為分類變量的調(diào)節(jié)效應(yīng)分析 . 257
15.2 Process 插件 . 258
15.2.1 Process 插件的安裝及應(yīng)用 . 258
15.2.2 Bootstrap 方法及其應(yīng)用 260
15.2.3 使用 Process 插件檢驗調(diào)節(jié)效應(yīng) 260
15.2.4 使用 Process 插件檢驗中介效應(yīng) 264
15.2.5 中介效應(yīng)與調(diào)節(jié)效應(yīng)的混合模型 270
15.3 本章小結(jié) 274
第 16 章 多項選擇題的分析處理：多重響應(yīng)分析 275
16.1 多重響應(yīng)分析 275
16.1.1 多重響應(yīng)分析案例：注冊某軟件時選過的標(biāo)簽 . 276
16.1.2 多重響應(yīng)變量集的頻率差異卡方檢驗案例：標(biāo)簽選擇 . 280
16.1.3 多重響應(yīng)變量集的交叉表分析案例：標(biāo)簽選擇 . 282
16.2 本章小結(jié) 284
參考文獻(xiàn) . 285