SPSS 数据分析怎么做？五个基本步骤与结果解读

SPSS 分析有固定的顺序，跳步会导致后面的结果没有意义。

第一步：数据录入与清洗

变量定义：在"变量视图"里设置每个变量的名称、类型、标签、值标签。

• 名称用英文或拼音缩写（如 sat1、sat2）
• 标签写完整题目（便于输出结果时识别）
• 值标签定义编码含义（1=男，2=女）

数据清洗要做三件事：

一是处理缺失值。 少量缺失可以删除该样本（列表删除），或用均值替代。缺失比例过高（超过 10%）的题项要考虑是不是题目有问题。

二是识别无效问卷。 常见的无效情况：全部选同一个选项、填写时间过短、反向题与正向题回答矛盾。这些要剔除，并在论文中说明剔除标准和数量。

三是反向题计分。 反向题需要转换（五级量表：1↔5、2↔4、3不变）。用「转换 → 重新编码为不同变量」完成。忘记反向计分会让信度系数异常低，这是最常见的操作失误。

第二步：描述性统计

操作：分析 → 描述统计 → 频率 / 描述

要报告的：

• 样本构成（性别、年龄等的频数与百分比）
• 各变量的均值、标准差
• 必要时报告偏度与峰度（判断是否近似正态分布）

论文里的写法：

有效样本共 273 份，其中男性 128 人（46.9%），女性 145 人（53.1%）。配送时效满意度均值为 3.87（SD=0.72），在四个维度中最高。

第三步：信度与效度检验

信度分析

操作：分析 → 标度 → 可靠性分析，把同一变量的题项放进去。

看 Cronbach α 系数：
• α > 0.8：良好
• 0.7 < α < 0.8：可接受
• α < 0.7：需要检查题项

如果 α 偏低，看输出里的"删除项后的 α 值"——如果删掉某题后 α 明显上升，说明该题与其他题不一致，可以考虑删除（但要在论文中说明）。

效度分析

操作：分析 → 降维 → 因子分析

先看两个指标是否适合做因子分析：
• KMO 值 > 0.7（越接近 1 越适合）
• Bartlett 球形检验 p < 0.05

然后看因子载荷：同一变量的题项应当聚在同一个因子上，载荷值 > 0.5。

第四步：相关分析

操作：分析 → 相关 → 双变量，选 Pearson

看两个数：
• 相关系数 r：绝对值 0.3 以下弱相关，0.3-0.5 中等，0.5 以上强相关
• 显著性 p：小于 0.05 才有意义

论文写法：

配送时效与用户满意度呈显著正相关（r=0.58，p<0.01）。

重要提醒：相关不等于因果。相关分析只说明两个变量同向或反向变化，不能说明谁影响谁。

第五步：回归分析

操作：分析 → 回归 → 线性，把因变量和自变量放进去

要看的四个结果：

一是 R²（决定系数）：模型解释了因变量多少变异。0.3 表示解释了 30%。社科研究中 R² 达到 0.3-0.5 已属较好。

二是 F 检验：整个模型是否显著（p < 0.05）。

三是各变量的 β 系数：标准化系数，可以横向比较各自变量的影响大小。

四是各变量的 p 值：该变量的影响是否显著。

论文写法：

回归模型整体显著（F=42.3，p<0.001），R²=0.41，表明四个变量共同解释了用户满意度 41% 的变异。其中配送时效的影响最大（β=0.42，p<0.01），其次是服务质量（β=0.23，p<0.05），包装完好度的影响不显著（β=0.06，p=0.312）。

别忘了检查多重共线性：看 VIF 值，通常 VIF < 10 即可接受（严格标准 < 5）。VIF 过高说明自变量之间高度相关，回归结果不可靠。

结果解读的三个注意点

第一，不显著也是结果。 假设没被验证不代表研究失败，如实报告并讨论可能原因，比硬把 p=0.08 说成"边缘显著"要好。

第二，统计显著不等于实际重要。 大样本下很小的差异也可能显著。要结合效应量（β 系数大小）判断实际意义。

第三，横截面数据不能推因果。 论文里应写"与……显著相关""……的变化伴随着……"，而不是"导致""引起"。这是评委非常敏感的一点。

一个建议

分析结果出来后，把每一个数字在论文里的出处标清楚（哪张表、SPSS 输出的哪一项）。答辩时评委问"这个 0.783 是怎么来的"，你要能立刻指出来。

原始数据文件和 SPSS 输出文件都要保留，答辩时带上。