SPSS学习笔记【一】-检验&相关性
z分数
z分数（z-score），也叫标准分数（standard score）是一个数与平均数的差再除以标准差的过程。
正太Q-Q图
茎叶图
茎叶图读法如下图；
第一行：B区域为46，48；
第二行：A区域为53，B区域为51,53,56,54；
剩下各行同理可知。
向左转|向右转
总结：茎的部分代表十位，叶的部位代表个位。
单样本T检验、独立样本T检验、配对样本T检验
单样本T检验（One-Samples T Test）用于进行样本所在总体均数与已知总体均数的比较；
独立样本T检验（Independent-Samples T Test)用于进行两（独立）样本均数的比较。
-
有2组样本，就存在样本与样本的比较，其实是他们各自代表的总体的比较。
-
独立样本和相关样本：比如下表，当样本A中的成员变动时或者无论如何选择A中的成员，对样本B不造成影响，反之亦然，这时候我们就叫独立样本：
配对样本T检验
独立样本t检验中，两组的样本是独立的，不是A和B来组队；配对样本中，实际上不是以一个对象为样本，而是以“一对”或“一组”对象为样本，
例如：
1.配对样本T检验：现在要分析人的早晨和晚上的身高是否不同，于是找来一拨人测他们早上和晚上的身高，这里每个人就有两个值，这里出现了配对，然后考虑每个人的早上和晚上身高的差，这样就可以构造一个T统计量分析了；
2.独立样本T检验：现在要分析男生和女生的身高是否相同，于是找来一波男生女生，把男生们的平均身高减去女生们的，就可以构造T统计量。 两者的主要区别在于数据的来源和要分析的问题。
单因素方差分析（One Way ANOVA）
单因素方差分析是两个样本平均数比较的引伸，它是用来检验多个平均数之间的差异，从而确定因素对试验结果有无显著性影响的一种统计方法。
单变量方差分析
单变量方差分析与单因素方差分析的差别：一般线性模型单变量方差分析的因子区分为固定因子和随机因子，比单因素Anova分析更为细致，而且固定因子列表框可以同时选入多个变量，单因素Anova分析，因子列表框只能选入一个变量。
单因素方差分析和单变量方差分析的区别主要体现在在前者是单个自变量，后者是单个因变量。在实际运用中，这两种方法的统计效能是等价的，一般不做特别严格的区分，只是一般线性模型比单因素在某些方面更为细致一些。
多元（变量）方差分析
多元方差分析在有两个或多个因变量时使用，并且通常后面是分别涉及各个因变量的显着性检验。
重复测量方差分析
在多个不同的时点上从同一个受试对象(sub2ject) 重复获得指标的观察值; 或从同一个体的不同部位(或组织) 上重复获得指标的观测值。
协方差分析
协方差分析是加入协变量的方差分析，协变量实际上就是我们所说的控制变量，你的调查研究中如果有一些你并不真正关心、但有可能对因变量有影响的变量，你可以将其作为协变量，这就意味着你控制了该变量对因变量的效应，从而可以考察自变量与因变量的真实关系。
方差分析和相关分析的区别和联系
区别：方差分析目的是检验因素是否对总体起作用，方法是不同的分组施加不同的因素水平，然后看组间差距是否明显大于组内差距，若明显大于则认为因素对总体起作用。具体过程中，方差分析只读取因变量数据，而不读取自变量数值。
相关分析是检验变量之间是否有依存关系，是想表达当一个变量变化时另一个变量是否有协同变化以及协同变化的程度。
联系：两者都表示是否有关系。但方差分析表达的意义在于是否“显著”，而相关关系表达的意义在于是否“有关”以及“有关程度”。方差分析要求有样本中必须有分组变量，表现为定类，定比尺度的变量。相关分析不需要分组变量，甚至不对变量的类型做出要求。
皮尔逊积差相关条件
积差相关(Pearson Product Moment Correlation Coefficient)是以相关系数的形式较为准确地反应了两个变量之间的线性相关程度。一般来说，用积差相关计算相关系数的数据要满足以下条件：
(1)两个变量都是由测量获得的连续型数据；
(2)两个变量的总体都是呈正态分布，或接近正态分布，至少是单峰对称分布；
(3)必须是成对的数据，即两个变量应来自对同一总体或样本的测量；
(4)两个变量之间呈线性关系；
偏相关分析
某一个要素对另一个要素的影响或相关程度时，把其他要素的影响视为常数，即暂不考虑其他要素的影响，而单独研究那两个要素之间的 相互关系的密切程度时，称为偏相关。
在排除了其他变量的影响情况下再计算两变量的(简单)相关系数
距离相关分析
为了判别错综复杂的变量及其观测值之间是否具有相似性，是否属于同一类别，通常采用更为复杂的分析手段，距离相关分析。