《IBM SPSS数据分析实战案例精粹 第2版》求取 ⇩

第1部分SPSS数据分析基础3

第1章数据分析方法体系简介3

1.1数据分析方法论概述3

1.1.1 严格设计支持下的统计方法论3

1.1.2 半试验研究支持下的统计方法论4

1.1.3 偏智能化、自动化分析的数据挖掘应用方法论5

1.2统计软件中的数据存储格式6

1.2.1 二维数据表7

1.2.2 变量的存储类型7

1.2.3 变量的测量尺度8

1.3数据的统计描述与参数估计9

1.3.1 连续变量的统计描述9

1.3.2 连续变量的参数估计12

1.3.3 分类变量的统计描述和参数估计14

1.3.4 统计图形体系17

1.4常用假设检验方法20

1.4.1 假设检验的基本原理21

1.4.2 单变量假设检验方法22

1.4.3 双变量假设检验方法24

1.5多变量模型28

1.5.1 方差分析模型／一般线性模型28

1.5.2 广义线性模型和混合线性模型29

1.5.3 回归模型30

1.5.4 其他常见模型33

1.6多元统计分析模型35

1.6.1 信息浓缩35

1.6.2 变量组之间内在关联结构的探讨35

1.6.3 对数据分类36

1.6.4 分析各元素间的关联38

1.7智能统计分析方法／数据挖掘方法39

1.7.1 树模型39

1.7.2 神经网络40

1.7.3 支持向量机41

1.7.4 最近邻元素分析41

1.7.5 关联规则与序列分析41

第2章顾客售后满意度监测项目43

2.1 案例背景43

2.2数据文件的读入与变量整理44

2.2.1 了解SPSS的基本操作界面44

2.2.2 进行数据准备46

2.3问卷数据分析50

2.3.1 生成频数表50

2.3.2 计算均值51

2.3.3 对多选题进行描述52

2.4 项目总结和讨论53

第3章会员购买习惯调查54

3.1案例背景54

3.1.1 项目背景54

3.1.2 分析思路56

3.2问卷录入56

3.2.1 开放题的定义56

3.2.2 单选题的定义57

3.2.3 多选题的定义57

3.3问卷质量校验59

3.3.1 去除重复记录59

3.3.2 发现异常值61

3.3.3 逻辑校验62

3.4问卷数据分析64

3.4.1 问卷加权64

3.4.2 业务分析68

3.5 项目总结和讨论69

第4章基于背景资料的病例对照匹配71

4.1 案例背景71

4.2数据清理72

4.2.1 数据错误的发现72

4.2.2 数据错误的更正76

4.3 数据理解77

4.4 利用文件合并功能进行案例匹配80

4.5利用Python插件直接进行匹配81

4.5.1 倾向得分匹配82

4.5.2 个案控制匹配84

4.6 项目总结和讨论86

第5章北京地区雾霾变化趋势分析87

5.1案例背景87

5.1.1 项目背景87

5.1.2 分析思路88

5.2数据准备89

5.2.1 读入csv格式的数据文件89

5.2.2 合并数据文件91

5.2.3 筛选所需数据93

5.3数据理解94

5.3.1 数据分布状况94

5.3.2 缺失值分布状况95

5.3.3 考察逐月数据趋势96

5.4雾霾变化基本趋势的分析97

5.4.1 整体平均水平的比较97

5.4.2 重点考察秋冬季的数据99

5.4.3 进一步分析爆表天数变化趋势100

5.5进一步展现历史波动趋势101

5.5.1 逐月平均数据的提取101

5.5.2 建模前的数据准备102

5.5.3 用季节分解提取长期趋势104

5.6 项目总结和讨论107

第2部分影响因素发现与数值预测111

第6章酸奶饮料新产品口味测试研究111

6.1案例背景111

6.1.1 研究项目概况111

6.1.2 分析思路／商业理解112

6.2数据理解113

6.2.1 研究设计框架复查113

6.2.2 均值的列表描述114

6.2.3 均值的图形描述115

6.3用方差分析模型考察同一城市内不同品牌的评分差异116

6.3.1 单因素方差分析模型简介117

6.3.2 对品牌的作用进行总体检验118

6.3.3 组间两两比较120

6.3.4 对模型适用条件的考察：方差齐性检验122

6.4用两因素方差分析模型进行分析123

6.4.1 两因素方差分析模型简介123

6.4.2 拟合包括交互项的饱和模型125

6.4.3 拟合只包含主效应的模型125

6.4.4 组间两两比较127

6.4.5 尝试将城市指定为随机因素进行分析128

6.5分析结论与讨论130

6.5.1 分析结论130

6.5.2 Benchmark：用还是不用131

第7章偏态分布的激素水平影响因素分析132

7.1案例背景132

7.1.1 研究项目概况132

7.1.2 分析思路／商业理解133

7.2数据理解133

7.2.1 单变量描述133

7.2.2 变量关联探索136

7.3对因变量变量变换后建模分析141

7.3.1 常见的变量变换方法141

7.3.2 本案例的具体操作142

7.4 秩变换分析145

7.5利用Cox模型进行分析146

7.5.1 Cox回归模型的基本原理147

7.5.2 本案例的具体操作148

7.6项目总结与讨论150

7.6.1 分析结论150

7.6.2 八仙过海，谁为独尊150

第8章某车企汽车年销量预测152

8.1案例背景152

8.1.1 研究项目概况152

8.1.2 分析思路／商业理解153

8.2 数据理解154

8.3变量变换后的线性回归156

8.3.1 线性回归模型简介156

8.3.2 变量变换后拟合线性回归模型158

8.3.3 模型拟合效果的判断160

8.3.4 存储预测值和区间估计值162

8.4曲线拟合163

8.4.1 用曲线估计过程同时拟合多个曲线模型163

8.4.2 模型拟合效果的判断166

8.4.3 模型的预测167

8.5利用非线性回归进行拟合168

8.5.1 模型简介168

8.5.2 构建分段回归模型169

8.5.3 不同模型效果的比较171

8.6项目总结与讨论172

8.6.1 分析结论172

8.6.2 行走在理想与现实之间173

第9章脑外伤急救后迟发性颅脑损伤影响因素分析174

9.1案例背景174

9.1.1 研究项目概况174

9.1.2 分析思路／商业理解175

9.2数据理解176

9.2.1 变量关联的图表描述176

9.2.2 变量关联的单变量检验178

9.3构建二分类Logistic回归模型181

9.3.1 模型简介181

9.3.2 初步尝试建模183

9.3.3 构建最终模型188

9.4利用树模型发现交互项189

9.4.1 模型简介190

9.4.2 进行树模型分析192

9.5使用广义线性过程进行分析195

9.5.1 模型简介195

9.5.2 构建仅包括主效应的模型196

9.5.3 在模型中加入交互项199

9.6项目总结与讨论200

9.6.1 分析结论200

9.6.2 尺有所短，寸有所长201

第10章中国消费者信心指数影响因素分析202

10.1案例背景202

10.1.1 项目背景202

10.1.2 项目问卷203

10.1.3 分析思路／商业理解206

10.2数据理解207

10.2.1 图形考察时间、地域对信心指数的影响207

10.2.2 图形考察性别、职业、婚姻状况等对信心指数的影响209

10.2.3 图形考察年龄对信心指数的影响210

10.3标准GLM框架下的建模分析211

10.3.1 建立总模型211

10.3.2 两两比较的结果214

10.4多元方差分析模型的结果215

10.4.1 模型简介216

10.4.2 拟合多元方差分析模型217

10.5最优尺度回归223

10.5.1 方法简介224

10.5.2 利用最优尺度回归进行分析225

10.6多水平模型框架下的建模分析228

10.6.1 模型简介229

10.6.2 针对时间拟合多水平模型230

10.7项目总结与讨论235

10.7.1 分析结论235

10.7.2 什么时候应当运用复杂模型来建模236

第3部分信息浓缩、分类与感知图呈现239

第11章探讨消费者购买保健品的动机239

11.1案例背景239

11.1.1 研究项目概况239

11.1.2 分析思路／商业理解241

11.2数据理解241

11.2.1 单变量描述241

11.2.2 变量关联探索242

11.3利用因子分析进行信息浓缩243

11.3.1 模型简介243

11.3.2 因子分析的具体操作245

11.4基于因子分析结果进行市场细分251

11.4.1 不同婚姻状况受访者的差异251

11.4.2 不同品牌保健品使用者的因子偏好差异253

11.5项目总结与讨论255

11.5.1 研究结论255

11.5.2 因子分析的结果就是一切吗255

第12章全国房地产价格指数的估算257

12.1案例背景257

12.1.1 研究项目概况257

12.1.2 分析思路258

12.2计算平均值进行回归预测259

12.2.1 计算平均值259

12.2.2 进行回归估计259

12.2.3 导出模型代码用于预测260

12.3提取主成分进行回归预测261

12.3.1 提取主成分261

12.3.2 进行主成分回归预测263

12.4 利用自动线性建模过程预测265

12.5 项目总结与讨论266

第13章1988年汉城奥运会男子十项全能成绩分析267

13.1案例背景267

13.1.1 项目概况267

13.1.2 分析思路／商业理解268

13.2数据理解269

13.2.1 单变量描述269

13.2.2 变量关联探索269

13.2.3 尝试初步建模270

13.3利用因子分析进行信息浓缩272

13.3.1 初步分析272

13.3.2 因子旋转274

13.3.3 继续寻找更好的分析结果276

13.3.4 结果存储／发布277

13.4 主成分回归278

13.5 将主成分回归方程还原回原始变量的形式280

13.6项目总结与讨论280

13.6.1 研究结论280

13.6.2 因子的方差解释比例有实际意义吗281

第14章生活形态问卷的信效度分析及改进282

14.1案例背景282

14.1.1 项目概况282

14.1.2 分析思路／商业理解284

14.2问卷的效度分析285

14.2.1 信效度理论简介285

14.2.2 用因子分析考察问卷效度286

14.3问卷的信度分析与优化291

14.3.1 用极端组比较方式发现弱关联题项291

14.3.2 信度分析293

14.4 项目总结与讨论295

第15章打败SARS296

15.1案例背景296

15.1.1 研究项目概况296

15.1.2 分析思路／商业理解299

15.2数据理解与数据准备300

15.2.1 消费者关注的信息300

15.2.2 突发事件保险产品购买倾向302

15.2.3 未来消费者生活方式的变化304

15.3“非典”信息关注倾向的多维偏好分析306

15.3.1 模型简介306

15.3.2 多维偏好分析的SPSS操作界面介绍307

15.3.3 尝试初步建模309

15.3.4 引入更多的背景变量312

15.4突发事件险种购买倾向的多重对应分析315

15.4.1 模型简介315

15.4.2 简单对应分析317

15.4.3 多重对应分析321

15.5“非典”对未来生活方式的影响326

15.5.1 采用多维偏好分析进行初步探索326

15.5.2 换用因子分析进行信息汇总328

15.6项目总结与讨论332

15.6.1 研究结论332

15.6.2 对多维偏好分析等信息浓缩方法本质的讨论333

第16章住院费用影响因素挖掘336

16.1案例背景336

16.1.1 项目概况336

16.1.2 分析思路／商业理解339

16.2数据理解与数据准备340

16.2.1 费用数据分布341

16.2.2 变量合并342

16.2.3 极端值清理343

16.2.4 病种分布考察343

16.2.5 变量变换344

16.3采用聚类分析寻找费用类型345

16.3.1 考虑用因子分析汇总信息345

16.3.2 聚类分析方法简介347

16.3.3 对费用数据进行聚类分析349

16.4住院费用影响因素的神经网络分析352

16.4.1 模型简介353

16.4.2 初步尝试用神经网络建模355

16.4.3 对年龄离散化后重新建模360

16.4.4 构建双因变量神经网络362

16.4.5 进一步寻找更清晰的结果解释364

16.5不同疗法疗效与费用比较的神经网络分析365

16.5.1 生成工作用数据集365

16.5.2 进行神经网络的建模预测367

16.5.3 模型预测值的比较369

16.6项目总结与讨论370

16.6.1 研究结论370

16.6.2 如何在数据挖掘方法体系和经典方法体系之间进行取舍372

附录Python插件和R插件的安装方法374

参考文献377