用spss进行相关分析,如果得出的r值没有星号,且P值大于0.05,如何解释?

1. 用spss进行相关分析,如果得出的r值没有星号,且P值大于0.05,如何解释?

相关分析的r值，代表的是你所输入的数据中，变项之间关系；正值代表正向关系，负值代表负向关系，数值越大，关系越强。然而，这个解释还要视乎你所输入数据(data)的性质：到底是一个样本(sample)，抑或已经是一个总体(population)。

若你所输入的数据为後者(一个总体)，亦即不需要进行统计推论，那麼，大可不必理会这个p值，直接解释统计值r即可。但若为前者(一个样本)，亦即要把样本情况推论到总体，那麼便要进行「统计检定」，以确定样本情况是由於抽样所做成的误差，抑或，总体的情况确实是如此。这时候便要观察这个p值。

我pkl_is_pkl首先简单说一下「统计检定」。就是先就总体的情况定一个「假设H」(比如讲，总体相关为0或者某个值)，按这个假设情况抽出样本并计算其统计值，每抽一次便可得出一个样本统计值，这些样本统计值有些的出现次数较多，有些则较少，按统计值的大小排列起来，统计值的「出现次数」便会形成一个「分配」(distribution)，假设进行无限次抽样因而形成了一个「抽样分配」(sampling distribution)，「出现次数」就是样本统计值被抽中(出现)的机会率。统计学家老早把这个「抽样分配」建立好，如今你只要把你计算出来的样本统计值r，拿来跟这个抽样分配作出比较即可，而那个p值其实就是指在「抽样分配」中，该样本统计值出现的机会率，数值越小，即在上述「假设H」下出现此样本统计值的机会越低，即所谓的「显著」。

所以，当p值很小(即所谓的「显著」)的时候，我们可以比较有信心推论说，拒绝「假设H」，亦即拒绝原先设定的「总体的相关为0或者某个值」的假设。因为「假设H」若真实存在，而又抽出一个这样的样本，机会率就只有p，当然，这不是说没有可能，只是很低就是了。换句话说，当拒绝「假设H」，这个p值其实就是推论错误的机会率。相反，当p值很小时，你仍然坚持接受「假设H」，即表示你猜对的机会率很低，当然，这也不是说没有可能，但你犯错的机会很大就是了，而1-p值就是你推论错误的机会率。

反过来说，当p值不是很小的时候(即所谓的「不显著」)的时候，我们便难以有信心作出推论说拒绝「假设H」，因为毕竟有机会抽出这样的一个样本(机会率就是p值)。亦即，我们无法把样本的情况推论到总体，因为我们无确定样本情况是否由於抽样做成。

回到你的问题。spss进行相关分析，一般如果没有特别设定，是假设总体相关为0的。而现在得出的r值没有星号,且P值大于0.05，亦即是所谓的「不显著」，因此，我们难以有信心否定「总体相关为0」的假设。因为从统计理论上说，「总体相关为0」也有可能抽出现时的样本(机会率就是p值)。简单一句话，就是无法从样本的情况推论到总体，样本中的所呈现相关情况(r值)「可能」并不存在於在总体中。

2. SPSS 描述性统计里面有效数字是什么意思 怎么去除

就是非缺失子的数据
有效数字就是你要用的数据，为什么你不要这个？
我经常帮别人做这类的数据统计分析

3. SPSS独立样本T检验结果没有星号

只有相关分析中spss才会在结果矩阵中显著出一个*号和两个*号 以区别0.01和0.05水平的显著性
其他的分析都是默认在0.05水平下的显著性 所以不会有*号，至于你看到的论文中加的*号 都是后来自己编辑添加的

4. 求问spss软件的分析报告描述性统计的问题

这个操作很多的
我替别人做这类的数据分析蛮多的

5. 两个均数已计算出怎样用SPSS计算t值和P值？

1、首先打开要进行配对设计样本均数的比较的数据表。

2、然后选择【分析-比较均值-配对样本T检验】。

3、接着将要配对的两个变量拖到成对变量框中。

4、选择【选项】，然后置信区间调整为95%。

5、再点击【bootstrap】，将执行bootstrap取消。

6、最后即可看到结果，P值小于0.05，可以认为配对样本有统计学差异。

6. 我在spss上算出一组数据 但我不明白该如何解释其相关性？ 请懂的朋友帮我解释一下

看sig的值
如果sig小于0.05  则说明呈显著相关
如果sig大于0.05，则没有显著相关

7. spss怎么做多因素多水平的描述性统计

用spss做描述性统计好像很简单的吧。不懂的话可以找我，QQ：114682018

8. spss软件关于一般性资料统计问题

我们现在用的是SPSS13.0，没有你们的先进，不过其操作过程大致是相似的。你所说的问题应属于统计描述的范畴，主要在Descriptive Statistics模块中完成。不过在此操作前相信你已经整理好了数据（定义变量及录入数据），对于计量资料，可选用Explore，将要分析的计量资料（年龄、身高、体重、血压等）选入Dependent List 框（可以一起调入，减少工作量），将分组变量（治疗与对照两组）调入Factor List框，然后在Statistics、Plots、Options中点选相应的选项即可，如置信区间、绘制正态曲线、箱式图等，初步了解两组数据的分步特点，确定进一步分析的方案，选择参数检验或非参数检验；对于计数资料（性别，是否患各种疾病）则主要在Crosstabs中完成，即进行卡方检验，将分组变量调入Rows框，待分析的变量调入Columns 框（可以一起调入），然后在Statistics点选Chi-square即可，以判定各变量在两组中的分布差异是否具有统学意义。大致操作就是这样，不过其中还有许多可选项，会有丰富多彩的结果，需要你去仔细琢磨。