SPSSAU__SPSSAU数据一致性 SPSSAU手册.pdf

SPSSAU-在线SPSS分析软件

SPSS分析SPSS教程SPSSAU数据不对网页在线SPSS

数据结果一致性问题

Contents

1.分析数据不一致1

2.分析项放置不一致1

3.算法之ML极大似然法2

4.算法之参数配置2

5.算法之随机过程2

6.哑变量设置2

7.反馈3

在进行SPSSAU分析（或其它分析软件）时，有可能出现gap，当出现此类问题时，

需要从以下几个方面进行排查和解决：

项问题原因检查解决办法

1分析数据不一致非会员问题；确保会员权益；

使用描述分析查看平均值是否完全使用完全相同数据

一模一样。和分析操作。

2分析项放置不一致放到右侧框分析项是否绝对一致，包括确保分析项个数和顺序

个数和顺序等。等绝对一致。

3算法之ML极大似查看分析方法是否使用ML极大似然法正常现象

然法

4算法之参数配置参数设置确保正确的参数配置

5算法之随机过程算法本身就有随机性，比如聚类分析和正常现象

中介作用Bootstrap

6哑变量设置哑变量的原理确保参考项完全一致

7其它

1.分析数据不一致

如果是非会员，SPSSAU会限制分析样本量(限50个样本)；出现此种情况下，开通

会员即可。

如果是会员，建议使用‘通用方法描述’进行分析，查看平均值是否完全一致，以检

查分析的数据是否完全一致。

分析数据不一致是人为原因，一定需要人为进行处理。

2.分析项放置不一致

放到右侧框的分析项需要确保一致，包括分析项的数量和顺序；如果是分析项放置

不一致，那肯定会出现不一样，因为分析的数据都不一样，这是人工原因需要仔细检查。

除此之外，分析项放的顺序不一致，也可能带来gap，比如在进行验证性因子分析

SPSSAU-在线SPSS分析软件

时，放到框中的第一项默认会作为参考项，但其它软件比如AMOS、R、Mplus等是自

己手工设定参考项，当参考项不一致时，结果会不一致。此种情况是正常现象而且完全

正确，不用理会即可。

3.算法之ML极大似然法

从算法角度上，ML极大似然法估计是非常常见和通用的模型参数估计方法。有很

多研究方法均会使用ML极大似然法，它是一种数据迭代算法。如果迭代最后收敛，结

果会完全一致，但是如果数据质量不太好，有可能会出现迭代不收敛，最终导致数据不

一致。这是一种正常现象，因为收敛的标准可能不一致，比如有的软件以10的-5次方

作为收敛标准，而有的以10的-3次方作为标准。通常情况下SPSSAU以10的-5次方

作为收敛标准。

在实务研究中，绝大多数情况下数据均为收敛，因此会保持一致性结果，但也有极

小可能会出现数据不收敛因而不同软件（比如SPSS、Stata、R、SPSSAU、Mplus、LISREL

软件等）等出现不一致的结果，每个软件出来的结果均会有一定的gap，此种gap是正

常现象，此种不一致会带来结果的不一致，但结论上通常是一致并无区别。

SPSSAU中涉及到ML极大似然法的方法包括以下：验证性因子分析CFA、路径分

析、结构方程模型SEM、二元Logit、多分类Logit、有序Logit、二元Probit、Cox回归

等。上述分析方法有可能出现数据结