职场SPSS：最优尺度回归统计分析案例
职场SPSS：最优尺度回归统计分析案例
1、什么是最优尺度回归？英文简称CATREG，也称分类回归。普通线性回归对数据的要求十分严格，当遇到分类变量时，线性回归无法准确地反映分类变量不同取值的距离，比如性别变量，男性和女性本身是平级的，没有大小、顺序、趋势区分，若直接纳入线性回归模型，则可能会失去自身的意义。最优尺度回归就是为了解决类似问题，它擅长将分类变量不同取值进行量化处理，从而将分类变量转换为数值型进行统计分析。可以说有了最优尺度回归方法，将大大提高分类变量数据的处理能力，突破分类变量对分析模型选择的限制，扩大回归分析的应用能力。2、案例数据：某品牌服装为了解消费者对本品牌满意度情况，通过调查问卷收集到消费者的年龄、性别、月收入以及满意度等数据。其中年龄包括七个年龄段，性别为男女二分类水平，月收入包括（无收入、低档、中等、高档）四个取值水平，满意度分为（不满意、一般、满意）三档水平。根据数据情况来看，影响品牌满意度的自变量均是分类变量，普通线性回归方法无法胜任，适合采用最优尺度回归方法进行分析。3、SPSS菜单参数设置（主要参数）案例数据包括4个变量，因变量为满意度，性别、年龄、月收入作为自变量。第一步：打开主菜单。在SPSS数据视图下，在菜单栏中选择【分析】【回归】【最优尺度】选项，调出SPSS分类回归主菜单界面。第二步：定义尺度。为因变量和所有自变量指定最合适的测度类别。首先从左侧的变量栏中选择“满意度”，按箭头按钮方向移入因变量框内，选中底部的“定义尺度”按钮，打开相应对话框，因为满意度的3个取值水平是代表着满意程度，含有次序信息，因此选择“有序”单选按钮，完成对因变量的最优尺度定义。相似的，将3个自变量移入自变量框内，性别定义为名义尺度，年龄定义为有序尺度，月收入定义为有序尺度。第三步：其他参数设置此时直接点击主菜单下的“确定”按钮，即可执行最优尺度回归过程，其他参数接受SPSS软件的默认设置。为了得到更多直观的结果，有必要设置更多参数。本案例主要设置【图】按钮菜单里的参数。打开【分类回归：图】按钮菜单，将所有变量移入右侧的转换图框内，要求软件输出原分类变量各取值经最优尺度变换后的数值对应图。4、主要结果解读（1）模型摘要表最优尺度回归模型拟合性能，主要看调整的R方，该指标反映模型拟合效果，本例调整R方值偏低，说明模型对变量总变异的解释能力不足，不适合大规模推广。（2）方差分析表回归模型的统计学意义，主要看sig值，本例0.006，小于显著性水平临界值0.05，说明模型显著，具有统计学意义。（3）回归系数表本次回归模型中3个自变量的系数表，直接看显著性值，发现在5%置信度下，月收入因素对模型的影响并不显著，年龄和性别两个因素对模型均有显著统计学意义。（4）变量最优尺度转换图这项结果主要是看整个分析过程中分类变量是如何转换为标准数值尺度的，是一个过程性的结果，并非关键结果。因变量满意度是按照有序尺度转换的，此时可以看出转换后2-3之间的距离大于1-2，而并非此前等间隔距离，软件自动为其计算了最优的量化标准。
本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。
百家号 最近更新：
简介: 生活和工作不只是念经，还有数据和茶
作者最新文章最优尺度分析_中华文本库
多重对应分析---多个定类变量 Optimal Scaling Optimal Scaling过程所谓最优尺度分析的本质,就是根据数据本身 的关联,寻找出最佳的原始变量评分方法,将原始 变量...
高分辨率遥感图像分割的最优尺度选择_信息与通信_工程科技_专业资料。144 ) Computer Engineering and Applicatio 144 ) Computer Engineering ...
本文从孝感地区农村土地流转过 程中流入户的角度出发,利用最优尺度回归分析法对孝感地区农村土地流转流入户的家庭人均 收入水平与家庭人口数、土地流转价格水平、土地...
第九章 回归分析(下)_理学_高等教育_教育专区。第九章 SPSS回归分析(下) 本章...最优尺度回归(解决自变量为定类或定序的问题)在解决序列相关问题中,最直接和...
影响学习成绩因素的最优尺度回归分析_专业资料。五年制高职教育是我国高职教育的重要组成部分,也是我国高职教育的重要形式之一。我国高职护理教育起步较晚,目前招生形...
面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究_电力/水利_工程科技_专业...目前多传感器技术已覆盖大气窗口的所有部分, 大大提高了人类处理和分析大量有关...
最优尺度回归在企业员工离职意向分析中的应用_人力资源管理_经管营销_专业资料。归在企业员工离职意向分析中的应用 一 毛鸽 摘要 :企 业频 繁的 员工 流 失是...
山东科技大学信息科学与工程学院,山东青岛 266590) 摘要:基于不同目标地物在高分辨率影像上具有对应最优分割尺度的基本思想,文章在分析现有最优 分割尺度确定方法的...
为了能够客观比较多个空间尺度下的 影像可分性,一般将每个空间尺度下的影像中所有像元的可分性熵值取平均,用均值来选 取最优空间尺度。 2试验与分析2.1实验数据 ...
重点探讨几种不同尺度转换方法,以及基于像元和面向对象的最优尺度选择方法的技术特点,分析了尺度研究未来发展方向。第2 8卷第 2期 21年 6月01 世界核地质科学 ...(十万猫妖)
(Maccha。)
(十万猫妖)
(ppvke903)
(十万猫妖)
第三方登录：苹果/安卓/wp
积分 6834, 距离下一级还需 3346 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡下一级可获得
权限: 签名中使用代码
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 187 天连续签到: 1 天[LV.7]常住居民III
上一节我们讨论了对于两组分类变量，如何通过主成分分析法进行降维，从而在一个二维的平面上直观的表现出两组变量的类别之间有什么关联。这一节我们就来讨论要怎么通过最优尺度分析来解决多组分类变量之间的关联分析。
我们首先选择菜单分析——降维——最优尺度，打开最优尺度面板，我们看到，这是个很小的面板。
我们首先选择菜单分析——降维——最优尺度，打开最优尺度面板，我们看到，这是个很小的面板。首先最佳度量水平里有两个选项，所有变量均为多重标称，或某些变量并非多重标称。那么什么叫多重标称呢？多重标称的意思可以理解为就是分类变量。也就是说你的变量都是分类变量的话，那你就选第一个，如果不是的话，那就是选第二个。然后变量集的数目又有两个选项，一个集合，或两个集合。这个意思是在问你你的变量是全都放到一个集合里呢还是分开放到好几分集合里。如果放在一个集合里，那就是对应分析的简单扩展，用来分析多个分类变量的关系。如果是放在多个集合里，那就是用来分析放在不同集合的变量之间的相关性（就是在做集合与集合之间的相关分析）最下边的选定分析里有三种分析方法。也就是最优尺度对应的三种分析方法。多重对应分析：如果选择所有变量为多重标称，一个集合，那么系统会自动选定为多重对应分析。打开定义。我们想要分析员工规模（四分类），高新（二分类），年销售量（七分类），资产总额（七分类）选入到了分析变量。此外，如果有变量被选入补充变量和标记变量，（可以为数值变量哦）。那最后的分析图里并不会显示出这些变量（计算的时候也不会考虑它的影响），但是计算辨别度量的时候会有它。建议使用几个变量来回操作实验，观察生成的图表的不同，相信可以更好的掌握这种方法（不过一般就不使用它俩啦嘿嘿）。在分析变量下边还有一个定义变量权重。一般默认为1。有需要可以自己设定。离散值选项卡是用来离散原来的数值变量的，这个一般我们也用不到，通常我们输入数据的时候已经是分好类了对吧。如果是需要离散的，那就默认离散就可以了。然后我们看缺失选项卡。 缺失选项卡里一共给出了三大类方案，默认的是排除缺失值，量化后为相关性规因（也就是估算），众数。也就是把含缺失值得个案视为补充对象，并给他们估算值。选项对话框和输出对话框也不用管，然后看下边图里边的变量，把这四个变量全选到联合类别图的框框里就可以了。（总算出来一个不是默认的。）输出结果里迭代历史记录不重要，略过。看模型汇总表。我们的两个惯量相加等于总计，说明我们的所有变量和维数的关系十分亲近。我们的多重对应还是比较合理的（多重对应分析没有p值可以看的）。类别点联合图就蛮重要的了。我没有在这张图上加辅助线，但是可以大概看出来那些点比较接近，那些点又比较疏远，这个和简单对应分析是类似的，也就不多说了。（双击散点图，在图形编辑里边调整坐标的初始值，在行和列的0.0处加辅助线。然后这张图就会别分成四大块了。中心点就是（0,0）。那么在这张图上边就会有两类不同图形的点点，比如圆形表示年龄段的分类，三角表示喜爱程度。在小图形附近还会标注清楚每个小图形对应那个程度。那么这个图怎么看呢？首先四个大块就直观的告诉我们那些点和那些点距离比较近了。比如代表20岁到40岁的点和非常喜爱的点靠的很近，那么就可以认为20岁到40岁的人会非常喜爱这个产品。这是最基本的一个信息。此外我们可以通过辅助线来进一步解释这张图。比如，我们找到代表非常喜爱的这个三角形，然后把这个点和（0,0）的中心点连线，连出一条直线来。然后把所有的小圆点向这条线做垂线。就是代表每个年龄段的小圆点都引一条垂线出来，垂点落到原来的那条直线上。假如我们分四个年龄段的话，那我们现在就有四个垂点啦。然后我们比较这四个垂点离代表非常喜爱的那个三角形的距离。注意，比较的是垂点哦。垂点离三角形越近，也就是说该年龄段的人越容易表达出非常喜爱哦。因为是垂点，所以从图上看离得比较远的两个点未必就关联程度比较低哦。同样的道理，我们也可以做出同一年龄段的人更容易喜爱还是不喜爱这个产品的直线图。总之散点图可以很直观的解释信息哦。辨别度量表则是一个新的表。这个表和类别点联合图相似，夹角越小则这两个变量越相关。离得越近表示越相似。分类主成分分析：选择并非所有的变量为多重标称，一个集合，点击定义，打开分类主成分分析主面板。我们选择了四个连续变量在分析变量里。点开定义度量和权重面板。默认的是有序样条，2,2，如果是分类变量的话，也是默认的这样，也就是说连续变量和分类变量系统是不区分的。好吧，我真的不知道什么叫样条，不过姑且就默认着吧！其他一切默认。结果图主要就是模型汇总图和成分负荷图。这张图告诉我们两个维数可以累积解释变量的78.813%，相当的不少了。这个图则告诉我们主成分和变量之间的关系。两个维数就是两个主成分。告诉我们每个变量在每个主成分里的相关性，又告诉我们变量之间的相关性。由于涉及到连续变量，所以主成分分析和因子分析是非常相似的。非线性典型相关分析：选择多个集合（不管有没有变量不是多重标称的），点定义，就会打开非线性典型相关分析主面板了。我们的第一张里边选入员工规模和年销售额，第二张选入r01和r02。这个每个变量都需要手动设定范围和类型，范围就是设定你的变量的最大值。注意，这里最小值已经默认为了1，而且不可更改，也就是说你的变量里的分类值不能有0。我们通常喜欢用0,1来标记二分类变量，但是注意在这里是不行的。另外类型的话序数就是带有实际递进性质的数值，比如员工规模小，中，大啊。单标定就是简单名义尺度，多标定就是多重名义尺度。而离散数就是有序等距数值，比如年龄。注意在非线性典型相关里至少要设定两个块（block）才可以做分析的。继续，选项里勾选类别坐标。确定。输出结果主要看类别坐标图。注意看这张图可以分析出r01与员工规模的相关关系，r02与员工规模的相关关系，r01与年销售额的相关关系，r02与年销售额的相关关系。但是，不能分析r01与r02之间的关系，也不能分析员工规模和年销售额的关系。也就是说他只能分析两个集合之间的元素的关系，不能比较同一集合里的变量。另外如果有数值型变量的话，非线性典型相关也提供了成分负荷图可以用来观察两个集合里的变量的关系。多重对应分析基本就已经写完了 （笑）。好像也没能写出太多的东西。这个模块比较复杂，所以spss规定好了大部分的选项，好像没什么可以来回倒腾的参数。好吧，也是我学艺不精，很多东西都不清楚。
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
总评分:&论坛币 + 10&
学术水平 + 1&
只想做一个勤勤恳恳的搬运工
连载又来了。好东西。收藏了
只想做个安静的逗逼
这个不错收藏了
这个真心不错。我得去找找连载的
littledog.. 发表于
连载又来了。好东西。收藏了
slrosssss 发表于
这个不错收藏了{:0_248:}{:0_248:}给我评分那么多。大好人。以后跟你混！
请叫我大王 发表于
这个真心不错。我得去找找连载的一共连载了10篇。都是讲SPSS的。
Mirror.. 发表于
一共连载了10篇。都是讲SPSS的。恩，已经收藏。感谢楼主
LZ真心可以建个档案室了，做的很赞，受教了~
初级学术勋章
初级学术勋章
初级热心勋章
初级热心勋章
中级学术勋章
中级学术勋章
初级信用勋章
初级信用勋章
中级热心勋章
中级热心勋章
中级信用勋章
中级信用勋章
高级热心勋章
高级热心勋章
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师如何用spss做最优尺度分析_百度知道
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。
如何用spss做最优尺度分析
我有更好的答案
分析下面有最优尺度分析，就是optimal这个选项
采纳率：55%
佳尺度意思 设置类变量 进步优化 找更加合理类同种类变量进行普通线性归式
为您推荐：
其他类似问题
您可能关注的内容
换一换
回答问题，赢新手礼包