那么，你们知道在使用spss分析数据通常有哪几个步骤吗？一般整体是分为4个步骤的：导入数据——>数据基本处理——>数据分析——>总结并得出结论。具体是怎么样的呢？一起来看看吧！
步骤如下：
1、我们在打开SPSS软件后会出现两个界面，如下图；
图1：是数据处理分析区，包括数据视图（数据处理区）和变量视图（数据包含各字段编辑区）。
图2：是分析结果区，分析的各类结果都会在此显示。
2、我们进行导入数据；在数据处理区左上方选择【文件】；找到【导入数据】，导入相应格式的数据，此处我以csv文件格式为例。
3、点击之后，出现如下对话框，选择好要处理的数据，点击【打开】，对要导入数据数据按需要进行预处理，再点击【确定】。
4、稍等片刻，等待数据加载完成。
图1：为数据视图。
图2：为变量视图。（可查看各变量类型是否正确，并按需求做修改，此处示例无需修改）
5、数据处理及分析：
（1）、对数据的处理 *** 作可在【数据】和【转换】中实现；统计分析都在【分析】中（红框中为常用项）；若需画图，在【图形】中的【图标构建器】。
（2）、在处理前最好明确自己的分析目标，如我只想知道：示例数据中，影片排名与影片评分的相关关系。（可参照图片，查看相关系数和散点图）（注：处理时尽量不要对原始数据做更改，可以新建一列）
（3）、接着，我们在【双变量相关性】中进行设置，然后，点击【确定】的按钮。
（4）、这时候，我们可以看到相关性的相关数据。
（5）、下面，我们找打【图形】，在子菜单中，我们找到【图标构建器】进行点击。
（6）、最后，我们进行相关设置即可。
好了，这就是关于spss数据分析的完整步骤了，你们学会了吗？今天就到这里，下期再见吧！
本篇文章使用以下硬件型号：联想小新Air15；系统版本：win10；软件版本：spss21版本。
spss数据分析的五种方法：
1、线性模型；点击分析，一般线性模型，单变量，设置因变量和固定因子，点击确定即可。
2、图表分析。
3、回归分析，点击分析，打开回归，设置自变量和因变量数据，点击确定即可。
4、直方图分析。
5、统计分析。
SPSS（Statistical Product and Service Solutions），是一款“统计产品与服务解决方案”软件。
软件产品特点：
*** 作简便：
界面非常友好，除了数据录入及部分命令程序等少数输入工作需要键盘键入外，大多数 *** 作可通过鼠标拖曳、点击“菜单”、“按钮”和“对话框”来完成。
编程方便：
具有第四代语言的特点，告诉系统要做什么，无需告诉怎样做。只要了解统计分析的原理，无需通晓统计方法的各种算法，即可得到需要的统计分析结果。
对于常见的统计方法，SPSS的命令语句、子命令及选择项的选择绝大部分由“对话框”的 *** 作完成。因此，用户无需花大量时间记忆大量的命令、过程、选择项。
功能强大：
具有完整的数据输入、编辑、统计分析、报表、图形制作等功能。自带11种类型136个函数。
SPSS提供了从简单的统计描述到复杂的多因素统计分析方法，比如数据的探索性分析、统计描述、列联表分析、二维相关、秩相关、偏相关、方差分析、非参数检验、多元回归、生存分析、协方差分析、判别分析、因子分析、聚类分析、非线性回归、Logistic回归等。
数据接口
能够读取及输出多种格式的文件。比如由dBASE、FoxBASE、FoxPRO产生的*.dbf文件，文本编辑器软件生成的ASCⅡ数据文件，Excel的*.xls文件等均可转换成可供分析的SPSS数据文件。能够把SPSS的图形转换为7种图形文件。结果可保存为*.txt及html格式的文件。
模块组合：
SPSS for Windows软件分为若干功能模块。用户可以根据自己的分析需要和计算机的实际配置情况灵活选择。
针对性强：
SPSS针对初学者、熟练者及精通者都比较适用。并且很多群体只需要掌握简单的 *** 作分析，大多青睐于SPSS，像薛薇的《基于SPSS的数据分析》一书也较适用于初学者。而那些熟练或精通者也较喜欢SPSS，因为他们可以通过编程来实现更强大的功能。
Hello，
这里是 行上行下 ，我是 喵君姐姐 ~
在上一期中，我们为大家带来了 利用SPSS软件进行高级统计分析的实 *** 教程第一期 ，内容包括： 描述性统计表格模板、卡方&T检验、相关&回归分析 等。
在本期中，我们继续为大家介绍如何利用SPSS进行：中介、多重中介、链式中介、调节分析、有中介的调节分析等。
PS： 后台回复关键词 “高级统计” 即可获得所述的PDF原文啦！
一、中介【报告B，SE，t（df），p），置信区间，画中介效应图】
1.回归方程法
1.1 算三个回归方程
1) 自—因
2) 自—中
3) 自、中—因
1.2 数据分析
2. Process插件法：Model4
部分标准化
效应量/Y的标准差
完全标准化
所有变量的标准化
3. 报告【B、SE、t(df)、P、置信区间+图（标准化系数）】
本研究采用软件SPSS 24.0 中文版进行采集录入和统计分析实验数据。中介效应检验：参照Preacher 和Hayes (2004)提出的Bootstrap 方法进行中介效应检验(模型4)，样本量选择5000，在95%置信区间下。
为了探讨MIL和FCI的关系中是否存在PA的中介作用，本研究以MIL得分为自变量，FCI得分为因变量，PA得分为中介变量进行中介效应检验。结果表明，PA在MIL和FCI之间起着中介作用。
MIL对PA有显著的预测作用（B=0.24，SE=0.07，t（98）=3.55，p <0.001），置信区间（LLCT = 0.10，ULCT =0.37）不包含0； 中介检验的结果不包含0（ LLCT = 0.07 , ULCT = 0.37） ，表明 P A 的中介效应显著（中介效应大小为0.22，S E =0.08） ，中介效应如图所示。
参考文献：Preacher, K. J. , &Hayes, A. F. . (2004). Spss and sas procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments &Computers, 36 (4), p.717-731.
二、多重中介
1. Process插件法：model4
三、链式中介
1. Process插件法：model6
中心化：原始数据-均值
拆分文件：spilt
四、调节【报告B、SE、t、β、p、95%CI、Δ+画回归表、交互作用图】
1. 线性回归法
1.1 S pss *** 作
1）算z分数
2）算交互项
3）算回归方程
1.2 S pss结果解读
1.3 画交互作用图：对调节变量做高低分组
高分组：平均值+标准差=6.12
低分组：平均值—标准差=3.68
1.4 拆分文件，做回归
1.5 再做一次回归，画图
2. Process插件法：model1
2.1 S pss *** 作
2.2 S pss结果解读
2.3 报告
利用Process model 1 (Hayes，2018)探讨生命意义感P、社会支持以及二者的交互作用与工作倦怠的关系。
结果表明， 生命意义感P (B = -0.46， t = -1.35， p = 0.18 )、 社会支持 (B = -0.19， t = -0.55， p =0.58 )以及二者交互作用(B = 0.05， t = 0.83， p =0.41 ) 对工作倦怠的作用 均不显著 （如表3所示），简单斜率分析图如图2所示。
图 2简单斜率效应分析图
五、有调节的中介【报告B、SE、β、p、95%CI+画回归表+交互作用图】
1.线性回归法
1.1 算两组交互项 自*调 中*调
1) 自、调、自*调—因
2) 自、调、自*调—中
3) 自、调、自*调、中、中*调—因
1.2 报告
接下来验证有调节的中介作用，以压力为自变量，生命意义感P为调节变量，自我效能感为中介变量，深层劳动为因变量为例。
根据温忠麟和叶宝娟(2014)的观点，检验有调节的中介模型需要对三个回归方程的参数进行检验：(1)方程1 估计调节变量(生命意义感P)对自变量(压力)与因变量(深层劳动)之间关系的调节效应(2)方程2 估计调节变量(生命意义感P)对自变量(压力)与中介变量(自我效能感)之间关系的调节效应(3)方程3 估计调节变量(生命意义感P)对中介变量(自我效能感)与因变量(深层劳动)之间关系的调节效应以及自变量(压力)对因变量(深层劳动)残余效应的调节效应。
根据Muller, Judd 和Yzerbyt (2005)的观点, 如果模型满足以下两个条件则说明有调节的中介效应存在：(1)方程1 中, 压力的总效应显著, 且该效应的大小不取决于生命意义感P(2)方程2 和方程3 中, 压力对自我效能感的效应显著, 生命意义感P与自我效能感对深层劳动的交互效应显著, 和/或压力与生命意义感P对自我效能感的交互效应显著, 自我效能感对深层劳动的效应显著，本研究中有调节的中介模型检验结果见表2、图3。
由表2、图1可见，方程1 中压力负向预测深层劳动（β=-0.37，p<0.001），压力与生命意义感P的交互项对深层劳动的预测作用显著（β=-0.23，p<0.001）。
方程2 和方程3 中，压力与生命意义感P的交互项对自我效能感的预测效应显著（β=-0.18，p<0.01）；压力与生命意义感P的交互项对深层劳动的预测作用显著（β=-0.18，p<0.01）；同时自我效能感对深层劳动的预测效应显著（β=0.53，p<0.001）。
这表明， 压力、生命意义感P、自我效能感和深层劳动四者之间构成了有调节的中介效应模型 ， 自我效能感在压力与深层劳动之间具有中介作用 ， 生命意义感P 在 压力与深层劳动、压力与自我效能感间起调节作用 。
表2 压力对深层劳动有调节的中介效应检验（以生命意义感P为调节变量、自我效能感为中介变量）
图 3压力对深层劳动有调节的中介效应图（中介变量为自我效能感，调节变量为生命意义感P）
参考文献：
温忠麟, & 叶宝娟. (2014). 中介效应分析:方法和模型发展. 心理科学进展, 022 (005), 731-745.
由于生命意义感P在压力与深层劳动、压力与自我效能感间起调节作用，因此需要进一步检验简单效应以明确生命意义感P调节作用。
首先将生命意义感P按照正负一个标准差分成高、低组, 采用简单斜率检验考察在生命意义感P不同水平上压力对深层劳动、压力对自我效能感的影响，相应的简单效应分析见图5、图6。
图5结果表明，对于 生命意义感P 较 高 的个体 来说，压力能负向预测深层劳动（ B= -0.44， SE = 0.13， p <0.01 ） ；而对于生命意义感P较低的个体来说，压力不能显著预测深层劳动（B =0.09, SE = 0.11,p = 0.45），即 比起低压力情景，高生命意义感P的个体在高压情景下，会有更少的深层劳动。
图 5生命意义感P对压力与深层劳动之间的关系调节作用
图6结果表明，对于生命意义感P较低的个体来说，压力不能预测自我效能感（B = -0.19，SE =0.13，p =0.17）；而对于 生命意义感P较高的个体来说 ， 压力能负向预测深层劳动（ B =-0.45 ， SE = 0.13 ， p <0.01） ；即比起低压力情景时， 高生命意义感P的个体在高压情景下自我效能感更低。
图 6生命意义感P对压力与自我效能感之间的关系调节作用
2. Process插件法
2.1 调节前半路径：model7
1)Spss *** 作
2) Spss结果解读
2.2 调节后半路径：model14
1) Spss *** 作
2)Spss结果解读
2.3 探索前后：model57
2.4 报告
使用Hayes (2019)的SPSS 宏程序PROCESS（Model7），分析自我效能感在压力与深层劳动之间的中介作用（前半段）是否受生命意义感P的调节。
结果表明（如表4所示）： 自我效能感显著正向预测深层劳动（B= 0.37 ，S E =0.0 4 ，p< 0.001 ） ； 压力与生命意义感P的交互项能显著负向预测自我效能感（B=-0.02，S E =0.01，p< 0.01 ） 。
表4：生命意义感P调节自我效能感在压力与深层劳动之间中介作用的回归分析
在生命意义感P得分为平均数减一个标准差、平均数以及平均数加一个标准差三个水平时，自我效能感在压力与深层劳动之间的中介效应值及其95%Bootstrap 置信区间如表5所示。
综合以上结果，本研究提出的有调节的中介模型得到了支持。 自我效能感 在 压力与深层劳动之间起中介作用， 而且该中介作用 前 半段 受到生命意义感P的调节。
表5：不同生命意义感P水平时压力与自我效能感之间的关系
生命意义感P水平中介效应值Boot标准误Bootstrap下限Bootstrap上限
M-SD-0.09 *** 0.03-0.16-0.04
M-0.13 *** 0.03-0.19-0.08
M+SD-0.17 *** 0.03-0.24-0.11
注： *** p<0.001
进一步采用简单斜率检验来分析生命意义感P在压力与自我效能感关系中的调节作用。按生命意义感P的平均分加减一个标准差将被试分为高生命意义感P水平组(高于平均数加一个标准差的被试)、低生命意义感P水平组(低于平均数减一个标准差的被试)与中生命意义感P水平组（介于两组之间的被试）三组，采用分组回归的方式考察压力与自我效能感的关系，结果如图所示： 随着 生命意义感P水平的升高 , 压力 对 自我效能感 的负向预测作用逐渐 变强 (由B=-0.09 , p <0.001 减弱为B=-0.17,p <0.001)。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）