
SPSS科普 | 统计描述
统计描述的目的就是了解数据的基本特征和分布规律,为进一步合理地选择统计方法提供依据。常用的有Frequencies、Descriptives
和Explore过程。
一、Frequencies过程
该过程用于产生数据的频数表,输出描述集中位置、离散趋势及分布形状等的指标,并能给出百分位数、绘制频数图等。
操作步骤:依次点击分析---描述统计---频率(图1),激活Frequencies对话框(图2)。将需要进行统计描述的变量从左侧变量框选至右侧变量框(以身高为例),点击“统计量”按钮,弹出图3对话框,根据需要勾选,通常选择“均值、标准差、最小值、最大值、偏度、峰度”,点击“继续”回到Frequencies对话框,点击“图表”,弹出图4对话框,选择“直方图”,并勾选“在直方图上显示正态曲线”,点击“继续”回到Frequencies对话框,点击“确定”按钮,即输出统计结果图5、6、7。
图1 激活Frequencies对话框
图2 Frequencies对话框
图3 统计量对话框
图4 图表对话框
结果解释:图5给出了样本量、均数、标准差、最大值、最小值和峰度等;图6为频数表,图7为相应的直方图,由于结果简单,易于理解,不再赘述。
图5 统计量
图6 频数表
图7 直方图
二、Descriptives过程
该过程对数值变量进行一般性的描述。其对话框与Frequencies类似。
操作步骤:依次点击分析---描述统计---描述(图8),激活Descriptives对话框(图9)。将需要进行统计描述的变量从左侧变量框选至右侧变量框(以年龄为例)。点击“选项”按钮,弹出图10对话框,根据需要勾选,通常选择“均值、标准差、最小值、最大值”,点击“继续”回到Descriptives对话框,点击“确定”按钮,即输出统计结果图11。因结果简单,不再解释。
图8 激活Descriptives对话框
图9 Descriptives对话框
图10选项对话框
图11 Descriptives结果
三、Explore过程
该过程使用描述性统计量和图形对变量进行探索性分析,还可以按照某个变量分组后描述其他变量的属性,可以快速获取资料的基本信息,为下一步选择统计分析方法提供依据。
操作步骤:依次点击“分析---描述统计---探索”激活Explore对话框(图12)。将需要描述的变量选至右侧因变量列表(以SAS得分为例),将分组变量选至因子列表(以性别分组),将编号选至标注个案。点击“统计量”按钮,弹出图13对话框,勾选“描述性、界外值、百分位数”,点击“继续”回到Explore对话框,点击“绘制”,弹出图14对话框,选择“按因子水平分组”、“直方图”、“带检验的正态图”,点击“继续”回到Explore对话框,点击“确定”按钮,即输出统计结果图11。
结果解释:SPSS首先给出按照性别分组情况(男、女各自样本量及所占比例)、描述性统计量、百分位数以及5个最大和最小值,因结果简单易懂,故不再截图展示;还显示正态检验的结果图15,红圈所示P>0.05说明服从正态分布,如果P<0.05,说明不服从正态分布;另外还有直方图、正态Q-Q图均显示正态分布情况,篇幅限制,不再截图。
图12 Explore对话框
图13统计量对话框
图14绘图对话框
图15 正态性检验结果
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04