Sorry, Page Not Found苹果/安卓/wp
积分 10, 距离下一级还需 14 积分
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡
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
最近再做一个调查问卷，但是调查数据的结果不会输入到spss里面进行分析，跪求各位大神！
你可以把数据录入到EXCEL中，在复制粘贴过去，看你的这样的状态应该是对SPSS这个软件不了解，如果有需要，可以联系我，问卷的一些方法，分析方法基本都可以在SPSS实现。QQ，
你一点基础都没有，还是请个人帮忙吧。
短时间内很难学明白，一知半解的处理数据会出笑话的。
统计爱好者
最好的办法是，看看spss自己带的数据（其实和excel几乎是一样的），然后随便找本书看看，比如吴明隆的，我想最多一个上午你就会了。
收费统计咨询请加扣扣号码：，请注明来意。
最好先将数据输入到Excel表格中，然后打开spss软件，将Excel表中的数据导入到spss中，再对变量重新命名就ok
如果你需要把调查数据变成table,联系.
需要请联系QQ：
&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：王进律师下载费用： 40.00 共享分 &
&&&&&&&&&&&&纪浩然如何对市场调研问卷的数据进行预处理
纪浩然如何对市场调研问卷的数据进行预处理
还剩页未读，继续阅读
下载文档到电脑，查找使用更方便
下载需:<b style="color: #ff 共享分
内容要点：
纪浩然如何对市场调研问卷的数据进行预处理如何对市场调研问卷的数据进行预处理 纪浩然 学习导航 通过学习本课程，你将能够： ●完成市场调研问卷的信度检验； ●剔除市场调研问卷中的废卷； ●做好市场调研问卷的数据管理和转换。 如何对市场调研问卷的数据进行预处理 市场调研问卷数据的预处理是整个市场调研工作的重要环节，如果预处理做得不好，就会使有问题的问卷进入后面的数据分析环节，对最终结果产生严重影响。 一、信度检验 1.信度分析简介 信度，即信任度，是指问卷数据的可信任程度。信度是保证问卷质量的重要手段，严谨的问卷分析通常会采用信度分析筛选部分数据。 α值是信度分析中的一个重要指标，它代指 0～ 1 的某个数值，如果α值小于 0.7，该批次问卷就应当剔除或是进行处理；如果大于 0.9，则说明信度很高，可以用于数据分析；如果位于0.7～ 0.9，则要根据具体情况进行判定。如表 1 所示。 表 1 信度的判定表 α值 意义 >0.9 信度非常好 >0.8 信度可以接受 >0.7 需要重大修订但是可以接受 <0.7 放弃 2.信度分析示例 操作过程 下面介绍的是一个信度分析的案例，其操作过程为：首先打开信度分析文件，可以看到该文件的结构很简单，一共包含 10 个题目，问卷的份数是 102 份。然后进入 SPSS 的“分析”模块，找到“度量”下面的“可靠性分析”，将这十个题目都选进去。 在接下来的统计量中，首先看平均值、方差和协方差等，为了消除这些变量的扰动，可以选择要或者不要这些相关的量，另外 ANOVA（单音数方差分析）是分析两个变量之间有无关系的重要指标，一般选择要，但在这里可以不要，其他一些生僻的量值一般不要。描述性在多数情况下需要保留，因为模型的输 出结果会有一些描述，因此应当选中项、度量和描述性，然后“确定”，这时 SPSS 输出的结果就会比较清楚。 结果解读 案例处理汇总后， SPSS 输出的结果如图 1 所示。 图 1 信度分析结果 由图 1 可知，案例中调查问卷的有效数据是 102，已排除数是 0，说明数据都是有效的，在这里如果某个问卷有缺失值，就会被模型自动删除，然后显示出已排除的问卷数。在信度分析中，可以看到 Alpha 值是 0.881，根据前文的判定标准，这一数值接近 0.9，可以通过。在图右下方部分有均值、方差、相关性等多个项目，这主要看最后的“项已删除的 Alpha 值”，该项目表示的是删除相应项目后整个问卷数据信度的变动情况，可以看出题目 1、题目 2 和题目 6对应的数值高于 0.881，表明删除这三个题目后整个问卷的 Alpha 值会上升，为了确保整个调查的严谨性，应当将这三个题目删除。 二、剔除废卷 删除废卷大致有三种方法：根据缺失值剔除、根据重复选项剔除、根据逻辑关系剔除。 1.根据缺失值剔除 缺失值的成因 在市场调查中，即使有非常严格的质量控制，在问卷回收后仍然会出现缺项、漏项，这种情况在涉及敏感性问题的调查中尤其突出，缺失值的占比甚至会达到 10%以上。之所以会出现这种现象，主要有以下原因：一是受访者对于疾病、收入等隐私问题选择跳过不答，二是受访者由于粗心大意而漏掉某些题目等。 缺失值的处理 在处理缺失值时，有些人会选择在 SPSS 或 Excel 中将其所在的行直接删除。事实上，不能简单地删除缺失值所在的行，否则会影响整个问卷的质量。这是因为在该行中除了缺失的数据以外，其他数据仍旧是有效的，包含许多有用信息，将 其全部删除就等于损失了这部分信息。 在实际操作中，缺失值的处理主要有以下方式，如图 2 所示。 图 2 缺失值的处理方式 缺失值的处理 —— 忽略。 在处理缺失值时，可以在“选项”中直接忽略，这样可以保留其他数据进行之后的运算、建模和输出。 缺失值的处理 —— 填充。 填充，指的是在缺失值的位置用各种技术手段和模型将值回填进去，比如用中间某段数据的平均值填充等。一般来说，主要有两种填充方式：第一，在“转换”模块中，替换缺失值；第二，在“分析”模块中，采用 EM 模型或者回归模型进行填充，这两种模型都可以有效地完成填充， 相对来说 EM 模型更高效一些。 缺失值处理示例 填充值的回归。 首先打开该文件，如图 3 所示，发现其中有三列数据，分别是体重组、年龄和胆固醇。可以看到，胆固醇的某些数据中有一些点，这就是 SPSS 设定的缺失值。 对此第一种处理缺失值的方式是做一个回归，操作过程为：进入 SPSS 的“回归”，然后选择“线性回归”界面。这时需要分析的目标就是应变量，其他对应变量有影响的因素就是自变量，如示例中的胆固醇是应变量，而体重和年龄则是自变量，表示随着体重的上升和年龄的增长，总体来说胆固醇水平也会上升。因此要将胆固醇选为应变量， 将体重和年龄选为自变量，其他因素选择默认，然后点击“确定”，系统就会输出相应的结果，如图 3 上方的表格所示。 图 3 缺失值的填充示例 在输出结果中可以看到有一个“ sig.”值，也就是前文讲过的检验 P 值，即检验概率值，如前所述，这一概率值应当与 0.05（ 5%）进行对比，如果小于 0.05，说明这一模式的解释是可接受的，反之则说明模型解释的结果不能接受。图中的检验 P 值有三个，分别对应常量、体重组和年龄，其中对常量的检验 P 值一般可以不予计较，主要关注后两个项目对应的检验 P 值。在此可以用下面的回归方程进行分析： P 值＝常量（ ﹣ 0.135）＋ 0.895×体重＋ 0.094×年龄 这一函数公式表示的是体重和年龄对胆固醇的影响大小，可以看出体重对胆固醇的影响系数接近 1，而年龄对胆固醇的影响系数则接近 0.1。因此，可以得出结论：对胆固醇产生影响的最重要因素是体重，要想控制胆固醇水平，首先应当控制体重。 有无缺失值的比较。 这时再回到“回归”选项，选择“按照列表来排除个案”，该选项的意思是系统在处理胆固醇的缺失值时跳过去不做处理，接着再进行一遍之前的操作：“分析” — “回归”— “线性回归” — 将胆固醇选为应变量，将体重和年龄选为自变量 — 确定，可以看出输出的结果中（图 4 下方的表格）常量是 0.062，而体重组因为跳过缺失值，所以对胆固醇的影响系数变大为 1.137，相应地年龄的影响系数则减小为 0.081。这就说明，直接跳过缺失值会对分析结果产生较大影响。 缺失值的“转换”处理。 由上述分析可知，当数据有缺失值时应当进行相应的处理， SPSS 在“转换”模块中有一个专门的“替换缺失值”模块，点击进入后可以看到 SPSS 提供了五种填充值，包括序列均值、临近值的均值、临近值的中位数、线性插值和线性趋势。根据专家的经 验和建议，在进行销售预测时一般应选择“线性趋势”，这是因为当数据在上升或下降的过程中有缺失值时，“线性趋势”会模拟销售数据上涨或下降的波动态势，能够最大限度地接近实际情况。点击线性趋势后，系统就会自动生成一个变量，将这个变量填入缺失值的位置就可以完成数据的填充。 EM 模型填充。 “分析”模块是 SPSS 的精华和核心部分，大部分基本分析模型都在这一模块，其中“缺失值分析”被当作一个独立模块放在其中，这说明对缺失值的分析处理是一项非常重要的工作。点击进入这一模块后，首先将胆固醇选到变量中，然后在“估计”中选 EM 模块 ，选择“保存完成的数据”，点击“继续”，然后点击“确定”，这时 SPSS 就会生成一列新数据，这就是采用 EM 模块填充缺失值后的数据。 回归模型填充。 在运用回归模型填充缺失值时，有两种方式可供选择：一种是比较简单的回归法，即生成的填充值不再变动；另一种是为生成的填充值加上一个残差，这个残差是一个任意值，随机性很强。然后在保存数据里面选择“回归”，点击“确定”，这时 SPSS 就会完成一个回归填充。 EM 和回归模型的填充效果对比。 图 4 是 EM 模型和回归模型的散点图对比，左侧是回归模型的填充效果，右侧是 EM 模型的填充效果。 其中横轴表示胆固醇原值，而纵轴则是两种填充方式的数值；蓝色的圆圈代表正常值，红色的圆圈表示缺失值。可以看出，右侧 EM 的填充值与原值的差距较小，也就是 EM 模型的缺失值填充效果比回归模型的填充效果更好一些。 图 4 EM 和回归模型的填充效果对比 EM 和回归模型的回归效果对比。 在图 5、图 6 和图 7 中分别显示了原值、 EM 填充以及回归填充的回归效果，可以看出 EM 填充的数值更接近于原值填充。 图 5 原值 图 6 EM 填充 图 7 回归填充 通过以上分析可以看出：第一，严谨的数据分析一定要有一个准确、完整的框架，对于缺失值一定要进行科学处理，否则可能会出现严重后果，许多大公司都非常注意这一点；第二，在问卷数据量大，缺失数据较多时，用 EM 模型填充的效果比线性回归更好， EM 模型比回归模型处理起来更加精巧，可以直接使用 EM 模型填充。 要点提示 缺失值处理的认识要点： ①缺失值所在的数据行不能直接删除； ②直接忽略缺失值会影响最终的分析结果； ③缺失值一定要进行科学的填充处理； ④缺失值较多时优先选用 EM 模型填充。 2.根据重复选项剔除 一般来说，对于一定题量的问卷，很少有两份问卷答得完全一样，因此有必要标志重复值，将重复的选项剔除。在将几百份或者更多问卷数据录入后，只靠肉眼很难判断里面是否有重复值，这时可以运用 SPSS 进行处理。 例如，根据重复值删除个案示例，首先打开文件，在进入 SPSS 的“数据”模块后，双击“纪浩然如何对市场调研问卷的数据进行预处理
暂无评论，赶快抢占沙发吧。博主最新文章
博主热门文章
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)用问卷星调查的问卷结果怎么导入SPSS不乱码 求大神解救 急急急 感谢_百度知道
用问卷星调查的问卷结果怎么导入SPSS不乱码 求大神解救 急急急 感谢
我有更好的答案
很容易乱码的，主要是因为spss版本问题
请问您已经解决这个问题了吗？
为您推荐：
其他类似问题
&#xe675;换一换
回答问题，赢新手礼包&#xe6b9;
个人、企业类
违法有害信息,请在下方选择后提交
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。