SPSS统计功能 - 应用速查表
第一列为统计方法,中间为统计功能,最后一列为所在模块

1 ANOVA Models(单因素方差分析:简单因子) : 摘要 描述 方差 轮廓 -
SPSS Base
2 AREG (评估从一个时间点到下一个时间点回归相关时的误差) : 预测 - SPSS Trends
3 ARIMA
(季节和非季节性单变量模型的极大似然估计) : 预测 - SPSS Trends
4 Binary logistic
regression(二元逻辑斯蒂回归,对一组独立变量进行二分相关变量回归) : 得分 聚类 - SPSS Regression Models
5
Bivariate (Correlate) (二变量相关) : 摘要 描述 - SPSS Base
6 CHAID (χ2 Automatic
Interaction Detector,卡方自动交互检测),一种快速多维树型统计算法 : 摘要 描述 轮廓 得分 聚类 - AnswerTree
7
Cluster (聚类) : 聚类 - SPSS Base
8 Confirmatory Factor Analysis (因子分析) : 摘要 描述
方差 轮廓 - Amos
9 Conjoint(联合分析,分析得分或等级数据,估计因素的局部价值) : 轮廓 得分 聚类 - SPSS Conjoint

10 Constrained nonlinear regression (受约束非线性回归) : 描述 方差 得分 - SPSS Regression
Models
11 Correspondence (对应) : 描述 方差 轮廓 聚类 - SPSS Categries
12 Cox
Regression (Cox回归) : 摘要 描述 方差 - SPSS Advanced Models
13 Crosstabs (交叉表) : 摘要
描述 轮廓 聚类 - SPSS Base
14 Curvefit (曲线拟和) : 描述 方差 得分 预测 - SPSS Base
15
Descriptive (summarize)(描述分析-摘要) : 摘要 描述 - SPSS Base
16 DISCRIMINANT (判断) :
描述 得分 聚类 - SPSS Base
17 Explore (Summarize) (探测-摘要) : 摘要 描述 - SPSS Base

18 EXSMOOTH (指数平滑方法,用于对多至4个参数进行评估,12种可用模型) : 预测 - SPSS Trends
19 Factor
Analysis (因子分析) : 摘要 描述 方差 - SPSS Base
20 Fit (拟和) : 摘要 - SPSS Base
21
Frequencies (频数) : 摘要 描述 方差 - SPSS Base
22 GENLOG (Generalized liner
models,广义线性模型) : 描述 方差 聚类 - SPSS Advanced Models
23 GLM (General liner
models,通用线性模型) : 摘要 描述 方差 轮廓 得分 - SPSS Advanced Models
24 HILOGLINEAR
(多为列联表的Hieararchical loglinear模型,) : 描述 方差 聚类 - SPSS Advanced Models
25
HOMALS (通过交叉最小平方进行齐性分析,多重响应分析) : 描述 方差 轮廓 聚类 - SPSS Categories
26
Kaplan-Meier (评估事件的时间长度) : 摘要 描述 - SPSS Advanced Models
27 Linear Regression
(线性回归) : 得分 预测 聚类 - SPSS Base
28 LOGLINEAR (多维列联表通用模型) : 描述 方差 聚类 - SPSS
Advanced Models
29 Means (Compare means)(均值-均值比较) : 摘要 描述 方差 轮廓 - SPSS Base

30 Modeling Statistics (模型统计) : 摘要 描述 方差 轮廓 得分 预测 聚类 - SPSS Base
31
Multidimensional Scaling (ASCAL) (多维尺度) : 摘要 描述 轮廓 聚类 - SPSS Base
32
Multinomial Logistic Regression (多项逻辑斯蒂回归) : 得分 聚类 - SPSS Regression Models

33 Multiple response (多重响应) : 摘要 描述 - SPSS Base
34 Nonparametric tests
(非参数检验) : 摘要 描述 方差 - SPSS Base
35 Oneway ANOVA (单因素方差分析) : 摘要 描述 方差 轮廓 -
SPSS Base
36 Ordinal logistic regression (序数逻辑斯蒂回归) : 得分 聚类 - GOLDMineR

37 ORTHOPLAN (正交设计) : 方差 - SPSS Conjoint
38 OVERALS (多组变量的非线性正规相关) : 描述
方差 轮廓 聚类 - SPSS ducts/categories.html">SPSS R>
39 Partial (Correlate)
(偏相关) : 摘要 描述 - SPSS Base
40 PLANCARDS (生成试验的计划卡) : 描述 方差 轮廓 聚类 - SPSS
Categories
41 Probit (正规偏差值,响应分析和相应模型,LOGIT响应模型) : 得分 聚类 - SPSS Regression
Models
42 Proximities (亲近性) : 摘要 描述 聚类 - SPSS Base
43 Quick Cluster
(快速聚类) : 轮廓 聚类 - SPSS Base
44 Reliability (可靠性) : 摘要 描述 - SPSS Regression
Models
45 Report Summaries (报告摘要) : 摘要 描述 - SPSS Base
46 SEASON
(季节分析,周期性时间序列加法或乘法季节性因素评估) : 描述 预测 - SPSS Trends
47 SEM (Structural equation
modeling,结构化方程模型) : 摘要 描述 方差 轮廓 - Amos
48 Spectra (频谱,把时间序列分解为谐波元素) : 摘要 描述
方差 聚类 - SPSS Base
49 Survival (生存分析,生命表分析) : 摘要 描述 - SPSS Base
50
t-tests (t检验) : 摘要 描述 方差 - SPSS Base
51 Two-stage least squares (二阶最小平方) :
预测 - SPSS Regression Models
52 Unconstrained nonlinear regression (无约束非线性回归)
: 描述 方差 得分 - SPSS Regression Models
53 VARCOMP Variance component
estimation,方差元素估计) : 方差 - SPSS Advanced Models
54 X11ARIMA : 预测 - SPSS
Trends

最新文章

  1. 有强迫症的我只能自己写一个json格式化工具
  2. [转]Hibernate update和saveOrUpdate详解
  3. sublime test 3 使用及常用插件
  4. JavaScript--DOM事件(笔记)
  5. 开源而又强大的迷你型web服务器推荐
  6. Mysql 数据库 操作语句
  7. windows下将隐藏文件通过命令行改变为普通的显示文件
  8. openGL 初试 绘制三角形 和添加鼠标键盘事件
  9. SpringBoot实践 - SpringBoot+MySql+Redis
  10. 多线程图像处理中对选入DC的位图保护
  11. Docker容器访问控制
  12. SpringBoot的Web配置
  13. dockerfile debian 和pip使用国内源
  14. Coursera台大机器学习技法课程笔记15-Matrix Factorization
  15. ASP.NET MVC中商品模块小样
  16. Flask从入门到精通之使用Flask-SQLAlchemy管理数据库
  17. python聚类算法实战详细笔记 (python3.6+(win10、Linux))
  18. Robot Framework连接MySQL数据库
  19. Vue 从零开始--搭建环境
  20. 点滴积累【other】---存储过程删除所有表中的数据(sql)

热门文章

  1. Android访问WCF服务(使用json实现参数传递)
  2. Oracle多用户对一个表进行并发插入数据行操作
  3. DEV MarqueeProgressBarControl控件
  4. Java 使用IE浏览器下载文件,文件名乱码问题
  5. ES6中的模板字符串---反引号``
  6. 新人补钙系列教程之:体验ApplicationDomain 应用程序域
  7. [转载]CentOS 6.5 安装五笔输入法
  8. ASP.NET MVC学习---(一)ORM框架,EF实体数据模型简介
  9. Java程序IP v6与IP v4的设置
  10. flask和pymongo的完美搭配