python哪个模块用于数据分析统计服_SPSS分析技术：探索性分析；强大的综合性描述性统计模块...

SPSS还提供了一种综合性的数据描述工具：探索性分析，它能够一次性将上述分析结果和其它更详细的分析结果呈现出来，不能能够输出数据结果，还能提供各种直观统计图。

探索性分析

生活中，高空作业一般都会借助外物如吊车等工具帮住自己达到目标，而统计学中也一样，在对数据的基本特征有所了解，需要对数据进行更为细致和深入的描述性观察分析，这时候就需要绘制统计图来辅助分析，这样就使得数据分析更为深入、细致和全面。

探索性分析项目

描述性统计结果。输出各种描述性统计指标，例如，均值、方差、标准差等。

正态分布检验。通过对数据的进一步探索分析，验证其是否符合正态分布，进而确定能否使用正态分布数据的分析方法进行分析。常用的正态分布验证是Q-Q概率图。

方差齐性检验。通过Levene检验比较各组数据之间的方差是否相等，以此判断数据的离散程度是否存在差异。若Levene检验得到的显著性水平小于0.05，就拒绝方差相同的假设。

寻找数据中的奇异值。在数据整理输入过程中，对出现某些影响分析结果的奇异值进行删除或保留。

探究性分析结果的图形描述

探究性分析增加了图形的方式对数据的分布给予直观呈现。图形包括茎叶图、直方图、箱图和Q-Q概率图。茎叶图：是用以描述连续变量的一种手法，主要包括频率、茎和叶三个部分。其中，茎和叶分布代表数据的整数部分和小数部分。茎代表观测值的十位数，叶对应观测值的个位数。一个个位数代表一个观测值，每一行左边的频率就是该行对应的个案数。每个茎叶图的底部还注明了茎宽和每叶代表的个案数。数据的值即为茎叶组成的数值结合乘以茎宽。茎叶图既保留了数据的频率分布，也保存了原始数据，是探究性分析常用方法之一。

直方图：用于对连续变量数据的观察。它是以区间作为水平轴，以各个区间的频率作为相应条块的高度来绘制出统计图。从直方图上可以直观看出数据的分布状况等。

箱图：是表现五数(最小值、最大值、中位数、第一个四分位数、第三个四分位数)的图形形式，其中矩形为箱图的主题，两个四分位数之差为箱长，也称内四分位限。箱体部分包含全体数据约50%的数值，箱体的上中下三条平行线分别表示75%、50%(中位数)和25%分位数。纵贯箱体中间的竖线称为触须线，触须线上下两端的横线代表该组变量数值的最大值(97.5%)和最小值(2.5%)。箱图在比较两个或多个变量时尤其有用，它还可用于判别极端值的存在。如果箱图中有异常值，用【。】表示，如果有极端异常值，则用【*】表示。

案例分析

现有某校451名学生的体检数据，测量了身高、体重、肺活量、血压、心率等指标。对所有学生的身高数据进行探索性分析，进一步了解该校学生的身高情况。

分析步骤

1、选择菜单【分析】-【描述统计】-【探索】。将变量身高选入因变量列表；将性别选入因子列表；将编号变量选入标注个案。

因变量指待分析的数据变量；

因子列表指分类变量，即按照因子变量对因变量进行分类；

标注个案指对异常值的标注信息；

本案例将身高变量选为因变量，即待分析数据变量；将年龄变量选为因子变量，即按照年龄对身高数据进行分类；标注个案选择编号变量，在统计图上，异常值将标注其编号。

2、统计指标及统计图选择。

为了展示探索性分析的所有功能，我们将所有的统计指标及统计图类型都进行勾选。其它的选项比较简单，这里需要对伸展与级别Levene检验进行说明。

3、点击【继续】，然后点击【确定】，输出结果。

结果解读

1、个案处理摘要；从下表可以知道每个年龄的有效个案数、缺失个案数和总计个案数。

2、描述统计摘要表；由于年龄跨度较大，所以在这里只展示10岁的学生数据。包括了所有的描述性统计指标。

3、M-估计值；

当数据中存在极端值和奇异值时，M估计值是更好的平均值和中位数的替代者，能够更好的反映数据的集中程度。M估计采取的办法是给每个个案数值增加权重，这样能够有效的减少极端值和异常值对平均值和中位数的影响，从而让分析者更好的了解手中的数据。表中有四个M估计值，它们的区别在于权重不同。如果描述统计中，平均值和中位数与M估计表的有很大出入，说明原始数据中存在极端值。

4、百分位数；表中显示每个年龄数据的不同百分位的身高。

5、正态分布检验结果；探索性分析采用了两种正态分布检验方法：K-S检验和S-W检验。

结果展示了每个年龄学生的身高是否服从正态分布。

6、各种统计图形，这里以10岁学生群体的统计图为例。输出结果中包括了直方图、茎叶图、Q-Q图、去势Q-Q图以及箱图。数据分析师培训