分析工具SPSS怎么用

分析工具SPSS怎么用，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

身處互聯網時代，用戶需求差異化越來越大，要想解決用戶痛點，就必須根據用戶行為數據，制定行之有效的運營策略。然而在龐大的用戶數據中，我們怎樣才能高效的獲取我們需要的數據呢？獲取后又該怎樣處理、分析呢？這就需要借助一些數據分析工具，比如Excel、SPSS、Python等等。其中SPSS具有五大特點：操作簡便、功能強大、數據兼容、擴展便利、模塊組合。

正因為它具備這五大特點，讓大部分都是文科出生的運營喵們都愛不釋手。在實際應用過程中，SPSS可以在零售領域用來刻畫用戶畫像，在互聯網領域通過用戶瀏覽、消費行為進行聚類，研究總結用戶特征等。

其實，SPSS就是一個傻瓜似的操作軟件，你只需熟悉基本界面和常用功能，然后將你需要處理分析的數據導入進去，根據分析目的選擇相應的分析功能，軟件就會自動得到分析結果。

從上述可知，在數據分析的整個過程中有三點尤為重要：1）數據準備；2）選擇合適的分析功能；3）對SPSS處理后的結果進行解讀分析、驗證。

對于數據準備，其實這并不在我們操心的范疇，因為一般都會有專門的數據分析同事給你提供數據，前提是你要明確你需要那些數據，比如一個電商要從目前的用戶中找到高價值用戶，那么可能需要用戶的ID、交易日期、交易金額等數據。如果沒有人為你準備數據，也不要擔心，因為你可以通過python爬蟲獲得需要的數據，千萬不要被爬蟲嚇到哦，因為只要動動手指就可以在網上找到各種爬蟲開源代碼，我們只要理解，應用就可以啦。

在數據準備好了以后，就需要根據分析目的選擇合適的分析功能了。SPSS的功能非常強大，比如描述性統計、均值比較、一般線性模型、相關分析、回歸分析、對數線性模型、聚類分析、數據簡化、生存分析、時間序列分析、多重響應等幾大類，每個大類中又分為很多小類。繼續以上面舉例中得到的數據為例，那么可以選擇RFM分析來處理、分析上面得到的數據，最終可以得到下圖所示結果，每個用戶都貼了一個標簽。

從下圖可以看到，分析結果表相比較原始數據表多了幾列新的數據，這些數據都是在分析過程產生的。

最后就是對SPSS處理后的結果進行解讀分析、驗證，該過程會遇到很多不清楚的變量名、圖表，但是不要害怕，只要你明確了上面的分析功能之后，就可以憑借百度、谷歌得到相應的解釋，你只需進行簡單的判斷就可以，比如x>0.5則代表模型擬合效果好，則可以采納該分析結果；x<0.5則代表模型擬合效果不好，則不能采納該分析結果。

沒錯，SPSS就是這樣一個傻瓜式數據分析工具（這里忽略統計學理論），只要我們花點心思都可以掌握，從而利用它來探尋數據背后的意義，為我們的運營工作提供指導性意見。

干貨分享：區分T檢驗與F檢驗

1. T 檢驗和 F 檢驗的由來

一般而言，為了確定從樣本 (sample) 統計結果推論至總體時所犯錯的概率，我們會利用統計學家所開發的一些統計方法，進行統計檢定。

通過把所得到的統計檢定值，與統計學家建立了一些隨機變量的概率分布 (probability distribution) 進行比較，我們可以知道在多少 % 的機會下會得到目前的結果。倘若經比較后發現，出現這結果的機率很少，亦即是說，是在機會很 少、很罕有的情況下才出現；那我們便可以有信心的說，這不是巧合，是具有統計學上的意義的 (用統計學的話講，就是能夠拒絕虛無假設 null hypothesis,Ho)。相反，若比較后發現，出現的機率很高，并不罕見；那我們便不能很有信心的直指這不是巧合，也許是巧合，也許不是，但我們沒 能確定。

F 值和 t 值就是這些統計檢定值，與它們相對應的概率分布，就是 F 分布和 t 分布。統計顯著性（sig）就是出現目前樣本這結果的機率。

2.統計學意義（P 值或 sig 值）

結果的統計學意義，是結果真實程度（能夠代表總體）的一種估計方法。專業上，p 值為結果可信程度的一個遞減指標，p 值越大，我們越不能認為樣本中變量的關聯是 總體中各變量關聯的可靠指標。p 值是將觀察結果認為有效即具有總體代表性的犯錯概率。如 p=0.05 提示樣本中變量關聯有 5% 的可能是由于偶然性造成的。 即假設總體中任意變量間均無關聯，我們重復類似實驗，會發現約 20 個實驗中有一個實驗，我們所研究的變量關聯將等于或強于我們的實驗結果。（這并不是說如 果變量間存在關聯，我們可得到 5% 或 95% 次數的相同結果，當總體中的變量存在關聯，重復研究和發現關聯的可能性與設計的統計學效力有關。）在許多研究領 域，0.05 的 p 值通常被認為是可接受錯誤的邊界水平。

3. T 檢驗和 F 檢驗

至於具體要檢定的內容，須看你是在做哪一個統計程序。舉一個例子，比如，你要檢驗兩獨立樣本均數差異是否能推論至總體，而行的 t 檢驗。

兩樣本 (如某班男生和女生) 某變量 (如身高) 的均數并不相同，但這差別是否能推論至總體，代表總體的情況也是存在著差異呢？ 會不會總體中男女生根本沒有差別，只不過是你那麼巧抽到這 2 樣本的數值不同？

為此，我們進行 t 檢定，算出一個 t 檢定值。與統計學家建立的以「總體中沒差別」作基礎的隨機變量 t 分布進行比較，看看在多少% 的機會 (亦即顯著性 sig 值) 下會得到目前的結果。

若顯著性 sig 值很少，比如 <0.05 (少於5% 機率)，亦即是說，「如果」總體「真的」沒有差別，那麼就只有在機會很少(5%)、很罕有的情況下， 才會出現目前這樣本的情況。雖然還是有5% 機會出錯(1-0.05=5%)，但我們還是可以「比較有信心」的說：目前樣本中這情況(男女生出現差異的情 況)不是巧合，是具統計學意義的，「總體中男女生不存差異」的虛無假設應予拒絕，簡言之，總體應該存在著差異。

每一種統計方法的檢定的內容都不相同，同樣是t-檢定，可能是上述的檢定總體中是否存在差異，也同能是檢定總體中的單一值是否等於0或者等於某一個數值。

至於F-檢定，方差分析(或譯變異數分析，Analysis of Variance)，它的原理大致也是上面說的，但它是透過檢視變量的方差而進行的。它主要用于：均數差別的顯著性檢驗、分離各有關因素并估計其對總變異 的作用、分析因素間的交互作用、方差齊性(Equality of Variances)檢驗等情況。

4. T 檢驗和 F 檢驗的關系

t 檢驗過程，是對兩樣本均數(mean)差別的顯著性進行檢驗。惟 t 檢驗須知道兩個總體的方差(Variances)是否相等；t 檢驗值的計算會因方差是否相等而有所不同。也就是說，t 檢驗須視乎方差齊性(Equality of Variances)結果。所以，SPSS在進行t-test for Equality of Means的同時，也要做Levene”s Test for Equality of Variances 。

1.在Levene”s Test for Equality of Variances一欄中 F值為2.36, Sig. 為.128，表示方差齊性檢驗「沒有顯著差異」，即兩方差齊(Equal Variances)，故下面 t 檢驗的結果表中要看第一排的數據，亦即方差齊的情況下的t檢驗的結果。

2. 在t-test for Equality of Means中，第一排(Variances=Equal)的情況：t=8.892, df=84, 2-Tail Sig=.000, Mean Difference=22.99 既然Sig=.000，亦即，兩樣本均數差別有顯著性意義！

3.到底看哪個Levene”s Test for Equality of Variances一欄中sig, 還是看t-test for Equality of Means中那個Sig. (2-tailed)啊?

答案是：兩個都要看。

先看Levene”s Test for Equality of Variances，如果方差齊性檢驗「沒有顯著差異」，即兩方差齊(Equal Variances)，故接著的t檢驗的結果表中要看第一排的數據，亦即方差齊的情況下的t檢驗的結果。

反之，如果方差齊性檢驗「有顯著差異」，即兩方差不齊(Unequal Variances)，故接著的t檢驗的結果表中要看第二排的數據，亦即方差不齊的情況下的t檢驗的結果。

你做的是T檢驗，為什么會有F值呢?

就是因為要評估兩個總體的方差(Variances)是否相等，要做Levene”s Test for Equality of Variances，要檢驗方差，故所以就有F值。

另一種解釋：

t檢驗有單樣本t檢驗，配對t檢驗和兩樣本t檢驗。

單樣本t檢驗：是用樣本均數代表的未知總體均數和已知總體均數進行比較，來觀察此組樣本與總體的差異性。

配對t檢驗：是采用配對設計方法觀察以下幾種情形，1，兩個同質受試對象分別接受兩種不同的處理；2, 同一受試對象接受兩種不同的處理；3，同一受試對象處理前后。

F檢驗又叫方差齊性檢驗。在兩樣本t檢驗中要用到F檢驗。

從兩研究總體中隨機抽取樣本，要對這兩個樣本進行比較的時候，首先要判斷兩總體方差是否相同，即方差齊性。若兩總體方差相等，則直接用t檢驗，若不等，可采用t”檢驗或變量變換或秩和檢驗等方法。

其中要判斷兩總體方差是否相等，就可以用F檢驗。若是單組設計，必須給出一個標準值或總體均值，同時，提供一組定量的觀測結果，應用t檢驗的前提條件就是該組資料必須服從正態分布；若是配對設計，每對數據 的差值必須服從正態分布；

若是成組設計，個體之間相互獨立，兩組資料均取自正態分布的總體，并滿足方差齊性。之所以需要這些前提條件，是因為必須在這樣的 前提下所計算出的t統計量才服從t分布，而t檢驗正是以t分布作為其理論依據的檢驗方法。

簡單來說就是實用T檢驗是有條件的，其中之一就是要符合方差齊次性，這點需要F檢驗來驗證

統計學意義（p值）

結果的統計學意義是結果真實程度（能夠代表總體）的一種估計方法。專業上，p值為結果可信程度的一個遞減指標，p值越大，我們越不能認為樣本中變量的關聯是 總體中各變量關聯的可靠指標。p值是將觀察結果認為有效即具有總體代表性的犯錯概率。如p=0.05提示樣本中變量關聯有5% 的可能是由于偶然性造成的。 即假設總體中任意變量間均無關聯，我們重復類似實驗，會發現約20個實驗中有一個實驗，我們所研究的變量關聯將等于或強于我們的實驗結果。（這并不是說如 果變量間存在關聯，我們可得到5% 或95% 次數的相同結果，當總體中的變量存在關聯，重復研究和發現關聯的可能性與設計的統計學效力有關。）在許多研究領 域，0.05的p值通常被認為是可接受錯誤的邊界水平。

如何判定結果具有真實的顯著性

在最后結論中判斷什么 樣的顯著性水平具有統計學意義，不可避免地帶有武斷性。換句話說，認為結果無效而被拒絕接受的水平的選擇具有武斷性。實踐中，最后的決定通常依賴于數據集 比較和分析過程中結果是先驗性還是僅僅為均數之間的兩兩>比較，依賴于總體數據集里結論一致的支持性證據的數量，依賴于以往該研究領域的慣例。通 常，許多的科學領域中產生p值的結果≤0.05被認為是統計學意義的邊界線，但是這顯著性水平還包含了相當高的犯錯可能性。結果 0.05≥p>0.01 被認為是具有統計學意義，而 0.01≥p≥0.001 被認為具有高度統計學意義。但要注意這種分類僅僅是研究基礎上非正規的 判斷常規。

所有的檢驗統計都是正態分布的嗎?

并不完全如此，但大多數檢驗都直接或間接與之有關，可 以從正態分布中推導出來，如 t檢驗、f 檢驗或卡方檢驗。這些檢驗一般都要求：所分析變量在總體中呈正態分布，即滿足所謂的正態假設。許多觀察變量的確是呈 正態分布的，這也是正態分布是現實世界的基本特征的原因。當人們用在正態分布基礎上建立的檢驗分析非正態分布變量的數據時問題就產生了，（參閱非參數和方 差分析的正態性檢驗）。

這種條件下有兩種方法：一是用替代的非參數檢驗（即無分布性檢驗），但這種方法不方便，因為從它所提供的結論形式看，這種方法統計 效率低下、不靈活。另一種方法是：當確定樣本量足夠大的情況下，通常還是可以使用基于正態分布前提下的檢驗。后一種方法是基于一個相當重要的原則產生的， 該原則對正態方程基礎上的總體檢驗有極其重要的作用。即，隨著樣本量的增加，樣本分布形狀趨于正態，即使所研究的變量分布并不呈正態。

看完上述內容，你們掌握分析工具SPSS怎么用的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！