京公网安备 11010802034615号
经营许可证编号:京B2-20210330
SPSS科普 | 统计描述
统计描述的目的就是了解数据的基本特征和分布规律,为进一步合理地选择统计方法提供依据。常用的有Frequencies、Descriptives
和Explore过程。
一、Frequencies过程
该过程用于产生数据的频数表,输出描述集中位置、离散趋势及分布形状等的指标,并能给出百分位数、绘制频数图等。
操作步骤:依次点击分析---描述统计---频率(图1),激活Frequencies对话框(图2)。将需要进行统计描述的变量从左侧变量框选至右侧变量框(以身高为例),点击“统计量”按钮,弹出图3对话框,根据需要勾选,通常选择“均值、标准差、最小值、最大值、偏度、峰度”,点击“继续”回到Frequencies对话框,点击“图表”,弹出图4对话框,选择“直方图”,并勾选“在直方图上显示正态曲线”,点击“继续”回到Frequencies对话框,点击“确定”按钮,即输出统计结果图5、6、7。

图1 激活Frequencies对话框

图2 Frequencies对话框

图3 统计量对话框

图4 图表对话框
结果解释:图5给出了样本量、均数、标准差、最大值、最小值和峰度等;图6为频数表,图7为相应的直方图,由于结果简单,易于理解,不再赘述。
图5 统计量
图6 频数表

图7 直方图
二、Descriptives过程
该过程对数值变量进行一般性的描述。其对话框与Frequencies类似。
操作步骤:依次点击分析---描述统计---描述(图8),激活Descriptives对话框(图9)。将需要进行统计描述的变量从左侧变量框选至右侧变量框(以年龄为例)。点击“选项”按钮,弹出图10对话框,根据需要勾选,通常选择“均值、标准差、最小值、最大值”,点击“继续”回到Descriptives对话框,点击“确定”按钮,即输出统计结果图11。因结果简单,不再解释。

图8 激活Descriptives对话框

图9 Descriptives对话框

图10选项对话框

图11 Descriptives结果
三、Explore过程
该过程使用描述性统计量和图形对变量进行探索性分析,还可以按照某个变量分组后描述其他变量的属性,可以快速获取资料的基本信息,为下一步选择统计分析方法提供依据。
操作步骤:依次点击“分析---描述统计---探索”激活Explore对话框(图12)。将需要描述的变量选至右侧因变量列表(以SAS得分为例),将分组变量选至因子列表(以性别分组),将编号选至标注个案。点击“统计量”按钮,弹出图13对话框,勾选“描述性、界外值、百分位数”,点击“继续”回到Explore对话框,点击“绘制”,弹出图14对话框,选择“按因子水平分组”、“直方图”、“带检验的正态图”,点击“继续”回到Explore对话框,点击“确定”按钮,即输出统计结果图11。
结果解释:SPSS首先给出按照性别分组情况(男、女各自样本量及所占比例)、描述性统计量、百分位数以及5个最大和最小值,因结果简单易懂,故不再截图展示;还显示正态检验的结果图15,红圈所示P>0.05说明服从正态分布,如果P<0.05,说明不服从正态分布;另外还有直方图、正态Q-Q图均显示正态分布情况,篇幅限制,不再截图。
图12 Explore对话框

图13统计量对话框

图14绘图对话框

图15 正态性检验结果
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14