RMSE是一种广泛用于评估回归模型性能的指标，其全称为“均方根误差”（Root Mean Squared Error）。在SPSS中，计算RMSE需要进行以下几个步骤。

首先，需要建立一个回归模型。在SPSS中，可以使用线性回归或多元回归分析来建立回归模型。建立模型后，需要将数据拟合到该模型中，并计算出预测值和实际值之间的误差。

其次，需要从误差中计算出均方根误差。均方根误差是平均误差的平方根，通常用来表示预测值与实际值之间的差异。在SPSS中，可以通过以下公式来计算均方根误差：

RMSE = sqrt(MSE)

其中，MSE表示“均方误差”（Mean Squared Error），其计算公式为：

MSE = Σ(y - y')^2 / n

其中，y表示实际值，y'表示预测值，n表示样本数量。这个公式先计算了每个样本的误差平方，然后对它们求和，并除以样本数量，得到了均方误差。

最后，将均方误差开根号即可得到均方根误差。在SPSS中，可以使用“Transform”菜单下的“Compute Variable”选项来计算均方根误差。首先，需要选择一个新变量名，然后在“Numeric Expression”框中输入公式：

SQRT(mean((y - y')**2))

其中，“**”表示乘方运算，mean()函数表示求平均值，sqrt()函数表示开根号。计算完成后，可以在输出窗口中找到RMSE结果。

总体而言，使用SPSS计算RMSE是相对简单的。需要做的就是建立回归模型、拟合数据、计算误差、然后使用公式计算均方根误差即可。需要注意的是，RMSE只是评估回归模型性能的一种指标，它并不能代表全部信息。因此，在实际应用中，还需要综合考虑其他指标，如R2、MAE等，以全面评估模型的准确性和稳定性。