[求助] 帮忙看看这个数据应该怎么分析？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

如果要分析培训对职业转换的影响，应该使用什么方法，怎么操作？
谢谢！

179154.rar (889 Bytes) 本附件包括：

• 职业转换与培训.sav

2007-12-4 11:45:00 上传

[求助] 帮忙看看这个数据应该怎么分析？

[此贴子已经被作者于2007-12-4 17:01:39编辑过]

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：什么方法 怎么操作 数据 帮忙

呵呵，解答有奖励啊！

实例：政府部门对培训效果的分析

政府为帮助年轻提高提高工作技能，进行了一些列有针对性的就业能力和工作技能培训项目，为检验培训工作的成效，对1000例年轻人进行了问卷调查，表10.14给出部分调查结果。表中主要包括培训前和培训后的收入情况。现要求利用GLM Univariate过程对培训后收入变量进行协方差分析。（数据文件：univariate2.sav）

表10.14  1000例工作技能培训项目调查的部分数据

年龄	性别	文化程度	婚姻状况	培训状态	培训前收入	培训后收入	待业人数
16	m	1	0	0	8.00	12.00	1
17	f	2	0	0	8.00	10.00	1
17	f	1	0	0	8.00	11.00	1
19	f	1	1	1	9.00	18.00	3
18	f	1	1	0	7.00	12.00	3
17	f	1	1	1	8.00	15.00	2
17	f	2	1	0	8.00	13.00	3
21	f	1	0	1	9.00	22.00	2
18	m	1	0	1	7.00	18.00	1
16	m	1	0	0	7.00	9.00	1
17	f	1	1	0	6.00	8.00	5
18	f	2	0	1	10.00	20.00	1

10.5.3  非饱和模型的SPSS操作

（1）打开数据文件univariate2.sav。

（2）选择菜单“Analyze”→“General Linear Model”→“Univariate”命令，在“Univariate”（单变量方差分析）对话框中，“Dependent”（因变量）窗口选择变量“培训后收入”；“Fixed Factor(s)”（固定因素）窗口选择变量“培训状态”；“Covariate”（协变量）窗口选择变量“培训前收入”。

（3）单击“Model”按钮，在“Univariate：Model”（单变量方差分析：模型）对话框选择“Custom”选项；“Build Term(s)”下拉菜单中选择“Main effects”（主效应）后，在“Factors and Covariates”（因素和协方差）窗口选择“培训状态(F)”和“培训前收入(C)”进入“Model”窗口；

“Build Term(s)”下拉菜单中选择“Interaction”（交互效应）后，在“Factors and Covariates”窗口选择“培训状态(F)”和“培训前收入(C)”进入“Model”窗口，“Model”窗口显示交互效应“培训状态*培训前收入”。单击“Continue”按钮，返回主对话框。

（4）单击“Options”，在“Univariate：Options”（单变量方差分析：选项）对话框，“Display”窗口指定输出的统计量选项，其中包括“Descriptive statistics”、“Estimates of effect size”、“Parameter estimates”、“Homogeneity tests”。单击“Continue”按钮，返回主对话框。

（5）单击“OK”按钮，执行协方差分析操作。

（6）“Paste”得到的syntax命令语句程序：

/* 协方差分析的命令语句.

UNIANOVA

  培训后收入  BY 培训状态  WITH 培训前收入

  /METHOD = SSTYPE(3)

  /INTERCEPT = INCLUDE

  /PRINT = DESCRIPTIVE ETASQ PARAMETER HOMOGENEITY

  /CRITERIA = ALPHA(.05)

  /DESIGN = 培训前收入*培训状态 培训状态 培训前收入 .

结果分析

（1）组间因素

表10.15为协方差分析的组间因素。表中列出因素的不同组例数。

表10.15  组间因素

Between-Subjects Factors

		N
培训状态	0	517
	1	483

（2）描述性统计量

表10.16显示因素的不同水平下自变量“培训后收入”的描述性统计量，包括均数、标准差和例数。可以看出，经培训后的平均收入水平为18.9379，明显高于培训前收入水平的14.4023。

表10.16  描述性统计量

Descriptive Statistics

Dependent Variable: 培训后收入

培训状态	Mean	Std. Deviation	N
0	14.4023	3.89303	517
1	18.9379	4.28162	483
Total	16.5930	4.67067	1000

（3）误差方差齐性的Levene检验

表10.17给出误差方差齐性的Levene检验结果，F统计量为4.964，概率p值为0.026<0.05，可以认为总的方差不齐。

表10.17  误差方差齐性的Levene检验

Levene's Test of Equality of Error Variances(a)

Dependent Variable: 培训后收入

F	df1	df2	Sig.
4.964	1	998	.026

Tests the null hypothesis that the error variance of the dependent variable is equal across groups.

a  Design: Intercept+培训状态 * 培训前收入+培训状态+培训前收入

（4）组间效应检验

表10.18给出组间效应检验结果。表中结果表明，组间效应的校正模型（Corrected Model）中，F统计量为429.755，概率p值为0.000<0.05，可认为培训前收入与培训后收入存在线性回归关系；而分组变量“培训状态”中，F统计量为11.199，概率p值为0.001<0.05，可以认为参加培训人员和没有参加培训人员的收入的均数不等。

交互效应项“培训状态 * 培训前收入”的检验统计量的F的值为0.450，概率p值为0.502<0.05，说明交互效果不显著，可以不予考虑；但是其partial eta squared term（偏方估计值）为0.000，远小于0.05，表明和误差项相比，存在一个可以忽略的方差值；这意味着在因素各水平之间，可以认为协变量系数的方差齐。

表10.18  组间效应检验

Tests of Between-Subjects Effects

Dependent Variable: 培训后收入

Source	Type III Sum of Squares	Df	Mean Square	F	Sig.	Partial Eta Squared
Corrected Model	12295.033(a)	3	4098.344	429.755	.000	.564
Intercept	131.271	1	131.271	13.765	.000	.014
培训状态 * 培训前收入	4.292	1	4.292	.450	.502	.000
培训状态	106.795	1	106.795	11.199	.001	.011
培训前收入	7152.586	1	7152.586	750.025	.000	.430
Error	9498.318	996	9.536
Total	297121.000	1000
Corrected Total	21793.351	999

a  R Squared = .564 (Adjusted R Squared = .563)

（5）参数估计

表10.19是个因素变量和交互效应的参数估计值。表中可以看出，公共回归系数为3.837

表10.19  参数估计

Parameter Estimates

Dependent Variable: 培训后收入

Parameter	B	Std. Error	T	Sig.	95% Confidence Interval		Partial Eta Squared
					Lower Bound	Upper Bound
Intercept	3.837	.773	4.966	.000	2.321	5.354	.024
[培训状态=0] * 培训前收入	1.596	.085	18.859	.000	1.430	1.762	.263
[培训状态=1] * 培训前收入	1.676	.084	19.873	.000	1.510	1.841	.284
[培训状态=0]	-3.640	1.088	-3.346	.001	-5.774	-1.505	.011
[培训状态=1]	0(a)	.	.	.	.	.	.
培训前收入	0(a)	.	.	.	.	.

a  This parameter is set to zero because it is redundant.

进一步分析：实例中的饱和模型

在前面的举例中已对培训对收入的影响进行了非饱和分析，分析得知，模型中的交互效应项作用不显著，这里可以进一步尝试建立饱和模型。

在上例的基础上，进一步的操作如下：

（1）返回到“Univariate”对话框，单击“Model”按钮，在“Univariate：Model”对话框中选择“Full factorial”（全因素）模型，单击“Continue”按钮，返回主对话框。

（2）单击“Options”按钮，在“Display”（显示）窗口选择“Homogeneity tests”、“Spread vs. level plot”和“Parameter estimates”选项，单击“Continue”按钮，返回主对话框。

（3）单击“OK”按钮，执行全因素模型的分析。

（4）“Paste”得到的syntax命令语句程序：

UNIANOVA

  培训后收入  BY 培训状态  WITH 培训前收入

  /METHOD = SSTYPE(3)

  /INTERCEPT = INCLUDE

  /PRINT = ETASQ PARAMETER HOMOGENEITY

  /PLOT = SPREADLEVEL

  /CRITERIA = ALPHA(.05)

  /DESIGN = 培训前收入 培训状态 .

10.5.6  饱和模型的结果解释

（1）误差方差齐性的Levene检验

表10.20是误差方差齐性的Levene检验结果，F统计量为4.873，概率p值为0.028<0.05，可以认为方差相等的假设被拒绝；然而，因为由因素水平的组合自定义了两个单元，所以这个检验结果并不十分可靠。

表10.20  误差方差齐性的Levene检验

Levene's Test of Equality of Error Variances(a)

Dependent Variable: 培训后收入

F	df1	df2	Sig.
4.873	1	998	.028

Tests the null hypothesis that the error variance of the dependent variable is equal across groups.

a  Design: Intercept+培训前收入+培训状态

（2组间效应检验

表10.21是组间效应检验结果。可以看出因素变量的F统计量的观测值为496.895，其概率p值为0.000，远小于小于0.05，所以培训前后的收入存在显著差别，可以在下面给出的参数估计表中得到具体的效应值。

表10.21  组间效应检验

Tests of Between-Subjects Effects

Dependent Variable: 培训后收入

Source	Type III Sum of Squares	Df	Mean Square	F	Sig.	Partial Eta Squared
Corrected Model	12290.741(a)	2	6145.370	644.763	.000	.564
Intercept	131.400	1	131.400	13.786	.000	.014
培训前收入	7153.844	1	7153.844	750.571	.000	.429
培训状态	4735.662	1	4735.662	496.859	.000	.333
Error	9502.610	997	9.531
Total	297121.000	1000
Corrected Total	21793.351	999

a  R Squared = .564 (Adjusted R Squared = .563)

（3）参数估计

表10.22为饱和模型的各个参数的估计值。表中显示了培训后收入的每一预测值的效应。[培训状态=0]的参数估计值为-4.357，表示给定两个培训前具有相同收入的个体，没有参与培训的个体的收入的期望值比参加培训的个体少4.357个单位。

表10.22  参数估计

Parameter Estimates

Dependent Variable: 培训后收入

Parameter	B	Std. Error	t	Sig.	95% Confidence Interval		Partial Eta Squared
					Lower Bound	Upper Bound
Intercept	4.197	.556	7.548	.000	3.106	5.288
培训前收入	1.636	.060	27.397	.000	1.519	1.753	.429
[培训状态=0]	-4.357	.195	-22.290	.000	-4.741	-3.974	.333
[培训状态=1]	0(a)	.	.	.	.	.	.

a  This parameter is set to zero because it is redundant.

（4）散布图

图10.13为因素的两水平间的散布图，散布图显示均值和标准差的关系，同样，由于分组太少，散布图没能给出更多信息。但因为两因素水平的标准差的差距约为0.4，小于因素水平均数间的差距，约为4.5，所以可以得出不同组之间具有方差齐的。

图10.13  因素不同水平下均值和标准差的散布图

不知道上面提供的例子对你是否有帮助？

大概能用列联表分析, 来检验培训与职业是否独立. 如果检验结果不独立, 则表明两者有一定的相关性.

太棒了，哈哈，我想想学会呢