发布时间:2021-09-26 11: 38: 24
在《SPSS中使用简单对应分析两定性变量间关系》一文中,我们已经了解到可运用简单对应分析得出两个定性变量类别值间的对应关系。接下来,本文将会继续运用SPSS的最优标度分析,更加深入地研究多个定性变量间的对应关系分析。
一、数据准备
本文使用到的是一组品牌认定的数据,每个受访者都会给予序号对应品牌的信息,受访者需要根据这些信息判断出品牌的序号。
通过最优标度分析,可得出相似品牌序号的集合,以判断哪些品牌在受访者的认定中属于同一类型。
二、最优标度分析
如图2所示,依次单击SPSS的分析-降维-最优标度选项。
由于本例中受访者认定品牌的数值实际为品牌序号,属于无序的分类变量,因此选择第一个选项“所有变量均为多重名义”。
三、参数设置
如图4所示,将所有受访者的变量数据添加到分析变量。如果有其他说明品牌属性的变量可添加到补充变量,因本例无受访者以外的品牌属性变量,所以不添加变量。
关于离散化、缺失、选项、输出等设置,一般保持默认即可。更为重要的是设置变量图选项,如图5所示,最优标度的变量图包含类别图、联合类别图与转换图选项。
本例会使用到联合类别图,以了解各变量类别值之间的对应关系,找出相似的类别值。
四、结果解读
从迭代历史记录看到,数据经过36次的迭代计算后已达到收敛校验值。
接着,从模型摘要的克隆巴赫Alpha数值与方差惯量得出模型的可信度信息。
如图7所示,模型的Alpha数值为0.956,可信度高;而方差惯性平均占比0.717,说明每个维度平均携带71.7%的信息,说明选取的两个维度可信度高。
而从两维的类别点联合图看到,品牌认定大致可分为三大类,其中,品牌8、9可分为一类;品牌1、2可分为一类;其余的品牌可分为一类。
五、小结
综上所述,SPSS对应分析按照分析的定性变量数量可分为简单对应分析与多重对应分析(也称作最优标度分析)。两种方法都可通过得出变量类别值的对应关系而进行类别值的归类,从而找到类别值间的共同特征。
作者:泽洋
展开阅读全文
︾
读者也喜欢这些内容:
spss多元线性回归分析操作步骤,spss多元线性回归分析结果解读
spss多元线性回归分析操作步骤,本文会以客流量、销售量与销售额的线性关系演示spss的多元线性回归分析操作步骤,并进行spss多元线性回归分析结果解读。...
阅读全文 >
SPSS双因素方差分析数据录入 SPSS双因素方差分析多重比较
进行双因素方差分析时,数据录入和多重比较是两大难点,用户常常会对数据录入比较困惑,不确定如何分组以及定义变量名称,对于双因素方差分析中的多重比较结果也不能恰当的进行解读,如何进行SPSS双因素方差分析数据录入?SPSS双因素方差分析多重比较如何解读?本文结合实例,向大家做详细的解释。...
阅读全文 >
spss怎么做逐步回归分析 逐步回归分析spss结果解读
spss怎么做逐步回归分析?逐步回归分析是多元线性回归分析的一种,可通过spss回归分析中的“步进”法来做逐步回归分析。本文会运用例子演示逐步回归分析步骤,并进行逐步回归分析spss结果解读。...
阅读全文 >
SPSS逻辑回归模型案例 逻辑回归和线性回归的区别
逻辑回归适用于二分变量的模型,最显著的作用是可以预测模型中每个自变量的概率。也就是说,逻辑回归可以根据一组样本数据,得到预测值或者某种预测结果。下面,小编来介绍一下SPSS逻辑回归模型案例,逻辑回归和线性回归的区别的具体内容。...
阅读全文 >