大數據時代，不論是當代大學生還是已入職場的屌絲們，尤其是在通往創業路上的俠士，都需要一種特別重要的能力－數據分析能力。它可以幫我們解決很多重要的問題，做出自己想要的預測，這樣才能在當今大數據時代穩而不亂，做當今的孔明，取有道之財！下面將筆者將根據自己學習SPSS進行總結,希望能夠幫助大家對SPSS進一步理解，有不足之處，望指正批評。
工具/原料
SPSS軟件
數據
一、均值比較和T檢驗
1.解決問題
（1）對抽取的樣本按照某個類別時行分別計算相應常見統計量，如平均數，標準差；
（2）檢驗兩個相關的樣本是否來自具有相同均值的總體；
（3）兩個有聯繫的正態總體均值是否顯著差異。
2.如何選擇
3.方差分析
3.1條件：
（1）總體必須滿足正態分佈（QQ圖，K-S檢驗進行驗證）；
（2）觀測變量各總體的方差應該相同；(齊次性檢驗>0.05)
（3）控制變量一定是取值有限的名義尺度、順序尺度變量。
3.2分類：（根據控制變量的個數）
單因素方差分析、多因素方差（薪水－年齡和工作年限）；
協方差分析：扣除協變量影響（年齡和工作年限相關，扣除工作年限影響）
二、 非參數檢驗
1.何時用呢？
在無法獲得有關總體分佈的相關信息時――
通過樣本檢驗關於總體的相關假設的檢驗方法
2.如何選擇呢？
三、 相關分析
這不難理解，在此不多解釋，重點說一下其分類，知道如何選擇就好了。
四、 迴歸分析
1.總體看各回歸方法
2.下面對重點環節進行闡述
一元線性迴歸步驟：
（1）作兩變量散點圖－觀相關性
（2）選定自/因變量，進行迴歸分析
（3）迴歸方程檢驗（方程意義、顯著性、係數顯著性、殘差（觀測值-預測值）分析）
（4）迴歸方程修正
3.多元線性迴歸：為了彌補一元線性迴歸無法完全解釋因變量變化信息而引入（只有當一元迴歸效果很差才考慮，且自變量間互不相關）
步驟： 選擇因變量－確定自變量對因變量的解釋力－消除自變量多重關性（迴歸）－擬合線性迴歸方程（多元線性迴歸）－方程檢驗－殘差分析－模型確認並用於預測
4.多元――多重共線（自變量間有較強的相關性）
如何發現：觀察自變量間相關分析；迴歸分析中多重共線診斷
解決方法：採用迴歸讓SPSS自動選擇合適自變量，用於建立迴歸方程（剔除已選變量發生多重花線的）
5.曲線迴歸：散點圖中發現－可能是弱非線性－曲線迴歸
難點 ：曲線形式的選取；不確定只好選取多種可能合適的模型－SPSS計算參數－根據判定係數（可決係數）－選擇最優模型
五、 多重響應（多選項集）分析
1.適用場景：調查問卷往往需要被訪者對一個問題，多個選項進行選擇
SPSS處理：將一個多選項問題分解成若干個單選問題，對應每個單選問題設置一個變量。
2.如何選擇
六、聚類分析和判別分析
1.步驟
2. 相似性指標
3.聚類分析
適用：可以在沒有先驗分類的情況下，通過觀察對數據進行分類
目標：使組內數據對象具有很高相似度，而組間具有較大的差異性
4.判別分析
七、因子分析和對應分析
1.因子分析
是一種數據簡化的技術，通過研究眾多變量之間的內部依賴關係，探求觀測數據中的基本結構，並用少數幾個假想變量來表示其基本的數據結構。
即：假想變量 反映 主要信息 是不可觀測的潛在變量 即 因子
（1）主要思路：降維 簡化數據結構
（2）目的：將（具有錯綜複雜關係的）變量 綜合為 （數量較少的） 因子
以再現 原始變量與因子的關係， 通過不同的因子，對變量進行分類
消除 相關性，在信息損失最小的情況下，降維
2.步驟
選取因子分析的變量（選相關性較大的，利於降維）――標準化處理；
根據樣本、估計隨機向量的協方差矩陣或相關矩陣；
選擇一種方法――估計因子載荷陣，計算關鍵統計特徵；
進行因子旋轉，使因子含義清晰化，並命名，利用因子解釋變量的構成；
計算每個因子在各樣本上的得分，得出新的因子得分變量――進一步分析。
3.如何分析
檢驗變量間偏相關度KMO值>0.6,才適合做因子分析；
調整因子個數，顯示共同特徵後即可命名。
4.分類
5.對應分析基本理論
