大数据时代，不论是当代大学生还是已入职场的屌丝们，尤其是在通往创业路上的侠士，都需要一种特别重要的能力－数据分析能力。它可以帮我们解决很多重要的问题，做出自己想要的预测，这样才能在当今大数据时代稳而不乱，做当今的孔明，取有道之财！下面将笔者将根据自己学习SPSS进行总结,希望能够帮助大家对SPSS进一步理解，有不足之处，望指正批评。
工具/原料
SPSS软件
数据
一、均值比较和T检验
1、解决问题（1）对抽取的样本按照某个类别时行分别计算相应常见统计量，如平均数，标准差；（2）检验两个相关的样本是否来自具有相同均值的总体；（3）两个有联系的正态总体均值是否显著差异。
2、如何选择
3、方差分析3.1条件：（1）总体必须满足正态分布（QQ图，K-S检验进行验证）；（2）观测变量各总体的方差应该相同；(齐次性检验>0.05)（3）控制变量一定是取值有限的名义尺度、顺序尺度变量。3.2分类：（根据控制变量的个数）单因素方差分析、多因素方差（薪水－年龄和工作年限）；协方差分析：扣除协变量影响（年龄和工作年限相关，扣除工作年限影响）
二、 非参数检验
1、何时用呢？在无法获得有关总体分布的相关信息时――通过样本检验关于总体的相关假设的检验方法
2、如何选择呢？
三、 相关分析
1、这不难理解，在此不多解释，重点说一下其分类，知道如何选择就好了。
四、 回归分析
1、总体看各回归方法
2、下面对重点环节进行阐述一元线性回归步骤：（1）作两变量散点图－观相关性（2）选定自/因变量，进行回归分析（3）回归方程检验（方程意义、显著性、系数显著性、残差（观测值-预测值）分析）（4）回归方程修正
3、多元帧霭绎郎线性回归：为了弥补一元线性回归无法完全解释因变量变化信息而引入（只有当一元回归效果很差才考虑，且自变量间互不相关）步骤：选择因变量－确定自变量对因变量的解释力－消除自变量多重关性（回归傧韭茆鳟）－拟合线性回归方程（多元线性回归）－方程检验－残差分析－模型确认并用于预测
4、多元――多重共线（自变量间有较强的相关性）如何发现：观察自变量间相关分析；回归分析中多重共线诊断解决方法：采用回归让SPSS自动选择合适自变量，用于建立回归方程（剔除已选变量发生多重花线的）
5、曲线回归：散点图中发现－可能是弱非线性－曲线回归难点：曲线形式的选取；不确定只好选取多种可能合适的模型－SPSS计算参数－根据判定系数（可决系数）－选择最优模型
五、 多重响应（多选项集）分析
1、适用场景：调查问卷往往需要被访者对一个问题，多个选项进行选择SPSS处理：将一个多选项问题分解成若干个单选问题，对应每个单选问题设置一个变量。
2、如何选择
六、聚类分析和判别分析
1、步骤
2、 相似性指标
3、聚类分析适用：可以在没有先验分类的情况下，通过观察对数据进行分类目标：使组内数据对象具有很高相似度，而组间具有较大的差异性
4、判别分析
七、因子分析和对应分析
1、因子分析是一种数据简化的技术，通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个假想变量来表示其基本的剞麽苍足数据结构。即：假想变量 反映主要信息 是不可观测的潜在变量 即 因子（1）主要思路：降维 简化数据结构（2）目的：将（具有错综复杂关系的）变量 综合为 （数量较少的） 因子以再现 原始变量与因子的关系， 通过不同的因子，对变量进行分类消除 相关性，在信息损失最小的情况下，降维
2、步铿溘老呻骤选取因子分析的变量（选相关性较大的，利于降维）――标准化处理；根据样本、估计随机向量的协方差矩阵或相关矩阵；选择一种方法――估计因子载荷阵，计算关键统计特征；进行因子旋转，使因子含义清晰化，并命名，利用因子解释变量的构成；计算每个因子在各样本上的得分，得出新的因子得分变量――进一步分析。
3、如何分析检验变量间偏相关度KMO值>0.6,才适合做因子分析；调整因子个数，显示共同特征后即可命名。
4、分类
5、对应分析基本理论
