第三章数据清理与基本统计分析.pptVIP

标准差 标准差是指离差平方和平均后的方根，即方差的平方根。用 表示。 方差与标准差的优缺点 优点：反映灵敏，严密确定，计算简单，用样本数据推断总体差异量时，方差与标准差是最好的估计量。 缺点：易受极端数值的影响，有个别数据模糊不清时便无法计算。 （3）四分位差 百分位数：就是次数分布中相对于某个特定百分点的原始分数。百分位数的计算公式如下： Pm——第m百分位数；L——Pm所在组的组下限； f——Pm所在组的次数；Fb——小于L的累计次数。 百分位差 百分位差：是指两个百分位数之差。常用的有： 四分位差 若将从小到大排列的一组数据分成频数相等的四段，第一与第二段的分界点称为第一个四分位数。第三段与第四段的分界点称为第三个四分位数。则四分位差就是第三个四分位数（第75百分位数）与第一个四分位数（第25百分位数）的差。公式为： 极差、百分位差、四分位差 极差：最简单、最易理解的差异量数，但也是最粗糙、最不可靠的值。 级差明显地受取样变动的影响，一般情况下主要用于对数据做预备性检查，了解数据的大概散布范围，以便确定如何进行统计分组。 百分位差与四分位差： 与极差相比，避免了极端数据的影响，但由于没有把全部数据考虑在内，其稳定性会差一些。 另外，它们也不适合代数方法运算，反应不够灵敏，应用不多。 （4）极值 极值是指位于数据总体分布之外的一些极端的数值。极值的产生可能主要有下列原因： （1）极值是真的测量结果； （2）可能是由于数据记录或录入误差造成的； （3）极值数据可能来自其他总体。 确定极值的方法 统计学上通常用四分位数和四分位距作为确定极值的工具，过程如下： （1）首先根据四分位数和四分位距确定数据分布的上、下限： 下限=Q1-.1.5IQR； 上限=Q3+1.5IQR （2）小于下限和大于上限的观察值就是潜在的极值。 （3）确定了潜在的观察值后，可以用直方图、茎叶图等进一步检查这些观察值是否真的是极值。 （三）分布形态测度 偏度：是描述数据分布对称性的测度。 偏度是与正态分布相比较的量，偏度为0表示其数据分布与正态分布偏度相同，数据呈对称分布，此时平均数与中数相等；偏度大于0表示正偏差数值较大，数据呈正偏态（或右偏态），此时平均数大于中数；偏度小于0表示负偏差数值较大，数据呈负偏态（或左偏态），此时平均数小于中数。而偏度的绝对值数值越大表示分布形态的偏差程度越大。 峰度 峰度是描述数据围绕平均数分布的紧密程度，或者分散程度。 峰度 与平均数、标准偏差一样，峰度对极端值的存在非常敏感。统计学上，将数据分布分为三种类型，即常峰态、低峰态和尖峰态。 峰度为0表示其数据分布与正态分布的趋缓程度相同，数据呈常峰态。 峰度小于0表示比正态分布更加平坦，数据呈低峰态，即中间部分的数据较少，相当一部分数据分布在两端极端高或极端低的位置，而且这种分布的偏度指数一般不太高。 峰度大于0表示比正态分布更加陡峭，数据呈尖峰态，即相当一部分数据分布在少数的位置，这个位置可以是靠中间的位置，也可以是靠某一端的位置，其他位置的数据分布明显较少。 分布 平均数 中位数 众数 离散程度 SPSS的基本统计分析 在SPSS的Analyze菜单中包括了一系列统计分析过程。其中Reports和Descriptive Statistics命令项中包括的功能是对单变量的描述统计分析。 Descriptive Statistics包括的统计功能有： Frequencies：频数分析 Descriptives：描述统计量分析 Explore：探索分析 Crosstabs：多维频数分布交叉表（列联表） Reports包括的统计功能有： OLAP Cubes：OLAP报告摘要表 Case Summaries：观测量列表 Report Summaries in Row(Columns)：行(列)形式输出报告 频数分析Frequencies 1、了解变量的取值分布情况对整体把握数据的特征是非常有利的。 2、求分类（定类、定序）变量的频数和作Bar图 3、求定距变量(连续变量)的分布情况和作直方图Histogram 4、对连续变量进行分组(recode)后再求频数，如老中青(35, 60)的比例，文化程度(中学、大学及以上)的人数及比例等 5、Analyze + Descriptive Statistics + Frequen