spss共线性诊断_spss共线性诊断结果解释

本人用到了spss重要功能总结

作如下：

本人用到了spss重要功能总结

spss共线性诊断_spss共线性诊断结果解释

spss共线性诊断_spss共线性诊断结果解释

一、SPSS篇

（1）用spss剔除异常值

异常值：一组观测值中与平均值的偏超过两倍标准的测定值。

一、yze >> descriptive statistics >>descriptives>> 选择变量（列）到右边的框里>>点选se standardized values as variables >>选择ok

二、在data里选中select cases，之后选择if相关，点按钮设置，进入后输入-2<=变量&变量<=2,continue,之后Unselected casees are filtered 或者deleted,然后OK

（2）相关性分析

拒绝虚无设（原设），接受备择设，反之则无充分理由拒绝虚无设

对于相关分析，通常sig<0.05就是研究者想看到的结果，因为这意味着相关系数有统计 学意义，变量间的确存在相关

a.Spearson相关：计算相关系数并作显著性检验，适用于两列变量都为正态分布的连续

变量或等间距测度的变量

b.kendall tau－b等级相关 计算相关系数并作显著性检验，对数据分布没有严格要求，

适用于检验等级变量之间的关联程度（秩相关）

c.spearman 等级相关 计算相关系数并做显著性检验，对数据分布没有严格要求，适用

于等级变量或者等级变量不满足正态分布的情况。

P1． 应用范围：earson 相关分析，

当资料不服从双变量正态分布或总体分布型未知，或原始数据是用等级表示时，宜用

Spearman 或Kendall相关

一般情况下我们都某人数据服从正态分布，采用pearson相关系数

偏相关：偏相关分析要考虑除却分析的变量之外是否有其它变量影响到这两个变量。（譬如，分析身高和短跑成绩的相关性，因为肺活量也影响到了身高和短跑成绩，所以需要剔除这个变量的影响）

距离相关分析：计算个案之间距离相似性和相异性

（1）回归分析

线性回归、非线性回归、分类回归。线性回归的定义：是基于最小二乘法原理产生的古典统计设下的线性无偏估计。是研究一个或多个自变量与一个因变量之间是否存在某种线性关系的统计学方法。

在统计量选项卡中一般勾选估计、模型拟合度、共线性诊断和DW检验统计量。

分析结果解释：首先看模型汇总表的R方，这个值位于0和1之间，表示你的方程能解释你的模型的百分之多少，越接近1越好。然后看方分析表，行的回归对应的边的P值表征这个方程是不是可信（小于0.05则可信）。然后再看系数表，这个表里的P值会告诉你每个自变量在方程里是否可信，同时表里会展示每个自变量在方程中的系数，有非标准化系数（主要看这个）和标准化系数（你的数据标准化以后算出的系数）。P-P图上的每个空心圆都要尽量穿在那个线上边，圆心越靠近那个线越好。

最小二乘法：

（1）描述统计、频数分析

描述：均值，标准，方，范围，峰度（峰度是用于衡量分布的集中程度或分布曲线的尖峭程度的指标），偏度（偏度是用于衡量分布的不对称程度或偏斜程度的指标）。

探索：因变量列表是将列表中的变量作为探索分析中的目标变量，一般为连续性变量或者是比例变量。因子列表是目标变量的分组变量，对所需分析的目标变量进行分组表示，属性一般为字符型或者是数字型。

P-P图：检验数据服从的分布情况。

Q-Q图：检验数据服从的分布情况。

交叉率：交叉表分析主要用来检验两个变量之间是否存在关系，或者说是否，其零设为两个变量之间没有关系。

比率：计算两个变量相对比的统计量特征。（作除法；直接对比）

P-P图是根据变量的累积比例与指定分布的累积比例之间的关系所绘制的图形。通过P-P图可以检验数据是否符合指定的分布。当数据符合指定分布时，P-P图中各点近似呈一条直线。

（1）参数与非参数检验

参数检验的使用条件是被检验的样本总体服从正态分布，而非参数检验使用条件自然就是总体不服从或不确定是否服从正态分布。

参数检验parameter test，对参数平均值、方进行的统计检验，其运用范围有当总体分布已知（如总体为正态分布），根据样本数据对总体分布的统计参数进行推断。此时，总体的分布形式是给定的或是定的，只是其中一些参数的取值或范围未知，分析的主要目的是估计参数的取值，或对其进行某种统计检验。这类问题往往用参数检验来进行统计推断。它不仅仅能够对总体的特征参数进行推断，还能够实现两个或多个总体的参数进行比较。

参数检验：

游程检验：

它通常用于检测两个不同的观测值出现的次序是否具有随机性。我们选择分析——非参数检验——旧对话框——游程，在主面板的检验变量列表里选入我们的0,1变量列。选项卡里边选择描述性，其他默认。割点可以全选。输出结果看p值就可以了。

单样本K-S检验：

我们选择分析——非参数检验——旧对话框——1样本K-S，在主对话框的检验变量列表里边选入我们想检验分布的变量（比如一群病号的血细胞数），选项卡里勾选描述性和四分位数，其他默认。在检验分布的下边有四个供勾选的框框，这个要注意一下，常规指的就是正态分布，相等则是指均匀分布，勾选你想检验的分布（一般是正态分布）。确定以后就可以看结果了。

多个非参数检验：

K-W检验：用来判断各样本分别代表的总体是否一致。

两相关样本非参数检验:

wilcoxon检验:用来检验两个变量的分布是否有异。

多个相关样本非参数检验：

Friedman检验：用于检验多个相关样本是否来自同一整体，是wilcoxon的扩展。

Kendallw检验：检验样本一致性的好坏。

（1）SPSS做预测

当我们在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！

要知道数据的起点和时间间隔。

PASW Statistics提供了三大类预测方法：1-专家建模器，2-指数平滑法，3-ARIMA

指数平滑法

指数平滑法有助于预测存在趋势和/或季节的序列，此处数据同时体现上述两种特征。创建最适当的指数平滑模型包括确定模型类型（此模型是否需要包含趋势和/或季节），然后获取最适合选定模型的参数。

为了帮我们找到适当的模型，先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点：

（解释清楚回归分析和相关性分析中的参数检验）

（6）spss做分类

SPSS数据分析心得小结

② 按研究方法分：

SPSS数据分析心得小结_数据分析心得分享

学习数据分析之spss分析工具，可真的不是一般的功夫，真的要很认真和很细心才能做得好spss。下面我来和大家分享一下关于SPSS数据分析心得小结，希望大家从这数据分析心得分享中能得到一些启示和指导。

以上是小编为大家一般以容忍度、方膨胀因子（VIF，容忍度的倒数）作为共线性诊断指标。一般来说，容忍度的值介于0和1之间，如值太小，说明这个自变量与其它自变量间存在共线性问题；VIF值越大，则共线性问题越明显，一般以小于10为判断依据(Neter et al.，1985）。DW值用来检验回归分析中的残项是否存在自相关现象，DW值的取值介于0和4之间：残一阶正相关时，DW≈0；残一阶负相关时，DW≈4；残时，DW≈2。分析结果（如表5.3与表5.4）显示，各变量的VIF都远小于10，DW值也符合要求，说明各个自变量之间不存在共线性问题。分享的关于

如何使用spss软件做数据分析

① Logistic回归中的常数项（b0）表示，在不接触任何潜在危险／保护因素条件下，效应指标发生与不发生的概率之比的对数值。

该方案是SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支这个就比较重要了。这个检验的目的在于观测样本的分布。只要我们想做相关和回归，那我们就用K-S检验来检查一下样本的分布。毕竟pearson相关系数有效的一个重要条件就是样本服从正态分布。持任务的软件产品及相关服务的总称。

使用spss软件做数据分析，步骤如下：

1、做散点图观察；

2、构建模型；

4、进行t检验和F检验；

5、做异方检验；

6、序列相关检验；

7、多重共线性检验。

如有n个自变量，没有因变量，如何用spss做共线性检验？

非条件Logistic回归

你好！

实际上很多统计新手对共线性有一个误解，多重共线性是对回归模型进行诊断的时候使用的，而不是在回归分析之前。所以，应该先进行回归分析，如果回归模型ok，那就没有必要进行共线性检验，如果模型不可以，那就只能是再进行共线性检验。

如果你执意要指标：相关性系数和p值。sig即p值，代表设检验中的显著性，通常如果sig<0.05，进行共线性检验，一个不太完美的方法是做一个相关矩阵，相关性显著并且其相关数值接近1，那就是共线性了。

希望对你有所帮助，望采纳。

简述一下Logistic回归分析指标重要程度的主要过程

比较常见的单样本非参数检验包括游程检验和单样本K-S检验。

① 适用于流行病学资料的危险因素分析

② 实验室中物的剂量-反应关系

④ 疾病的预后因素分析

2． Logistic回归的分类：

① 按因变量的资料类型分：

多分类

其中二分较为常用

条 件Logistic回归

两者针对的资料类型不一样，后者针对成组研究，前者针对配对或配伍研究。

3．Logistic回归的应用条件是：

① 性。各观测对象间是相互的；

② LogitP与自变量是线性关系；

④ 当队列资料进行logistic回归分析时，观察时间应该相同，否则需考虑观察时间的影响（建议用Poisson回归）。

4． 拟和logistic回归方程的步骤：

① 对每一个变量进行量化，并进行单因素分析；

③ 对性质相近的一些自变量进行部分多因素分析，并探讨各自变量（等级变量，数值变量）纳入模型时的适宜尺度，及对自变量进行必要的变量变换；

④ 在单变量分析和相关自变量分析的基础上，对P≤α（常取0.2，0.15或0.3）的变量，以及专业上认为重要的变量进行多因素的逐步筛选；模型程序每拟合一个模型将给出多个指标值，供用户判断模型优劣和筛选变量。可以采用双向筛选技术：a进入变量的筛选用score统计量或G统计量或LRS(似然比统计量)，用户确定P值临界值如：0.05、0.1或0.2，选择统计量显著且的变量进入模型；b剔除变量的选择用Z统计量(Wald统计量)，用户确定其P值显著性水平，当变量不显者，从模型中予以剔除。这样，选入和剔除反复循环，直至无变量选入，也无变量删除为止，选入或剔除的显著界值的确定要依具体的问题和变量的多寡而定，一般地，当纳入模型的变量偏多，可提高选入界值或降低剔除标准，反之，则降低选入界值、提高删除标准。但筛选标准的不同会影响分析结果，这在与他人结果比较时应当注意。

⑤ 在多因素筛选模型的基础上，考虑有无必要纳入变量的交互作用项；两变量间的交互作用为一级交互作用，可推广到二级或多级交互作用，但在实际应用中，各变量相互(也是模型本身的要求)，不必研究交互作用，最多是研究少量的一级交互作用。

⑥ 对专业上认为重要但未选入回归方程的要查明原因。

5． 回归方程拟合优劣的判断（为线性回归③ 样本量。经验值是病例对照各50例以上或为自变量的5-10倍（以10倍为宜），不过随着统计技术和软件的发展，样本量较小或不能进行似然估计的情况下可采用logistic回归分析，此时要求分析变量不能太多，且变量分类不能太多；方程判断依据，可用于logistic回归分析）

① 决定系数(R2)和校正决定系数( )，可以用来评价回归方程的优劣。R2随着自变量个数的增加而增加，所以需要校正；校正决定系数( )越大，方程越优。但亦有研究指出R2是多元线性回归中经常用到的一个指标，表示的是因变量的变动中由模型中自变量所解释的百分比，并不涉及预测值与观测值之间别的问题，因此在logistic回归中不适合。

② Cp选择法：选择Cp最接近p或p＋1的方程（不同学者解释不同）。Cp无法用SPSS直接计算，可能需要手工。1964年CL Mallows提出：

Cp接近（p+1）的模型为，其中p为方程中自变量的个数，m为自变量总个数。

在logistic回归中，评价模型拟合优度的指标主要有Pearson χ2、偏(deviance)、Hoer- Lemeshow (HL)指标、Akaike信息准则(AIC)、SC指标等。Pearson χ2、偏(deviance)主要用于自变量不多且为分类变量的情况，当自变量增多且含有连续型变量时，用HL指标则更为恰当。Pearson χ2、偏(deviance)、Hoer- Lemeshow (HL)指标值均服从χ2分布，χ2检验无统计学意义(P>0.05)表示模型拟合的较好，χ2检验有统计学意义(P≤0.05)则表示模型拟合的较。AIC和SC指标还可用于比较模型的优劣，当拟合多个模型时，可以将不同模型按其AIC和SC指标值排序，AIC和SC值较小者一般认为拟合得更好。

6． 拟合方程的注意事项：

① 进行方程拟合对自变量筛选采用逐步选择法[前进法（forward）、后退法（backward）、逐步回归法（stepwise）]时，引入变量的检验水准要小于或等于剔除变量的检验水准；

② 小样本检验水准α定为0.10或0.15，大样本把α定为0.05。值越明自变量选取的标准越严；

③ 在逐步回归的时可根据需要放宽或限制进入方程的标准，或硬性将最感兴趣的研究变量选入方程；

④ 强影响点记录的选择：从理论上讲，每一个样本点对回归模型的影响应该是同等的，实际并非如此。有些样本点（记录）对回归模型影响很大。对由过失或错误造成的点应删去，没有错误的强影响点可能和自变量与应变量的相关有关，不可轻易删除。

⑤ 多重共线性的诊断（SPSS中的指标）：a容许度：越近似于0，共线性越强；b特征根：越近似于0，共线性越强；c条件指数：越大，共线性越强；

⑥ 异常点的检查：主要包括特异点(outher)、高杠杆点(high lrage points)以及强影响点(influential points)。特异点是指残较其他各点大得多的点；高杠杆点是指距离其他样品较远的点；强影响点是指对模型有较大影响的点，模型中包含该点与不包含该点会使求得的回归系数相很大。单独的特异点或高杠杆点不一定会影响回归系数的估计，但如果既是特异点又是高杠杆点则很可能是一个影响回归方程的“有害”点。对特异点、高杠杆点、强影响点诊断的指标有Pearson残、Deviance残、杠杆度统计量H（hat matrix diagnosis）、Cook 距离、DFBETA、Score检验统计量等。这五个指标中，Pearson残、Deviance残可用来检查特异点，如果某观测值的残值>2，则可认为是一个特异点。杠杆度统计量H可用来发现高杠杆点， H值大的样品说明距离其他样品较远，可认为是一个高杠杆点。Cook 距离、DFBETA指标可用来度量特异点或高杠杆点对回归模型的影响程度。Cook距离是标准化残和杠杆度两者的合成指标，其值越大，表明所对应的观测值的影响越大。DFBETA指标值反映了某个样品被删除后logistic回归系数的变化，变化越大(即DFBETA指标值越大)，表明该观测值的影响越大。如果模型中检查出有特异点、高杠杆点或强影响点，首先应根据专业知识、数据收集的情况，分析其产生原因后酌情处理。自测量或记录错误，应剔除或校正，否则处置就必须持慎重态度，考虑是否采用新的模型，而不能只是简单地删除就算完事。因为在许多场合，异常点的出现恰好是我们探测某些事先不清楚的或许更为重要因素的线索。

7． 回归系数符号反常与主要变量选不进方程的原因：

① 存在多元共线性；

② 有重要影响的因素未包括在内；

③ 某些变量个体间的异很大；

④ 样本内突出点上数据误大；

⑤ 变量的变化范围较小；

⑥ 样本数太少。

8． 参数意义

② Logistic回归中的回归系数（bi）表示，其它所有自变量固定不变，某一因素改变一个单位时，效应指标发生与不发生的概率之比的对数变化值，即OR或RR的对数值。需要指出的是，回归系数β的大小并不反映变量对疾病发生的重要性，那么哪种因素对模型贡献即与疾病联系最强呢? (InL(t-1)-InL(t))三种方法结果基本一致。

③ 存在因素间交互作用时，Logistic回归系数的解释变得更为复杂，应特别小心。

④ 模型估计出OR，当发病率较低时，OR≈RR，因此发病率高的疾病资料不适合使用该模型。另外，Logistic模型不能利用随访研究中的时间信息，不考虑发病时间上的异，因而只适于随访期较短的资料，否则随着随访期的延长，回归系数变得不稳定，标准误增加。

9． 统计软件

能够进行logistic回归分析的软件非常多，常用的有SPSS、SAS、Stata、EGRET (Epidemiological Graphics Estimation and Testing Package)等。

如何用SPSS对多元线性回归模型的“同方”及“零条件均值”定进行检验

对于非等间距测度的连续变量，因为分布不明可以使用等级相关分析，也可以使用

但是我不知道该如何用SPSS对建立好的模型进行同方定（同分布）和零条件均值定（无偏性）进行检验，有没有大神知道方法的啊，即：

（1）先验证定后建模or先建模后③ AIC准则：1973年由日本学者赤池提出AIC计算准则，AIC越小拟合的方程越好。验证定？

（2）在SPSS中，如何验证“多元线性回归的几个基本定“

SPSS回归结果怎么做成带星号的表格？

两步聚类、K-均值、系统聚类、决策树、k-近邻

回归结果怎么做成带星号的表格？

如果是代表显著性，直接使用在线SPSSAU更方便。

结果如下：

一个多元线性回归模型需要满足几个基本定：对参数线性、随机样本、不完全共线性、正态分布等。星号代表p<0.05,两个星号代表p<0.01,从上表可得，模型公式为：创新绩效=-3.443 + 0.436个人发展 + 0.301工作特性-0.089管理 + 0.279工作回报，模型R方值为0.340，意味着个人发展,工作特性,管理,工作回报可以解释创新绩效的34.0%变化原因。对模型进行F检验时发现模型通过F检验(F=49.554，p=0.000<0.05)，也即说明个人发展,工作特性,管理,工作回报中至少一项会对创新绩效产生影响关系，另外，针对模型的多重共线性进行检验发现，模型中VIF值全部均小于5，意味着不存在着共线性问题；并且D-W值在数字2附近，因而说明模型不存在自相关性，样本数据之间并没有关联关系，模型较好。

spss共线性统计容是什么

② 数据的离散化，对于连续性变量在分析过程中常常需要进行离散变成等级资料。可采用的方法有依据经验进行离散，或是按照四分、五分位数法来确定等级，也可采用聚类方法将计量资料聚为二类或多类，变为离散变量。

spss共线性统计容是容忍度，它是衡量多重共线性的，容忍度的标准一般是0.1，小? 此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？于0.1，表明多重共线性

容，指的是在选取颜色时所设置的选取范围，容越大，选取的范围也越大，其数值是在0-255之间。SAP中指允许收货的上下限限制范围，容的目的在于一定授权下，微小的异不会干扰总体业务的执行。

spss 因子分析 能只提取一个因子吗

二分类

跟多重共线性没关系，做因子分析本身就是为了处理多重共线性的 这个有可能是你的数据质量有问题，也有可能是3、用R的二次方判断模型的拟合优度；指标选择有问题 如果上面两个都没问题，那只能说明你所有的这些指标就只能提取出一个公共因子来

spss 调节变量 的fisher'z transformation 怎么做

对于完全等级的离散变量，必须使用等级相关分析相关性

现代统计学1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。 运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 2.主成分分析 主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster ysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。 主成分分析和因子分析的区别1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方，而因子分析则把重点放在解释各变量之间的协方。 3、主成分分析中不需要有设(assumptions),因子分析则需要一些设。因子分析的设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方矩阵或者相关矩阵的特征值是的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。 和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是的。 总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster ysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。 在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方矩阵的对角元素不在是变量的方，而是和变量对应的共同度（变量方中被各因子所解释的部分）。 3.聚类分析(Cluster Analysis) 聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质别较大的归入不同的类的分析技术 。 在市场研究领域，聚类分析主要应用方面是帮助我们寻找目标消费群体，运用这项研究技术，我们可以划分出产品的细分市场，并且可以描述出各细分市场的人群特征，以便于客户可以有针对性的对目标消费群体施加影响，合理地开展工作。4.判别分析(Discriminatory Analysis) 判别分析(Discriminatory Analysis)的任务是根据已掌握的1批分类明确的样品，建立较好的判别函数，使产生错判的事例最少，进而对给定的1个新样品，判断它来自哪个总体。 根据资料的性质，分为定性资料的判别分析和定量资料的判别分析；采用不同的判别准则，又有费歇、贝叶斯、距离等判别方法。 费歇（FISHER）判别思想是投影，使问题简化为一维问题来处理。选择一个适当的投影轴,使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是：使每一类内的投影值所形成的类内离尽可能小，而不同类间的投影值所形成的类间离尽可能大。 贝叶斯（BAYES）判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。所谓先验概率,就是用概率来描述人们事先对所研究的对象的认识的程度；所谓后验概率，就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。 距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式，将各样品数据逐一代入计算，得出各样品与各母体之间的距离值，判样品属于距离值最小的那个母体。5.对应分析(Correspondence Analysis) 对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。 运用这种研究技术，我们可以获取有关消费者对产品品牌定位方面的图形，从而帮助您及时调整营销策略，以便使产品品牌在消费者中能树立起正确的形象。 这种研究技术还可以用于检验广告或市场推广活动的效果，我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。6.典型相关分析 典型相关分析是分析两组随机变量间线性密切程度的统计方法，是两变量间线性相关分析的拓广。各组随机变量中既可有定量随机变量，也可有定性随机变量(分析时须F6说明为定性变量)。本法还可以用于分析高维列联表各边际变量的线性关系。注意：1．严格地说，一个典型相关系数描述的只是一对典型变量之间的相关，而不是两个变量组之间的相关。而各对典型变量之间构成的典型相关才共同揭示了两个观测变量组之间的相关形式。2．典型相关模型的基本设和数据要求 要求两组变量之间为线性关系，即每对典型变量之间为线性关系； 每个典型变量与本组所有观测变量的关系也是线性关系。如果不是线性关系，可先线性化：如经济水平和收入水平与其他一些发展水之间并不是线性关系，可先取对数。即log经济水平，log收入水平。3．典型相关模型的基本设和数据要求 所有观测变量为定量数据。同时也可将定性数据按照一定形式设为虚拟变量后，再放入典型相关模型中进行分析。 7.尺度分析(Multi-dimension Analysis) 尺度分析(Multi-dimension Analysis) 是市场研究的一种有力手段，它可以通过低维空间（通常是二维空间）展示多个研究对象（比如品牌）之间的联系，利用平面距离来反映研究对象之间的相似程度。由于尺度分析法通常是基于研究对象之间的相似性（距离）的，只要获得了两个研究对象之间的距离矩阵，我们就可以通过相应统计软件做出他们的相似性知觉图。 在实际应用中，距离矩阵的获得主要有两种方法：一种是采用直接的相似性评价，先所有评价对象进行两两组合，然后要求被访者所有的这些组合间进行直接相似性评价，这种方法我们称之为直接评价法；另一种为间接评价法，由研究人员根据事先经验，找出影响人们评价研究对象相似性的主要属性，然后对每个研究对象，让被访者对这些属性进行逐一评价，将所有属性作为空间的坐标，通过距离变换计算对象之间的距离。 尺度分析的主要思路是利用对被访者对研究对象的分组，来反映被访者对研究对象相似性的感知，这Logistic回归：实际上属于判别分析，因拥有的判别效率而不常用。种方法具有一定直观合理性。同时该方法实施方便，调查中被访者负担较小，很容易得到理解接受。当然，该方法的不足之处是牺牲了个体距离矩阵，由于每个被访者个体的距离矩阵只包含1与0两种取值，相对较为粗糙，个体距离矩阵的分析显得比较勉强。但这一点是完全可以接受的，因为对大多数研究而言，我们并不需要知道每一个体的空间知觉图。 多元统计分析是统计学中内容十分丰富、应用范围极为广泛的一个分支。在自然科学和科学的许多学科中，研究者都有可能需要分析处理有多个变量的数据的问题。能否从表面上看起来杂乱无章的数据中发现和提炼出规律性的结论，不仅对所研究的专业领域要有很好的训练，而且要掌握必要的统计分析工具。对实际领域中的研究者和高等院校的研究生来说，要学习掌握多元统计分析的各种模型和方法，手头有一本好的、有长久价值的参考书是非常必要的。这样一本书应该满足以下条件：首先，它应该是“浅入深出”的，也就是说，既可供初学者入门，又能使有较深基础的人受益。其次，它应该是既侧重于应用，又兼顾必要的推理论证，使学习者既能学到“如何”做，而且在一定程度上了解“为什么”这样做。，它应该是内涵丰富、全面的，不仅要基本包括各种在实际中常用的多元统计分析方法，而且还要对现代统计学的思想和进展有所介绍、交代。因子分析 主成分分析通过线性组合将原变量综合成几个主成分，用较少的综合指标来代替原来较多的指标(变量)。在多变量分析中，某些变量间往往存在相关性。是什么原因使变量间有关联呢？是否存在不能直接观测到的、但影响可观测变量变化的公共因子？因子分析(Factor Analysis)就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。 例如，随着年龄的增长，儿童的身高、体重会随着变化，具有一定的相关性，身高和体重之间为何会有相关性呢？因为存在着一个同时支配或影响着身高与体重的生长因子。那么，我们能否通过对多个变量的相关系数矩阵的研究，找出同时影响或支配所有变量的共性因子呢？因子分析就是从大量的数据中“由表及里”、“去粗取精”，寻找影响或支配变量的多变量统计方法。 可以说，因子分析是主成分分析的推广，也是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。 因子分析主要用于：1、减少分析变量个数；2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。 1. 因子分析模型 因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。 因子分析模型描述如下： （1）X = (x1，x2，…，xp)￠是可观测随机向量，均值向量E(X)=0，协方阵Cov(X)=∑，且协方阵∑与相关矩阵R相等（只要将变量标准化即可实现）。（2）F = (F1，F2，…，Fm)￠ （m