京公网安备 11010802034615号
经营许可证编号:京B2-20210330
1、变量的类型:
注:想要变类型的话,直接用左键点变量,然后点右键(选择你想要的类型点左键)
2、output的数据形式设置,菜单操作见:(format是数据形式,Decimal是小数点的位数)
nnnn。简单数值。
nnnn%。在值末尾加上百分比符号。
自动。已定义变量显示格式,包括小数位数。
N=nnnn。在值前面显示 N=。在未显示摘要统计的表中,此格式可用于计数、有效 N 和总计 N。
(nnnn)。所有值都用括号括起。
(nnnn)(负值)。只有负值用括号括起。
(nnnn%)。所有值都用括号括起,并在值末尾加上一个百分比符号。
n,nnn.n。逗号格式。无论区域设置如何,均使用逗号作为分组分隔符,使用句点作为小数指示符。
n.nnn,n。点格式。无论区域设置如何,均使用句点作为分组分隔符,使用逗号作为小数指示符。
$n,nnn.n。美元格式。在值前面显示美元符号;无论区域设置如何,均使用逗号作为分组分隔符,使用句点作为小数指示符。
CCA、CCB、CCC、CCD、CCE。定制货币格式。在列表中显示每个定制货币的当前定义格式。在“选项”对话框(“编辑”菜单,“选项”)的“货币”选项卡中定义这些格式
3、常用的检验:
独立性检验 (卡方验证)。此选项为表生成独立性卡方检验,该表的行和列中至少同时有一个分类变量。还可以指定检验的 alpha 水平,alpha 水平应该是一个大于 0 且小于 1 的值。
比较列的平均值 (t-检验)。此选项为表生成列均值相等性成对检验,该表的列中至少有一个分类变量且行中至少有一个刻度变量。可以使用 Bonferroni 方法选择是否调整检验的 p 值。此外,还可以指定检验的 alpha 水平,alpha 水平应该是一个大于 0 且小于 1 的值。最后,虽然均值检验的方差始终只基于多重响应检验的比较类别;但对于序数分类变量,可只根据比较的类别或所有类别估计该变量。
比较列的比例 (z-检验)。此选项为表生成列比例相等性成对检验,该表的行和列中至少同时有一个类别变量。可以使用 Bonferroni 方法选择是否调整检验的 p 值。还可以指定检验的 alpha 水平,alpha 水平应该是一个大于 0 且小于 1 的值。
4、常用的统计量:
均值。算术平均值;总和除以个案数。
中位数。一个值,大于该值和小于该值的个案数各占一半,第 50 个百分位。
众数。出现频率最高的值。如果存在出现频率相等的值,则显示最小值。
最小值。最小(最低)值。
最大值。最大(最高)值。
缺失。缺失值(用户和系统缺失值)计数。
百分位数。可以包含第 5 个、第 25 个、第 75 个、第 95 个和/或第 99 个百分位。
范围。最大值和最小值之差。
均值的标准误。取自同一分布的样本与样本之间的均值之差的测量。它可以用来粗略地将观察到的均值与假设值进行比较(即,如果差与标准误的比值小于 –2 或大于 +2,则可以断定两个值不同)。
标准差。对围绕均值的离差的测量。在正态分布中,68% 的个案在均值的一个标准差范围内,95% 的个案在均值的两个标准差范围内。例如,在正态分布(方差的平方根)中,如果平均年龄为 45,标准差为 10,则 95% 的个案将处于 25 到 65 之间。
和。值的总和。
合计百分比。基于总和的百分比。适用于行和列(在子表中)、所有行和列(跨子表)、层、子表和整个表。
总计 N。无缺失值、用户缺失值和系统缺失值的计数。不包含手动排除的类别(用户缺失类别除外)中的个案。
有效 N。无缺失值的计数。不包含手动排除的类别(用户缺失类别除外)中的个案。
方差。对围绕均值的离差的测量,值等于与均值的差的平方和除以个案数减一。度量方差的单位是变量本身的单位的平方(标准差的平方)。
有效 N 百分比。即使在表中包含用户缺失类别,也会从简单百分比基数中移去具有用户缺失值的个案。
计数。每个表单元格中的个案数或多重响应集的响应数。
未加权的计数。每个表单元格中的未加权的个案数。仅在加权有效时,此统计量才与计数有区别。
列百分比。每一列中的百分比。子表的每一列中的百分比(简单百分比)的总和为 100%。通常仅在具有分类行 变量时,列百分比才有用。
行百分比。每一行中的百分比。子表的每一行中的百分比(简单百分比)的总和为 100%。通常仅在具有分类列 变量时,行百分比才有用。
分层行和分层列百分比。嵌套表中所有子表的行或列百分比(简单百分比)的总和为 100%。如果表包含层,则每个层中所有嵌套子表的行或列百分比的总和为 100%。
层百分比。每个层中的百分比。对于简单百分比,当前可见层中的单元格百分比的总和为 100%。如果没有任何层变量,则此百分比等于表百分比。
表百分比。每个单元格中的百分比基于整个表。所有单元格百分比都基于相同的个案总数且总和为 100%(简单百分比)。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26在CDA(Certified Data Analyst)数据分析师的能力体系中,线性回归是连接描述性统计与预测性分析的关键桥梁,也是CDA二级认证的 ...
2026-03-26在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24