spss自動去中心化

⑴ 我的因變數是多分類變數，自變數是連續變數，調節變數是連續變數，如何用spss做調節效應分析

1.如果自變數裡面的分類變數是只有兩個分類的，那你就把它跟其他定量自變數一起挪到自變數對話框就可以。
2.如果分類變數超過兩個分類，有3個或以上時，需要實現設定啞變數或者是叫做虛擬變數。

3.這個需要自己重新編碼，就是把每個分類單獨一列，該項選擇了就編碼成1，其他的是0。

4.然後把這些單獨設置的全部一起移入自變數對話框跟定量自變數一起做回歸就好了。

⑵ SPSS 多元線性回歸結果中，系數模型下的1，B，t，Sig.分別什麼意思。在線等！！急求高手解答！！

SPSS 多元線性回歸結果中，結果表格列出了自變數的顯著性檢驗結果，結果輸出表格中列出了回歸模型的偏回歸系數（B）及其標准誤（Std.Error），標准化偏回歸系數（Beta），回歸系數檢驗的t統計量及其P值（Sig.）。

系數模型下的1表示模型的序號。

1、T表示使用單樣本T檢驗的T值。

2、sig表示T檢驗的顯著性檢驗P值，小於0.05的則說明自變數對因變數具有顯著影響。

3、B表示各個自變數在回歸方程中的偏回歸系數，負值表示自變數對因變數有顯著的負向影響。

(2)spss自動去中心化擴展閱讀：

由於每個自變數的量綱和取值范圍不同，基於偏回歸系數B並不能反映各個自變數對因變數影響程度的大小。標准化偏回歸系數其意義在於通過對偏回歸系數進行標准化，從而可以比較不同自變數對因變數的作用大小。標准化偏回歸系數數值越大表示對自變數的影響更大。

⑶ 如何運用SPSS及AMOS進行中介效應與調節效應分析

3
調節變數可以是定性的,也可以是定量的.在做調節效應分析時,通常要將自變數和調節變數做中心化變換.簡要模型：Y = aX + bM + cXM + e .Y 與X 的關系由回歸系數a + cM 來刻畫,它是M 的線性函數,c 衡量了調節效應(moderating effect) 的大小.如果c 顯著,說明M 的調節效應顯著.2、調節效應的分析方法 顯變數的調節效應分析方法：分為四種情況討論.當自變數是類別變數,調節變數也是類別變數時,用兩因素交互效應的方差分析,交互效應即調節效應；調節變數是連續變數時,自變數使用偽變數,將自變數和調節變數中心化,做 Y=aX+bM+cXM+e 的層次回歸分析：1、做Y對X和M 的回歸,得測定系數R1 2 .2、做Y對X、M 和XM 的回歸得R2 2 ,若R2 2 顯著高於R1 2 ,則調節效應顯著.或者,作XM 的回歸系數檢驗,若顯著,則調節效應顯著；當自變數是連續變數時,調節變數是類別變數,分組回歸:按 M 的取值分組,做 Y 對 X 的回歸.若回歸系數的差異顯著,則調節效應顯著,調節變數是連續變數時,同上做Y=aX +bM +cXM +e 的層次回歸分析.潛變數的調節效應分析方法：分兩種情形：一是調節變數是類別變數,自變數是潛變數；二是調節變數和自變數都是潛變數.當調節變數是類別變數時,做分組結構 方程分析.做法是,先將兩組的結構方程回歸系數限制為相等,得到一個χ 2 值和相應的自由度.然後去掉這個限制,重新估計模型,又得到一個χ 2 值和相應的自 由度.前面的χ 2 減去後面的χ 2 得到一個新的χ 2,其自由度就是兩個模型的自由度之差.如果χ 2 檢驗結果是統計顯著的,則調節效應顯著；當調節變數和自變 量都是潛變數時,有許多不同的分析方法,最方便的是Marsh,Wen 和Hau 提出的無約束的模型.3．中介變數的定義 自變數X 對因變數Y 的影響,如果X 通過影響變數M 來影響Y,則稱M 為中介變數.Y=cX+e1,M=aX+ e2 ,Y= c′X+bM+e3.其中,c 是X 對Y 的總效應,ab 是經過中介變數M 的中介效應,c′是直接效應.當只有一個中介變數時,效應之間有 c=c′+ab,中介效應的大小用c-c′=ab 來衡量.4、中介效應分析方法 中介效應是間接效應,無論變數是否涉及潛變數,都可以用結構方程模型分析中介效應.步驟為：第一步檢驗系統c,如果c 不顯著,Y 與X 相關不顯著,停止中介 效應分析,如果顯著進行第二步；第二步一次檢驗a,b,如果都顯著,那麼檢驗c′,c′顯著中介效應顯著,c′不顯著則完全中介效應顯著；如果a,b至少 有一個不顯著,做Sobel 檢驗,顯著則中介效應顯著,不顯著則中介效應不顯著.Sobel 檢驗的統計量是z=^a^b/sab ,中 ^a,^b 分別是 a,b 的估計,sab=^a2sb2 +b2sa2,sa,sb 分別是 ^a,^b 的標准誤.5.調節變數與中介變數的比較 調節變數M 中介變數M 研究目的 X 何時影響Y 或何時影響較大 X 如何影響Y 關聯概念 調節效應、交互效應 中介效應、間接效應 什麼情況下考慮 X 對Y 的影響時強時弱 X 對Y 的影響較強且穩定 典型模型 Y=aM+bM+cXM+e M=aX+e2 Y=c′X+bM+e3 模型中M 的位置 X,M 在Y 前面,M 可以在X 前面 M 在X 之後、Y 之前 M 的功能 影響Y 和X 之間關系的方向(正或負) 和強弱 代表一種機制,X 通過它影響Y M 與X、Y 的關系 M 與X、Y 的相關可以顯著或不顯著(後者較理想) M 與X、Y 的相關都顯著 效應 回歸系數c 回歸系數乘積ab 效應估計 ^c ^a^b 效應檢驗 c 是否等於零 ab 是否等於零 檢驗策略 做層次回歸分析,檢驗偏回歸系數c 的顯著性(t 檢驗);或者檢驗測定系數的變化(F 檢驗) 做依次檢驗,必要時做 Sobel 檢驗 6.中介效應與調節效應的SPSS 操作方法 處理數據的方法 第一做描述性統計,包括M SD 和內部一致性信度a（用分析里的scale 里的 realibility analsys） 第二將所有變數做相關,包括統計學變數和假設的X,Y,M 第三做回歸分析.（在回歸中選線性回歸linear） 要先將自變數和M 中心化,即減去各自的平均數 1、現將M（調節變數或者中介變數）、Y 因變數,以及與自變數、因變數、M 調節變數其中任何一個變數相關的人口學變數輸入indpendent 2、再按next 將X 自變數輸入（中介變數到此為止） 3、要做調節變數分析,還要將X與M 的乘機在next 里輸入作進一步回歸.檢驗主要看F 是否顯著

⑷ 中介效應中一般資料調查表中的數據處理跟中介效應有什麼關系

目前SPSSAU已支持中介作用、調節作用、帶調節的中介作用的自動智能化分析。

SPSSAU問卷研究界面

調節作用已添加自動輸出簡單斜率分析、簡單斜率圖、模型圖等。

中介作用可選擇平行中介或鏈式中介檢驗，支持逐步檢驗法、Bootstrap抽樣法，並自動輸出中介作用檢驗結論、及效應量結果。

SPSSAU_調節作用分析

SPSSAU_中介作用分析

----------- 原文內容 -------------

在當前學術研究中，會經常遇到中介作用和調節作用，但很多小夥伴還搞不清楚什麼是中介效應、什麼是調節效應？以及如何區分兩者？

那麼閑話少敘下面就來為大家一一講解。

1明確概念
中介效應或者調節效應並非分析方法，而是一種關系的描述，研究人員需要結合不同的數據分析方法對兩種關系進行分析。

中介效應

中介作用是研究X對Y的影響時，是否會先通過中介變數M，再去影響Y；即是否有X->M->Y這樣的關系，如果存在此種關系，則說明具有中介效應。比如工作滿意度（X）會影響到創新氛圍（M）,再影響最終工作績效（Y），此時創新氛圍就成為了這一因果鏈當中的中介變數。

調節作用

調節作用是研究X對Y的影響時，是否會受到調節變數Z的干擾；比如開車速度（X）會對車禍可能性（Y）產生影響，這種影響關系受到是否喝酒（Z）的干擾，即喝酒時的影響幅度，與不喝酒時的影響幅度 是否有著明顯的不一樣。

2研究步驟
2.1中介效應

中介作用的分析較為復雜，共分為以下三個步驟：

第1步：確認數據，確保正確分析。

中介作用在進行具體研究時需要對應使用研究方法（分層回歸）去實現；中介作用分析時，Y一定是定量數據。X也是定量數據，中介變數M也是定量數據。

資料來源：SPSSAU幫助手冊-中介作用
第2步：中介作用檢驗

檢驗中介效應是否存在，其實就是檢驗X到M，M到Y的路徑是否同時具有有顯著性意義。

資料來源：SPSSAU幫助手冊-中介作用
中介作用共分為3個模型。針對上圖，需要說明如下：

模型1：自變數X和因變數（Y）的回歸分析
模型2：自變數X，中介變數(M)和因變數（Y）的回歸分析
模型3：自變數X和中介變數（M）的回歸分析
模型1和模型2的區別在於，模型2在模型1的基礎上加入了中介變數(M)，因而模型1到模型2這兩個模型應該使用分層回歸分析（第一層放入X，第二層放入M）。
在理解了中介分析的原理之後，接著按照中介作用分析的步驟進行，如下圖：

資料來源：SPSSAU幫助手冊-中介作用
第1步是數據標准化處理（對X,M,Y需要分別進行標准化處理，有時也使用中心化處理）（SPSSAU用戶使用「生成變數」功能）

第2步和第3步是進行分層回歸完成（分層1放入X，分層2放入M）

第4步單獨進行模型3，即X對M的影響（使用回歸分析或分層回歸均可，分層回歸只有分層1時事實上就是回歸分析）

最後第5步進行中介作用檢驗。

檢驗圖如下：

資料來源：SPSSAU幫助手冊-中介作用
a代表X對M的回歸系數；
b代表M對Y的回歸系數；
c代表X對Y的回歸系數（模型1中）；
c』代表X對Y的回歸系數（模型3中）。
第3步：SPSAU進行分析

用戶可以直接按照上圖流程在SPSSAU中進行分析，生成結果。具體分析步驟可參考鏈接頁面：SPSS在線_SPSSAU_中介作用

圖片來源：SPSSAU官網網站

2.2調節效應

第1步：識別X和M的數據類別，選擇合適的研究方法。

調節作用在進行具體研究時需要對應使用研究方法去實現；調節作用分析時，Y一定是定量數據。通常情況下X均為定量數據（比如開車速度），調節變數Z可以為分類數據（比如是否喝酒），也可以是定量數據（比如喝酒多少）。

資料來源：SPSSAU幫助手冊-調節作用
第2步：調節作用檢驗

資料來源：SPSSAU幫助手冊-調節作用
調節作用通常是使用分層回歸進行研究，如果X和Z均為分類數據，則使用多因素方差分析（通常是雙因素方差分析）進行研究。針對上圖，需要說明如下：
如果X或者Z也或者Y由多項表示，通常需要先計算對應項的平均值生成得到新列（SPSSAU生成變數功能）
如果X或者Z是分類數據，並且使用分層回歸，則需要對X進行虛擬變數處理（啞變數處理）
對X或者Z進行標准化處理，也可以進行中心化處理均可
Y並不需要進行標准化或者中心化處理（處理也可以）
交互項是指兩項相乘的意思，記住交互項不能再次進行標准化或中心化
R平方變化顯著的判斷，是看△F 值是否呈現出顯著性，如果顯著則說明R平方變化顯著
R平方變化顯著，正常情況下交互項也會出現顯著。如果說R平方變化顯著，但交互項並不顯著，建議以沒有調節作用作為最終結論；如果交互項顯著，R平方變化顯著，建議以有調節作用作為最終結論。
第3步：SPSAU進行分析

用戶判斷好數據類型後，直接按照上圖流程，在SPSSAU中進行數據處理及分析即可。具體分析流程可參考鏈接頁面：SPSS在線_SPSSAU_調節作用

圖片來源：SPSSAU官方網站
相關學習資料：
為大家提供上述分析方法的相關學習資料，包括中介作用、調節作用以及分析過程所需的生成變數和分層回歸：

SPSS在線_SPSSAU_生成變數

SPSS在線_SPSSAU_中介作用

SPSS在線_SPSSAU_調節作用

SPSS在線_SPSSAU_分層回歸分析

第二次
在當前學術研究中，會經常遇到中介作用和調節作用，但很多小夥伴還搞不清楚什麼是中介效應、什麼是調節效應？以及如何區分兩者？

那麼閑話少敘下面就來為大家一一講解。

1明確概念
中介效應或者調節效應並非分析方法，而是一種關系的描述，研究人員需要結合不同的數據分析方法對兩種關系進行分析。

中介效應

中介作用是研究X對Y的影響時，是否會先通過中介變數M，再去影響Y；即是否有X->M->Y這樣的關系，如果存在此種關系，則說明具有中介效應。比如工作滿意度（X）會影響到創新氛圍（M）,再影響最終工作績效（Y），此時創新氛圍就成為了這一因果鏈當中的中介變數。


調節作用

調節作用是研究X對Y的影響時，是否會受到調節變數Z的干擾；比如開車速度（X）會對車禍可能性（Y）產生影響，這種影響關系受到是否喝酒（Z）的干擾，即喝酒時的影響幅度，與不喝酒時的影響幅度 是否有著明顯的不一樣。


2研究步驟
2.1中介效應

中介作用的分析較為復雜，共分為以下三個步驟：

第1步：確認數據，確保正確分析。

中介作用在進行具體研究時需要對應使用研究方法（分層回歸）去實現；中介作用分析時，Y一定是定量數據。X也是定量數據，中介變數M也是定量數據。


第2步：中介作用檢驗

檢驗中介效應是否存在，其實就是檢驗X到M，M到Y的路徑是否同時具有有顯著性意義。


中介作用共分為3個模型。針對上圖，需要說明如下：

模型1：自變數X和因變數（Y）的回歸分析
模型2：自變數X，中介變數(M)和因變數（Y）的回歸分析
模型3：自變數X和中介變數（M）的回歸分析
模型1和模型2的區別在於，模型2在模型1的基礎上加入了中介變數(M)，因而模型1到模型2這兩個模型應該使用分層回歸分析（第一層放入X，第二層放入M）。
在理解了中介分析的原理之後，接著按照中介作用分析的步驟進行，如下圖：


第1步是數據標准化處理（對X,M,Y需要分別進行標准化處理，有時也使用中心化處理）（SPSSAU用戶使用「生成變數」功能）

第2步和第3步是進行分層回歸完成（分層1放入X，分層2放入M）

第4步單獨進行模型3，即X對M的影響（使用回歸分析或分層回歸均可，分層回歸只有分層1時事實上就是回歸分析）

最後第5步進行中介作用檢驗。

檢驗圖如下：


a代表X對M的回歸系數；
b代表M對Y的回歸系數；
c代表X對Y的回歸系數（模型1中）；
c』代表X對Y的回歸系數（模型3中）。
第3步：SPSAU進行分析

用戶可以直接按照上圖流程在SPSSAU中進行分析，生成結果。具體分析步驟可參考鏈接頁面：SPSS在線_SPSSAU_中介作用


2.2調節效應

第1步：識別X和M的數據類別，選擇合適的研究方法。

調節作用在進行具體研究時需要對應使用研究方法去實現；調節作用分析時，Y一定是定量數據。通常情況下X均為定量數據（比如開車速度），調節變數Z可以為分類數據（比如是否喝酒），也可以是定量數據（比如喝酒多少）。


第2步：調節作用檢驗


調節作用通常是使用分層回歸進行研究，如果X和Z均為分類數據，則使用多因素方差分析（通常是雙因素方差分析）進行研究。針對上圖，需要說明如下：
如果X或者Z也或者Y由多項表示，通常需要先計算對應項的平均值生成得到新列（SPSSAU生成變數功能）
如果X或者Z是分類數據，並且使用分層回歸，則需要對X進行虛擬變數處理（啞變數處理）
對X或者Z進行標准化處理，也可以進行中心化處理均可
Y並不需要進行標准化或者中心化處理（處理也可以）
交互項是指兩項相乘的意思，記住交互項不能再次進行標准化或中心化
R平方變化顯著的判斷，是看△F 值是否呈現出顯著性，如果顯著則說明R平方變化顯著
R平方變化顯著，正常情況下交互項也會出現顯著。如果說R平方變化顯著，但交互項並不顯著，建議以沒有調節作用作為最終結論；如果交互項顯著，R平方變化顯著，建議以有調節作用作為最終結論。
第3步：SPSAU進行分析

用戶判斷好數據類型後，直接按照上圖流程，在SPSSAU中進行數據處理及分析即可。

⑸ 如何用SPSS做中介效應與調節效應

調節變數可以是定性的，也可以是定量的。在做調節效應分析時,通常要將自變數和調節變數做中心化變換。簡要模型：Y = aX + bM + cXM + e 。Y 與X 的關系由回歸系數a + cM 來刻畫,它是M 的線性函數, c 衡量了調節效應(moderating effect) 的大小。如果c 顯著，說明M 的調節效應顯著。 2、調節效應的分析方法 顯變數的調節效應分析方法：分為四種情況討論。當自變數是類別變數，調節變數也是類別變數時，用兩因素交互效應的方差分析，交互效應即調節效應；調節變數是連續變數時，自變數使用偽變數,將自變數和調節變數中心化,做 Y=aX+bM+cXM+e 的層次回歸分析：1、做Y對X和M 的回歸,得測定系數R1 2 。2、做Y對X、M 和XM 的回歸得R2 2 ，若R2 2 顯著高於R1 2 ，則調節效應顯著。或者, 作XM 的回歸系數檢驗,若顯著,則調節效應顯著；當自變數是連續變數時，調節變數是類別變數，分組回歸:按 M 的取值分組,做 Y 對 X 的回歸。若回歸系數的差異顯著,則調節效應顯著，調節變數是連續變數時，同上做Y=aX +bM +cXM +e 的層次回歸分析。 潛變數的調節效應分析方法：分兩種情形：一是調節變數是類別變數,自變數是潛變數；二是調節變數和自變數都是潛變數。當調節變數是類別變數時,做分組結構 方程分析。做法是,先將兩組的結構方程回歸系數限制為相等,得到一個χ 2 值和相應的自由度。然後去掉這個限制,重新估計模型,又得到一個χ 2 值和相應的自 由度。前面的χ 2 減去後面的χ 2 得到一個新的χ 2,其自由度就是兩個模型的自由度之差。如果χ 2 檢驗結果是統計顯著的,則調節效應顯著；當調節變數和自變 量都是潛變數時，有許多不同的分析方法，最方便的是Marsh,Wen 和Hau 提出的無約束的模型。 3．中介變數的定義 自變數X 對因變數Y 的影響,如果X 通過影響變數M 來影響Y,則稱M 為中介變數。 Y=cX+e1, M=aX+ e2 , Y= c′X+bM+e3。其中,c 是X 對Y 的總效應,ab 是經過中介變數M 的中介效應,c′是直接效應。當只有一個中介變數時,效應之間有 c=c′+ab，中介效應的大小用c-c′=ab 來衡量。 4、中介效應分析方法 中介效應是間接效應,無論變數是否涉及潛變數,都可以用結構方程模型分析中介效應。步驟為：第一步檢驗系統c，如果c 不顯著，Y 與X 相關不顯著，停止中介 效應分析，如果顯著進行第二步；第二步一次檢驗a，b，如果都顯著，那麼檢驗c′，c′顯著中介效應顯著，c′不顯著則完全中介效應顯著；如果a，b至少 有一個不顯著，做Sobel 檢驗，顯著則中介效應顯著，不顯著則中介效應不顯著。Sobel 檢驗的統計量是z=^a^b/sab ，中 ^a, ^b 分別是 a, b 的估計, sab=^a2sb2 +b2sa2, sa,sb 分別是 ^a, ^b 的標准誤。 5. 調節變數與中介變數的比較 調節變數M 中介變數M 研究目的 X 何時影響Y 或何時影響較大 X 如何影響Y 關聯概念 調節效應、交互效應 中介效應、間接效應 什麼情況下考慮 X 對Y 的影響時強時弱 X 對Y 的影響較強且穩定 典型模型 Y=aM+bM+cXM+e M=aX+e2 Y=c′X+bM+e3 模型中M 的位置 X,M 在Y 前面,M 可以在X 前面 M 在X 之後、Y 之前 M 的功能 影響Y 和X 之間關系的方向(正或負) 和強弱 代表一種機制,X 通過它影響Y M 與X、Y 的關系 M 與X、Y 的相關可以顯著或不顯著(後者較理想) M 與X、Y 的相關都顯著 效應 回歸系數c 回歸系數乘積ab 效應估計 ^c ^a^b 效應檢驗 c 是否等於零 ab 是否等於零 檢驗策略 做層次回歸分析,檢驗偏回歸系數c 的顯著性(t 檢驗);或者檢驗測定系數的變化(F 檢驗) 做依次檢驗,必要時做 Sobel 檢驗 6. 中介效應與調節效應的SPSS 操作方法 處理數據的方法 第一做描述性統計，包括M SD 和內部一致性信度a（用分析里的scale 里的 realibility analsys） 第二將所有變數做相關，包括統計學變數和假設的X，Y，M 第三做回歸分析。（在回歸中選線性回歸linear） 要先將自變數和M 中心化，即減去各自的平均數 1、現將M（調節變數或者中介變數）、Y 因變數，以及與自變數、因變數、M 調節變數其中任何一個變數相關的人口學變數輸入indpendent 2、再按next 將X 自變數輸入（中介變數到此為止） 3、要做調節變數分析，還要將X與M 的乘機在next 里輸入作進一步回歸。檢驗主要看F 是否顯著

⑹ process闇瑕佸皢鏁版嵁鍘繪爣鍑嗗寲鍚

闇瑕併傛爣鍑嗗寲銆傚傛灉X鎴栬匷涓哄畾閲忔暟鎹錛岄氬父闇瑕佽繘琛屼腑蹇冨寲鎴栬呮爣鍑嗗寲澶勭悊銆傚傛灉X鎴栫粷鎷﹁呭苟綺楄儭Z涓哄畾綾繪暟鎹錛孲tep2錛氬湪SPSS涓鍑抽晣鎵撳紑PROCESS銆

⑺ stata如何去中心化後寫交互

調節效應。
你應該是第一張放兩個變數，第二張放3個變數，選擇的回歸方法是enter(進入)。但是spss不是按照你的順序去放變數，而是把你所選的所有變數都加到模型裡面去，在進行第一個回歸的時候把多出來的變數排除，所以會有這個表格出現。如果不想出現這個表格，你就分兩次做回歸，第一次放中心D中心H，出了結果再放中心D中心H D乘H，分兩次做就不會有了。

⑻ spss中，變數去中心化是變數減去該變數的均值，那麼zscore又是什麼呢

中心化是減去均值，Z分數是再除以標准差，二者都是中心化的方法。

⑼ SPSS時間序列 頻譜分析

SPSS時間序列：頻譜分析
一、頻譜分析（分析-預測-頻譜分析）
「頻譜圖」過程用於標識時間序列中的周期行為。它不需要分析一個時間點與下一個時間點之間的變異，只要按不同頻率的周期性成分分析整體序列的變異。平滑序列在低頻率具有更強的周期性成分；而隨機變異（「白雜訊」）將成分強度分布到所有頻率。不能使用該過程分析包含缺失數據的序列。
1、示例。建造新住房的比率是一個國家/地區經濟的重要晴雨表。有關住房的數據開始時通常會表現出一個較強的季節性成分。但在估計當前數字時，分析人員需要注意數據中是否呈現了較長的周期。
2、統計量。正弦和餘弦變換、周期圖值和每個頻率或周期成分的譜密度估計。在選擇雙變數分析時：交叉周期圖的實部和虛部、余譜密度、正交譜、增益、平方一致和每個頻率或周期成分的相位譜。
3、圖。對於單變數和雙變數分析：周期圖和頻譜密度。對於雙變數分析：平方一致性、正交譜、交叉振幅、余譜密度、相位譜和增益。
4、數據。變數應為數值型。
5、假設。變數不應包含任何內嵌的缺失數據。要分析的時間序列應該是平穩的，任何
非零均值應該從序列中刪除。
平穩.要用ARIMA模型進行擬合的時間序列所必須滿足的條件。純的MA序列是平穩
的，但AR和ARMA序列可能不是。平穩序列的均值和方差不隨時間改變。
二、頻譜圖（分析-預測-頻譜分析）
1、選擇其中一個「頻譜窗口」選項來選擇如何平滑周期圖，以便獲得譜密度估計值。可用的平滑選項有「Tukey-Hamming」、「Tukey」、「Parzen」、「Bartlett」、「Daniell（單元）」和「無」。
1.1、Tukey-Hamming.權重為Wk = .54Dp(2 pi fk) + .23Dp(2 pi fk + pi/p) + .23Dp (2pi fk - pi/p)，k = 0, ..., p，其中p是一半跨度的整數部分，Dp是階數p的Dirichlet內核。
1.2、Tukey.權重為Wk = 0.5Dp(2 pi fk) + 0.25Dp(2 pi fk + pi/p) + 0.25Dp(2 pi fk -pi/p)，k = 0, ..., p，其中p是一半跨度的整數部分，Dp是階數p的Dirichlet內核。
1.3、Parzen.權重為Wk = 1/p(2 + cos(2 pi fk))(F[p/2] (2 pi fk))**2，k=0, ... p，其中p是一半跨度的整數部分，而F[p/2]是階數p/2的Fejer內核。
1.4、Bartlett.譜窗口的形狀，窗口上半部分的權重按如下公式計算：Wk =Fp(2*pi*fk)，k = 0, ...p，其中p是半跨度的整數部分，Fp是階數p的Fejer內核。下半部分與上半部分對稱。
1.5、Daniell（單元）.所有權重均等於1的頻譜窗口形狀。
1.6、無.無平滑。如果選擇了此選項，則頻譜密度估計與周期圖相同。
2、跨度.一個連續值范圍，在該范圍上將執行平滑。通常使用奇數。較大的跨度對譜密度圖進行的平滑比較小的跨度程度大。
3、變數中心化.調整序列以使在計算譜之前其均值為0，並且移去可能與序列均值關聯的較大項。
4、圖。周期圖和譜密度對單變數分析和雙變數分析均可用。其他所有選項僅對雙變數分析可用。
4.1、周期圖.針對頻率或周期繪制的未平滑譜振幅圖（繪制在對數刻度中）。低頻率變動是平滑序列的特徵。均勻地分布在所有頻率上的變動則表示「白噪音」。
4.2、平方一致性.兩個序列的增益的乘積。
4.3、正交譜.交叉周期圖的虛部，是兩個時間序列的異相頻率成分的相關性的測量。成分的異相為pi/2弧度。
4.4、交叉振幅.余譜密度平方和正交譜平方之和的平方根。
4.5、譜密度.已進行平滑而移去了不規則變動的周期圖。
4.6、余譜密度.交叉周期圖的實部，是兩個時間序列的同相頻率分量的相關性的測量。
4.7、相位譜.一個序列的每個頻率成分提前或延遲另一個序列的程度的測量。4.8、增益.用一個序列的譜密度除以跨振幅的商。這兩個序列都有自己的獲得值。

⑽ 求大神SPSS幫忙看一下，這個分層回歸分析後的結果是什麼狀況啊！

分層回歸通常用於中介作用或者調節作用研究中。

分析時通常第一層放入基本個人信息題項或控制變數; 第二層放入核心研究項。使用SPSSAU在線spss分析結果顯示如下：

R²：模型的解釋力度

F 值：用於判斷模型是否有意義，如果對應P值小於0.05說明模型有意義

△R²：模型變化時，R²值的變化情況

△F 值：模型變化時，F值的變化(該值不是直接F值相減)，如果對應P值小於0.05則說明模型變化有意義，具體可通過△R²查看模型解釋力度變化情況，以及查看新增加的自變數的顯著性情況。具體分析可結果智能文字分析，進行解讀。