本资源源于天津大学开设的C++软件实习，使用QT实现了“西瓜地图”，包括源代码和设计文档报告

指导实习项目，包括需求分析、设计、测试等

完整综合版 数据挖掘 数据分析工具 SPSS软件实习实训教程 共137页.doc

8.1　两因素方差分析 8.1.1　univarate对话框界面说明 8.1.2　结果解释 8.2　协方差分析 8.2.1　分析步骤 8.2.2　结果解释 8.3　其他较简单的方差分析问题 8.4　多元方差分析 8.4.1　分析步骤 8.4.2　结果解释 8.5　重复测量的方差分析 8.5.1　Repeated measures对话框界面说明 8.5.2　结果解释 请注意，本章的标题用了一些修辞手法，一般线性模型可不是用一章就可以说清楚的，因为它包括的内容实在太多了。 那么，究竟我们用到的哪些分析会包含在其中呢？简而言之：凡是和方差分析粘边的都可以用他来做。比如成组设计的方差分析（即单因素方差分析）、配伍设计的方差分析（即两因素方差分析）、交叉设计的方差分析、析因设计的方差分析、重复测量的方差分析、协方差分析等等。因此，能真正掌握GLM菜单的用法，会使大家的统计分析能力有极大地提高。 实际上一般线性模型包括的统计模型还不止这些，我这里举出来的只是从用SPSS作统计分析的角度而言的一些。 好了，既然一般线性模型的能力如此强大，那么下属的四个子菜单各自的功能是什么呢？请看： • Univariate子菜单：四个菜单中的大哥大，绝大部分的方法分析都在这里面进行。 • Multivariate子菜单：当结果变量（应变量）不止一个时，当然要用他来分析啦！ • Repeted Measures子菜单：顾名思义，重复测量的数据就要用他来分析，这一点我可能要强调一下，用前两个菜单似乎都可以分析出来结果，但在许多情况下该结果是不正确的，应该用重复测量的分析方法才对（不能再讲了，再讲下去就会扯到多水平模型去了）。 • Variance Components子菜单：用于作方差成份模型的，这个模型实在太深，不是一时半会说的请的，所以我在这里就干脆不讲了。 出于模型复杂性、篇幅、应用范围及乱七八糟一系列的理由，当然主要是我懒得一一解释，我决定本章采用举例讲解的方式，及讲解一些常见的分析实例，通过这种方法来熟悉那些最为常用的分析方法。

上次更新日期： 9.1　Bivariate过程 9.1.1　界面说明 9.1.2　分析实例 9.1.3　结果解释 9.2　Partial过程 9.2.1　界面说明 9.2.2　结果解释 9.3　Distances过程 在医学中经常要遇到分析两个或多个变量间关系的情况，有时是希望了解某个变量对另一个变量的影响强度，有时则是要了解变量间联系的密切程度，前者用下一章将要讲述的回归分析来实现，后者则需要用到本章所要讲述的相关分析实现。 SPSS的相关分析功能被集中在Statistics菜单的Correlate子菜单中，他一般包括以下三个过程： • Bivariate过程 此过程用于进行两个/多个变量间的参数/非参数相关分析，如果是多个变量，则给出两两相关的分析结果。这是Correlate子菜单中最为常用的一个过程，实际上我们对他的使用可能占到相关分析的95%以上。下面的讲述也以该过程为主。 • Partial过程 如果需要进行相关分析的两个变量其取值均受到其他变量的影响，就可以利用偏相关分析对其他变量进行控制，输出控制其他变量影响后的相关系数，这种分析思想和协方差分析非常类似。Partial过程就是专门进行偏相关分析的。 • Distances过程 调用此过程可对同一变量内部各观察单位间的数值或各个不同变量间进行距离相关分析，前者可用于检测观测值的接近程度，后者则常用于考察预测值对实际值的拟合优度。该过程在实际应用中用的非常少。

10.1 Linear过程 10.1.1 简单操作入门 10.1.1.1 界面详解 10.1.1.2 输出结果解释 10.1.2 复杂实例操作 10.1.2.1 分析实例 10.1.2.2 结果解释 10.2 Curve Estimation过程 10.2.1 界面详解 10.2.2 实例操作 10.3 Binary Logistic过程 10.3.1 界面详解与实例 10.3.2 结果解释 10.3.3 模型的进一步优化与简单诊断 10.3.3.1 模型的进一步优化 10.3.3.2 模型的简单诊断 　 回归分析是处理两个及两个以上变量间线性依存关系的统计方法。在医学领域中，此类问题很普遍，如人头发中某种金属元素的含量与血液中该元素的含量有关系，人的体表面积与身高、体重有关系；等等。回归分析就是用于说明这种依存变化的数学关系。

10.1 Linear过程 10.1.1 简单操作入门 10.1.1.1 界面详解 10.1.1.2 输出结果解释 10.1.2 复杂实例操作 10.1.2.1 分析实例 10.1.2.2 结果解释 10.2 Curve Estimation过程 10.2.1 界面详解 10.2.2 实例操作 10.3 Binary Logistic过程 10.3.1 界面详解与实例 10.3.2 结果解释 10.3.3 模型的进一步优化与简单诊断 10.3.3.1 模型的进一步优化 10.3.3.2 模型的简单诊断 在很久很久以前，地球上还是一个阴森恐怖的黑暗时代，大地上恐龙横行，我们的老祖先－－类人猿惊恐的睁大了双眼，围坐在仅剩的火堆旁，担心着无边的黑暗中不知何时会出现的妖魔鬼怪，没有电视可看，没有网可上... 我是疯了，还是在说梦话？都不是，类人猿自然不会有机会和恐龙同时代，只不过是我开机准备写这一部分的时候，心里忽然想到，在10年前，国内的统计学应用上还是卡方检验横行，分层的M-H卡方简直就是超级武器，在流行病学中称王称霸，更有那些1：M的配对卡方，N：M的配对卡方，含失访数据的N：M配对卡方之类的，简直象恐龙一般，搞得我头都大了。其实恐龙我还能讲出十多种来，可上面这些东西我现在还没彻底弄明白，好在社会进步迅速，没等这些恐龙完全统制地球，Logistic模型就已经飞速进化到了现代人的阶段，各种各样的Logistic模型不断地在蚕食着恐龙爷爷们的领地，也许还象贪吃的人类一样贪婪的享用着恐龙的身体。好，这是好事，这里不能讲动物保护，现在我们就远离那些恐龙，来看看现代白领的生活方式。

12.1 概论 12.2 One-Sample Kolmogorov-Smirnov Test 12.3 Two-Independent-Samples Tests 　 §12.1 概论 作为二十一世纪统计理论的三大发展方向之一，非参数统计是统计分析的重要组成部分。可是与之很不相称的是他针对一般性统计分析的理论发展远远不及参数检验完善，因而比较完善的可供使用的方法也不多。比如多组均数间的两两比较，虽然已有好几种方法可资利用，但由于在理论上仍存在争议，几种权威的统计软件（如SAS和SPSS）均没有提供这方面的方法。 虽然这些洋统计软件没有提供两两比较的非参数方法，但国产的统计软件大都是提供了的（国情不同嘛），因此建议大家：如果真的要做这方面的非参数分析，不如直接用PEMS、SPLMWIN、NOSA等国产软件，免得用SPSS等只能做一半。 在SPSS中，几乎所有的非参数分析方法都被放入了Nonparametric Tests菜单中，具体来讲有以下几种： • Chi-square test：用卡方检验来检验变量的几个取值所占百分比是否和我们期望的比例没有统计学差异。比如我们在人群中抽取了一个样本，可以用该方法来分析四种血型所占的比例是否相同（都是25%），或者是否符合我们所给出的一个比例（如分别为10%、30%、40%和20%，我随便写的）。请注意该检验和我们一般所用的卡方不太一样，我们一般左的卡方要用crosstable菜单来完成，而不是这里。 • Binomial Test：用于检测所给的变量是否符合二项分布，变量可以是两分类的，也可以使连续性变量，然后按你给出的分界点一刀两断。 • Runs Test：用于检验某变量的取值是否是围绕着某个数值随机地上下波动，该数值可以是均数、中位数、众数或人为制定。一般来说，如果该检验P值有统计学意义，则提示有其他变量对该变量的取值有影响，或该变量存在自相关。 • One-Sample Kolmogorov-Smirnov Test：采用柯尔莫诺夫-斯米尔诺夫检验来分析变量是否符合某种分布，可以检验的分布有正态分布、均匀分布、Poission分布和指数分布。 • Two-Independent-Samples Tests：即成组设计的两样本均数比较的非参数检验。 • Tests for Several Independent Samples：成组设计的多个样本均数比较的非参数检验，此处不提供两两比较方法。 • Two-Related-Samples Tests：配对设计两样本均数的非参数检验。 Tests for Several Related Samples：配伍设计多个样本均数的非参数检验，此处同样不提供两两比较。

13.1 Life Tables过程 13.1.1 界面说明 13.1.2 结果解释 13.2 Kaplan-Meier过程 13.2.1 界面说明 13.2.2 结果解释 13.3 Cox Regression过程 13.3.1 界面说明 13.3.2 结果解释 13.4 Cox w/Time-Dep Cov过程 13.4.1 界面说明 13.4.2 结果解释 对于急性病的疗效考核，一般可以用治愈率、病死率等指标来评价，但对于肿瘤、结核及其他慢性疾病，其预后不是短期内所能明确判断的，这时可以对病人进行长期随访，统计一定期限后的生存和死亡情况以判断疗效，这就是生存分析。 生存分析是用于以处理生存时间（survival time）为反应变量、含有删失数据一类资料的统计方法。所谓生存时间，狭义地讲是从某个标准时点起至死亡止，即患者的存活时间。例如，患有某病的病人从发病到死亡或从确诊到死亡所经历的时间。广义地说，“死亡”可定义为某研究目的“结果”的发生，如宫内节育器的失落，疾病的痊愈，女孩月经初潮的到来等（生存分析中往往统指各“死亡”为失效）。此类资料的生存时间变量多不符从正态分布，且常含有删失值，故不适于用传统的数据分析方法如t检验或线性回归进行分析。根据不同的研究目的和资料类型，可采用不同的分析方法，如寿命表、Kaplan-Meier法、Cox回归模型等分析方法进行分析。而这正是下面我将要给大家介绍的主要内容。

13.1 Life Tables过程 13.1.1 界面说明 13.1.2 结果解释 13.2 Kaplan-Meier过程 13.2.1 界面说明 13.2.2 结果解释 13.3 Cox Regression过程 13.3.1 界面说明 13.3.2 结果解释 13.4 Cox w/Time-Dep Cov过程 13.4.1 界面说明 13.4.2 结果解释 §13.3 Cox Regression过程 上面给大家介绍的是两种生存分析方法，但它们只能研究一至两个因素对生存时间的影响，当对生存时间的影响因素有多个时，它们就无能为力了，下面我给大家介绍Cox Regression过程，这是一种专门用于生存时间的多变量分析的统计方法。