
SPSS变量视图:变量属性(含新建变量属性)
一、度量标准:(度量、序号、名义)
您可以将测量级别指定为刻度(定距或者定比刻度上的数值数据)、有序或名义。名义数据和有序数据可以是字符串(字母数字)或数值。
1)标定(名义):当变量值表示不具有内在等级的类别时,该变量可以作为名义变量;例如,雇员任职的公司部门。名义变量的示例包括地区、邮政编码和宗教信仰等。
2)有序(序号):当变量值表示带有某种内在等级的类别时,该变量可以作为有序变量;例如,从十分不满意到十分满意的服务满意度水平。有序变量的示例包括表示满意度或可信度的态度分数和优先选择评分。
3)刻度(度量):当变量值表示带有有意义的度规的已排序类别时,该变量可以作为刻度(连续)变量对待,以便在值之间进行合适的距离比较。刻度变量的示例包括以年为单位的年龄和以千美元为单位的收入。
注意:对于有序字符串变量,将假定字符串值的字母顺序反映了类别的真实顺序。例如,对于具有low、medium、high值的字符串变量,类别的顺序将解释为high、low、medium,这个顺序是错误的。通常,使用数值代码代表有序数据更为可靠。
二、缺失值
缺失值将指定数据值定义为用户缺失值。例如,您想要区分因对象拒绝回答问题造成的数据缺失与由于问题不适于该对象而未回答所引起的数据缺失。将指定为用户缺失值的数据值标记为进行特殊处理,并将其从大多数计算中排除。
三、角色
某些对话框支持可用于预先选择分析变量的预定义角色。当打开其中一个对话框时,满足角色要求的变量将自动显示在目标列表中。可用角色包括:
1、输入:变量将用作输入(例如,预测变量、自变量)。
2、目标:变量将用作输出或目标(例如,因变量)。
3、两者:变量将同时用作输入和输出。
4、无:变量没有角色分配。
5、分区:变量将用于将数据划分为单独的训练、检验和验证样本。
6、拆分
四、定制变量属性
1、概念:除了标准变量属性(如值标签、缺失值、测量级别)之外,还可以自己创建定制的变量属性。因此,您可以创建识别调查问题响应类型的变量属性(例如,单选、多选、填空)或计算变量使用的公式。
2、操作:数据-新建设定属性
3、说明:◎定制变量属性的名称用方括号括起。◎以美元符号开头的属性名是保留名称,不能修改这些名称。◎空单元格表示该变量没有属性;单元格中显示为Empty的文本表示该变量具有属性,但还没有为该变量的属性赋值。在单元格中输入文本后,该变量即拥有了具有您所输入的值的属性。◎在单元格中显示的数组...表示此属性是属性数组,即包含多个值的属性。单击单元格中的按钮以显示值列表。
五、自定义变量视图
1、概念:您可以使用自定义变量视图控制变量视图中显示的属性(例如,名称、类型、标签)及其显示顺序。
2、操作:视图-自定义变量视图。
3、说明:◎选择(选中)要显示的变量属性。◎使用向上和向下箭头按钮更改属性的显示顺序。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23