发帖
雷达卡
（1）正态性检验：大样本用K-S检验，小样本用Shapiro-Wilk检验。具体方法有两种，一种是使用Descriptive Statistics->Explore，一种是使用Non-parametic Test->1 Sample K-S Test
（2）标准化处理（去量纲）：即将原有的一组数据转为符合N(0,1)分布的数据，从而达到去单位的效果。具体做法是在Descriptive Statistics->Descriptive下勾选Save standardized values as variables，即可得到相应的标准化数据。
（3）单因素方差分析：
1.前提条件
正态性检验，独立性检验，方差齐性
2.数据导入
对于固定效应模型，可以利用Compare Means/One way ANOVA实现，亦可以用GLM/univariate实现，对于随机效应模型，可以用GLM/univariate实现。
如何判定该用固定效应模型还是随机效应模型：因为HAUSMAN TEST的原假设是:采用随机效应模型:备选假设:采用固定效应模型.所以,直接看P值就行了,若P值小于0.01\0.05\0.1三者中的一个显著性水平(看你怎样定显著性水平),就可以拒绝原假设,而采用固定效应模型.
（4）多因素方差分析
1.前提条件
正态性检验，独立性检验，方差齐性
2.数据导入
对于固定效应和随机效应，都用GLM/univariate实现。
3.模型的选择
对于有重复观测值的多因素方差分析，首先分析各个因素是否存在交互效应，如果不存在交互效应，则把交互效应并为误差效应，仅分析各因素的独立效应或主效应。
（4.5）实际应用中对方差分析适应条件的把握
1.单因素方差分析：在单因素方差分析中，如果各组的重复观测数相同或总体呈正态分布，则方差分析模型对方差不齐有一定的承受力，只有最大方差与最小方差之比小于3，结果是稳定的。
2.单元格内无重复的多因素方差分析：不考虑正态性和方差齐性问题，这是因为正态性和方差齐性是以单元格为基本单位的，每个单元格只有一个数据，因此无法分析。
3.单元格有重复数据的多因素方差分析：一般数据量较小，因此正态性检验和方差齐性检验无实际意义。
（5）简单相关分析
1.参数方法（Pearson方法）
要求所有变量均服从正态分布
2.非参数方法(Spearman方法)
适用于不服从正态分布的变量
ps:偏相关分析和复相关分析均要求服从正态分布（Pearson方法）
（6）线性回归分析的前提条件
1.自变量之间相互独立
检验方法：多重共线性检验，检验指标为容许度（Tolerance）和方差膨胀因子（VIF）
2.残差独立且服从正态分布
检验方法：一是作图法，二是DW（Durbin-Watson）检验，三是Runs检验
3.自变量和因变量之间的关系是线性的
检验方法：一是作图法，二是t检验，三是F检验与可决系数
（7）各种t检验的用途
1.单样本t检验（One Sample T Test）
对一组样本，检验相应总体均值是否等于某个值
2.相互独立样本t检验（Independent-Sample T Test）
样本x1,x2,...,xn与样本y1,y2,...,yn可以颠倒顺序而对结果不会产生影响
3.配对样本t检验
样本x1,x2,...,xn与样本y1,y2,...,yn的顺序不可以颠倒。
京公网安备 11010802022788号
