SPSS时间序列分析.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,SPSS 19(,中文版,),统计分析实用教程,电子工业出版社,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,SPSS 19(,中文版,),统计分析实用教程,电子工业出版社,*,第十一章,时间序列分析,主要内容,11.1,时间序列的建立和平稳化,11.2,指数平滑法,11.3 ARIMA,模型,11.4,时序序列的季节性分解,11.1,时间序列的建立和平稳化,11.1.1,填补缺失值,时间序列分析中的缺失值不能采用通常删除的办法来解决，因为这样会导致原有时间序列周期性的破坏，而无法得到正确的分析结果。,按“转换替换缺失值”打开“替换缺失值”对话框,缺失值替换示例,11.1,时间序列的建立和平稳化,11.1.2,定义日期变量,定义日期模块可以产生周期性的时间序列日期变量。使用“定义日期”对话框定义日期变量，需要在数据窗口读入一个按某种时间顺序排列的数据文件，数据文件中的变量名不能与系统默认的时间变量名重复，否则系统建立的日期变量会覆盖同名变量。系统默认的变量名有：年份，年份、季度，年份、月份，年份、季度、月份，日，星期、日，日、小时等。,按“数据定义日期”顺序打开“定义日期”对话框,定义日期变量示例,11.1,时间序列的建立和平稳化,11.1.3,创建时间序列时间序列分析建立在序列平稳的条件上，判断序列是否平稳可以看它的均数方差是否不再随时间的变化而变化，自相关系数是否只与时间间隔有关而与所处时间无关。在时间序列分析中，为检验时间序列的平稳性，经常要用一阶差分、二阶差分，有时为选择一个合适的时间序列模型还要对原时间序列数据进行对数转换或平方转换等。这就需要在已经建立的时间序列数据文件中，再建立一个新的时间序列变量。,按“转换创建时间序列”顺序打开“创建时间序列”对话框,创建时间序列示例,11.1,时间序列的建立和平稳化,11.1.3,创建时间序列,时序图举例，按“分析预测序列图”顺序打开“序列图”对话框,时序图示例,主要内容,11.1,时间序列的建立和平稳化,11.2,指数平滑法,11.3 ARIMA,模型,11.4,时序序列的季节性分解,11.2 指数平滑法,11.2.1,基本概念及统计原理,（,1,）基本概念,指数平滑法的思想来源于对移动平均预测法的改进。指数平滑法的思想是以无穷大为宽度，各历史值的权重随时间的推移呈指数衰减，这样就解决了移动平均的两个难题。,（,2,）统计原理,11.2 指数平滑法,11.2.1,基本概念及统计原理,（,2,）统计原理,简单模型,Holt,线性趋势模型,11.2 指数平滑法,11.2.2 SPSS,实例分析,【,例,11-4】,为了研究上海市的人口情况，某研究小组提取了,1978,2004,年上海市的人口数据，其中有,3,个统计指标，即,x1,：年末人口数（万人），,x2,：非农业人口数（万人），,x3,：人口密度（人,/,平方千米），具体数据如下表所示。试用指数平滑法对上海市的“年末人口数”进行预测分析。,年份,x,1,x,2,x,3,年份,x,1,x,2,x,3,1978,1098.28,645.23,1776,1992,1289.37,875.55,2034,1979,1132.14,687.38,1830,1993,1294.74,893.46,2042,1980,1146.52,702.43,1854,1994,1298.81,910.49,2048,1981,1162.84715.08,1880,1995,1301.37,921.7,2052,1982,1180.51,731.31,1908,1996,1304.43,932.14,2057,1983,1194.01,745.86,1930,1997,1305.46,943.03,2059,1984,1204.78,760.75,1948,1998,1306.58,953.65,2061,1985,1216.69,776.37,1967,1999,1313.12,969.63,2071,1986,1232.33,802.56,1944,2000,1321.63,986.16,2084,1987,1249.51,822.31,1971,2001,1327.14,999.07,2093,1988,1262.42,838.93,1991,2002,1334.23,1018.81,2104,1989,1276.45,855.84,2013,2003,1341.77,1041.39,2116,1990,1283.35,864.46,2024,2004,1352.39,1097.6,2133,1991,1287.2,869.88,2030,11.2 指数平滑法,第,1,步 数据组织：,将数据组织成,4,列，一列是“年份”，另外,3,列是,3,个人口数据的变量，输入数据并保存。,第,2,步 分析：,看用指数平滑法处理是否恰当。按,11.1.3,节所述创建年末人口数的时序图，如下图所示。,从此图可以看出，年末人口数呈逐年增加趋势，开始增长较快，然后变慢，近似线性趋势，也可以说呈衰减的线性趋势，或者用指数趋势描述更准确。所以选用指数平滑法进行处理。,11.2 指数平滑法,第,3,步 定义日期变量：,按,11.1.2,节所述将“年份”定义为日期变量。,第,4,步 指数平滑法设置：,按“分析预测创建模型”顺序打开“时间序列建模器”对话框。具体设置如几下几张图所示：,11.2 指数平滑法,11.2 指数平滑法,第,5,步 主要结果及分析：,模型的描述表,模型类型,模型,ID,年末人口数,模型,_1,Holt,表示对“年末人口数”变量进行指数平滑法处理，使用的是“,Holt”,模型。,模型的拟合情况表,拟合统计量,均值,SE,最小值,最大值,百分位,5,10,25,50,75,90,95,平稳的,R,方,-,.005,.,-,.005,-,.005,-,.005,-,.005,-,.005,-,.005,-,.005,-,.005,-,.005,R,方,.995,.,.995,.995,.995,.995,.995,.995,.995,.995,.995,RMSE,4.811,.,4.811,4.811,4.811,4.811,4.811,4.811,4.811,4.811,4.811,MAPE,.243,.,.243,.243,.243,.243,.243,.243,.243,.243,.243,MaxAPE,1.632,.,1.632,1.632,1.632,1.632,1.632,1.632,1.632,1.632,1.632,MAE,3.001,.,3.001,3.001,3.001,3.001,3.001,3.001,3.001,3.001,3.001,MaxAE,18.707,.,18.707,18.707,18.707,18.707,18.707,18.707,18.707,18.707,18.707,正态化的,BIC,3.386,.,3.386,3.386,3.386,3.386,3.386,3.386,3.386,3.386,3.386,包含了,8,个拟合情况度量指标，其中“平稳的,R,方”值为,0.005,，“,R,方”值为,0.995,，并给出了每个度量模型的百分位数。,11.2 指数平滑法,模型统计量表,从中可以看出模型的决定系数为,0.995,，说明拟合模型可以解释原序列,99.5%,的信息量，正态化的,BIC,值也比较小，说明模型的拟合效果是很好的，另外还给出了拟合统计量及,Ljung-Box,统计情况。此外，所有数据中没有离群值（孤立点）。,指数平滑法拟合的模型参数表,模型,预测变量数,模型拟合统计量,Ljung-Box Q(18),离群值数,R,方,正态化的,BIC,统计量,DF,Sig.,年末人口数,-,模型,_1,0,.995,3.386,5.871,16,.989,0,模型,估计,SE,t,Sig.,年末人口数,-,模型,_1,无转换,Alpha,（水平）,1.000,.157,6.351,.000,Gamma,（趋势）,.799,.300,2.659,.013,11.2 指数平滑法,预测表,表中给出了,2005,2009,年“年末人口”变量的预测值、上区间和下区间值。,模型,2005,2006,2007,2008,2009,年末人口数,-,模型,_1,预测,1362.36,1372.34,1382.31,1392.28,1402.26,UCL,1372.27,1392.73,1415.15,1439.30,1465.02,LCL,1352.45,1351.94,1349.47,1345.26,1339.49,对于每个模型，预测都在请求的预测时间段范围内的最后一个非缺失值之后开始，在所有预测值的非缺失值都可用的最后一个时间段或请求预测时间段的结束日期（以较早者为准）结束。,观测值与预测值的时序图,11.2 指数平滑法,数据文件中保存情况,主要内容,11.1,时间序列的建立和平稳化,11.2,指数平滑法,11.3 ARIMA,模型,11.4,时序序列的季节性分解,11.3 ARIMA,模型,11.3.1,基本概念及统计原理,（,1,）基本概念,在预测中，对于平稳的时间序列，可用自回归移动平均（,AutoRegres-sive Moving Average,ARMA,）模型及特殊情况的自回归（,AutoRegressive,AR,）模型、移动平均（,Moving Average,MA,）模型等来拟合，预测该时间序列的未来值，但在实际的经济预测中，随机数据序列往往都是非平稳的，此时就需要对该随机数据序列进行差分运算，进而得到,ARMA,模型的推广,ARIMA,模型。,ARIMA,模型全称综合自回归移动平均（,AutoRegressive Integrated Moving Average,）模型，简记为,ARIMA(p,d,q),模型，其中,AR,是自回归，,p,为自回归阶数；,MA,为移动平均，,q,为移动平均阶数；,d,为时间序列成为平稳时间序列时所做的差分次数。,ARIMA(p,d,q),模型的实质就是差分运算与,ARMA(p,q),模型的组合，即,ARMA(p,q),模型经,d,次差分后，便为,ARIMA(p,d,q),。,11.3 ARIMA,模型,11.3.1,基本概念及统计原理,（,2,）统计原理,ARMA,过程,则,ARMA(,p,q,),模型简记为,或,11.3 ARIMA,模型,11.3.1,基本概念及统计原理,（,2,）统计原理,ARMA模型的识别,设,ACF,代表,xt,的自相关函数，,PACF,代表,xt,的偏自相关函数。根据,Box-Jenkins,提出的方法，用样本的自相关函数（,ACF,）和偏自相关函数（,PACF,）的截尾性来初步识别,ARMA,模型的阶数。,具体如下表所示。,模,型,自相关函数（,ACF,）,偏自相关函数（,PACF,）,AR(,p,),拖尾,p,阶截尾,MA(,q,),q,阶截尾,拖尾,ARMA(,p,q,),拖尾,拖尾,11.3 ARIMA,模型,11.3.1,基本概念及统计原理,说明：,所谓拖尾是自相关系数或偏相关系数逐步趋向于,0,，这个趋向过程有不同的表现形式，有几何型的衰减，有正弦波式的衰减；而所谓截尾是指从某阶后自相关或偏相关系数为,0,。,11.3 ARIMA,模型,11.3.1,基本概念及统计原理,（,2,）统计原理,非平稳时间序列ARIMA过程,11.3 ARIMA,模型,11.3.1,基本概念及统计原理,（,2,）统计原理,季节ARIMA模型,时间序列常呈周期性变化，或称为季节性趋势。用变通的,ARIMA,模型处理这种季节性趋势会导致参数过多，模型复杂。季节性乘积模型可以得到参数简约的模型。季节性乘积模型表示为,ARIMA(p,d,q,sp,sd,sq),（或,ARIMA(p,d,q)(sp,sd,sq),k,）。其中，,sp,表示季节模型的自回归系数；,sd,表示季节差分的阶数，通常为一阶季节差分；,sq,表示季节模型的移动平均参数。如是月度资料，要描述年度特征，则,sd=12,；如是日志资料，要描述每周特征，则,sd=7,。,11.3 ARIMA,模型,11.3.1,基本概念及统计原理,（,3,）,ARIMA,建模步骤,ARIMA,建模实际上包括,3,个阶段，即模型识别阶段、参数估计和检验阶段、预测应用阶段。其中前两个阶段可能需要反复进行。,ARIMA,模型的识别就是判断,p,，,d,，,q,，,sp,，,sd,，,sq,的阶，主要依靠自相关函数（,ACF,）和偏自相关函数（,PACF,）图来初步判断和估计。一个识别良好的模型应该有两个要素：一是模型的残差为白噪声序列，需要通过残差白噪声检验，二是模型参数的简约性和拟合优度指标的优良性（如对数似然值较大，,AIC,和,BIC,较小）方面取得平衡，还有一点需要注意的是，模型的形式应该易于理解。,11.3 ARIMA,模型,11.3.2 SPSS,实例分析,【,例,11-5】,表是某加油站,55,天的燃油剩余数据，其中正值表示燃油有剩余，负值表示燃油不足，要求对此序列拟合时间序列模型并进行分析。,天,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,燃油数据,92,-85,80,12,10,3,-1,-2,0,-90,100,-40,-2,20,78,-98,-9,75,65,天,2021,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,燃油数据,80,-20,-85,0,1,150,-100,135,-70,-60,-50,30,-10,3,-65,10,8,-10,10,天,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,燃油数据,-25,90,-30,-32,15,20,15,90,15,-10,-8,8,0,25,-120,70,-10,11.3 ARIMA,模型,第,1,步 数据组织：,将数据组织成两列，一列是“天数”，另一列是“燃油量”，输入数据并保存，并以“天数”定义日期变量。,第,2,步 观察数据序列的性质：,先作时序图，观察数据序列的特点。,按“分析预测序列图”的顺序打开“序列图”对话框，将“油料量”设置为变量，并将所生成的日期新变量“,DATE_”,设为时间标签轴，生成如下图所示的时序图。,可以看出数据序列在,0,上下振荡，且无规律，可能是平稳的时间序列。,11.3 ARIMA,模型,再做自相关图和偏自相关图进一步分析。,按“分析预测自相关”顺序打开“自相关”对话框，并在“输出”选项组中将“自相关”和“偏自相关”同时选上，输出结果如下面两图所示。,从上左图可以看出，自相关函数呈现出比较典型的拖尾性，说明数据自相关性随时间间隔下降。从上右图可以看出，除了延迟,1,阶的偏自相关系数在,2,倍标准差范围之外，其他除数的偏自相关系数都在,2,倍标准差范围内波动。根据这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。同时，可以认为该序列偏自相关函数,1,阶截尾。,综合该序列自相关函数和偏自相关函数的性质，根据前表的模型识别规则，可以拟合模型为,AR(1),，即,ARIMA(1,0,0),。,11.3 ARIMA,模型,第,3,步 模型拟合：,按“分析预测创建模型”顺序打开“时间序列建模器”对话框，将“燃油量”选入“因变量”框。设置过程与图,11-7,类似，并选择“方法”下的“,ARIMA”,模型。,“条件”对话框设置。单击“方法”右边的“条件（,C,）,”,按钮，打开“时间序列建模器：,ARIMA,条件”对话框，并按如下图所示进行设置。在“,ARIMA,阶数”框中需设置“非季节性”参数：自回归的阶,p,、差分的阶,d,和移动平均数,q,。如果时间序列有季节性因素，还需设置“季节性”参数,sp,，,sd,和,sq,。由于经过前面的分析，此例是,ARIMA(1,0,0),模型，且无季节性影响，则只需将自回归的阶数设为,1,，其余均为,0,。,11.3 ARIMA,模型,“统计量”选项卡的设置：“统计量”选项卡如图,11-9,所示，将“按模型显示拟合度量、,Ljung-Box,统计量和离群值的数量”、“,R,方”、“标准化的,BIC”,、“拟合优度”、“参数估计”勾上。,“图表”选项卡的设置：在其中将“序列”、“残差自相关函数”、“残差偏自相关函数”、“观测值”和“预测值”这些选项选上。,其他选项卡的设置读者可参照例,11-4,进行。,第,4,步 主要结果及分析：,模型的统计量表,模型,预测变量数,模型拟合统计量,Ljung-Box Q(18),离群值数,R,方,正态化的,BIC,统计量,DF,Sig.,燃油量,-,模型,_1,0,.139,8.170,14.688,17,.618,0,列出了模型拟合的一些统计量，包括决定系数（,R,方）、标准化,BIC,值、,Ljung-Box,统计量值，从结果看，拟合效果不太理想，决定系数的值偏小，而且从,Sig.0.05,来看，,Ljung-Box,统计量的观测值也不显著。,11.3 ARIMA,模型,ARIMA,模型参数表,可以看出，残差的自相关和偏自相关函数都是,0,阶截尾的，因而残差是一个不含相关性的白噪声序列。因此，序列的相关性都已经充分拟合了。,估计,SE,t,Sig.,燃油量,-,模型,_1,燃油量,无转换,常数,4.690,5.399,.869,.389,AR,滞后,1,-.382,.127,-3.020,.004,可以看出，,AR(1),模型的参数为,-0.382,，参数是显著的，常数项为,4.69,，不显著，这里仍然保留常数项。从结果来看其拟合模型为,自相关函数和偏自相关函数图,主要内容,11.1,时间序列的建立和平稳化,11.2,指数平滑法,11.3 ARIMA,模型,11.4,时序序列的季节性分解,11.4,时序序列的季节性分解,11.4.1,基本概念及统计原理,（,1,）基本概念,11.4,时序序列的季节性分解,11.4.2 SPSS,实例分析,【,例,11-7】,对表,11.1,所示某企业的销售数据进行季节性分解。（参见数据文件：,data11-1.sav,。）,第,1,步 数据组织：,如例,11-1,，进行数据组织，并定义“年份、月份”格式的日期变量。,第,2,步 观察数据序列的性质：,对销售额作时序图，具体见下图从该时序图可以看出，销售额总的趋势是增长的，但增长并不是单调上升的，而是有涨有落。这种升降不是杂乱无章的，和季节或月份的季节因素有关。当然，除了增长的趋势和季节影响之外，还有些无规律的随机因素的作用。,11.4,时序序列的季节性分解,第,3,步 季节性分析设置：,按“分析预测季节性分解”顺序打开“周期性分解（季节性分解）”对话框，并按下图进行设置。,“保存”对话框的设置,11.4,时序序列的季节性分解,第,4,步 主要结果及分析：,模型的描述表,季节性因素表,模型名称,MOD_1,模型类型,可加,序列名称,1,销售额,季节性期间的长度,12,移动平均数的计算方法,跨度等于周期加,1,，端点权重为,0.5,正在应用来自,MOD_1,的模型指定。,显示了模型的名称、类型及季节性期间的长度等信息,序列名称,:,销售额,期,间,季节性因素,1,.97223,2,4.07407,3,-,3.02840,4,-,3.56468,5,-,3.24368,6,1.90900,7,2.71091,8,4.44257,9,1.25785,10,2.13070,11,-,1.47389,12,-,6.18666,由于季节性的影响，各月份的销售额有很大不同，可看出,11,月、,12,月、,3,5,月的季节性因子为负值，这几个月的销售情况比较差，,12,月最差。同理，,8,月份的销售情况最好。,11.4时序序列的季节性分解,第,4,步 主要结果及分析：,数据文件的数据视图,从该图中可以看到，数据文件中增加了,4,个序列：,ERR_1,表示“销售额”序列进行季节性分解后的不规则或随机波动序列；,SAS_1,表示“销售额”序列进行季节性分解除去季节性因素后的序列；,SAF_1,表示“销售额”序列进行季节性分解产生的季节性因素序列；,STC_1,表示“销售额”序列进行季节性分解出来的序列趋势和循环成分。,11.4,时序序列的季节性分解,第,4,步 主要结果及分析：,季节分解后的时序图：用数据文件中新增加的,4,个数据序列作时序图，如下图所示。,可以看到趋势、季节性影响、随机影响等已被成功分开。,The End,第十二章,信度分析,主要内容,12.0,信度分析概述,12.1,内在信度分析,12.2,再测信度分析,12.3 Kendall,和谐系数,12.0 信度分析概述,效度,效度指的是量表是否真正反映了我们希望测量的东西。一般来说，有,4,种类型的效度：内容效度、标准效度、结构效度和区分效度。内容效度是一种基于概念的评价指标，其他三种效度是基于经验的评价指标。如果一个量表实际上是有效的，那么我们希望上述,4,种指标都比较满意。,(2),信度,是指测量的一致性。信度本身与测量所得结果正确与否无关，它的功能在于检验测量本身是否稳定。制作完成一份量表或问卷后，首先应该对该量表进行信度分析，以确保其可靠性和稳定性，以免影响问卷内容分析结果的准确性。,(3),信度与效度关系,效度与信度的关系是信度为效度的必要而非充分条件，即有效度一定有信度，但有信度不一定有效度。,主要内容,12.0,信度分析概述,12.1,内在信度分析,12.2,再测信度分析,12.3 Kendall,和谐系数,12.1 内在信度分析,12.1.1,基本概念及统计原理,(1),基本概念,内在信度也称为,内部一致性,，用以衡量组成量表题项的内在一致性程度如何。常用的检测方法是,Cronbachs,系数法,和,分半（,Split-half,）系数法,。,(2),统计原理,Cronbachs,系数,12.1 内在信度分析,12.1.1,基本概念及统计原理,分半信度系数：,是在测试后对测试项目按,奇项、偶项,或其他标准分成两半，分别记分，由两半分数之间的相关系数得到信度系数。需要进行,斯皮尔曼,布朗公式,校正，校正的公式为：,12.1 内在信度分析,12.1.2 SPSS,统计分析实例,【,例,12-1】,在学生的性格特征调查中共选了,10,名学生在,8,个项目上进行测试，其数据如下表，试对其进行内在信度分析。,序号,内向性,活动性,支配性,深思性,健壮性,稳定性,社会性,激动性,1,4,6,5,5,5,3,5,4,2,2,5,4,5,5,3,4,2,3,3,5,3,6,4,1,3,1,4,5,6,4,7,55,6,2,5,3,6,5,6,4,4,6,3,6,3,3,3,2,1,1,2,1,7,4,6,6,6,5,6,5,1,8,7,6,2,6,4,5,6,4,9,2,3,2,2,7,4,7,2,10,2,3,4,4,5,6,3,1,12.1 内在信度分析,第,1,步 分析：,本例通过求克朗巴哈,系数来衡量其内在一致性。,第,2,步 数据组织：,按如上表所示的表头定义变量，输入数据并保存。,第,3,步 内在一致性分析的设置：,按“分析度量可靠性分析”顺序打开“可靠性分析”对话框，将衡量性格的8个变量移入“项目”框中,模型选择，本例选择使用,Cronbachs,信度系数法。,打开“可靠性分析：统计量”，按如下图所示进行设置。,12.1 内在信度分析,第,4,步 主要结果及分析。,克朗巴哈,系数表,Cronbachs Alpha,基于标准化项的,Cronbachs Alpha,项数,.790,.790,8,可知,系数为,0.79,，其标准化后的,系数为,0.79,，说明量表的信度一般，还有进一步优化的必要。,12.1 内在信度分析,第,4,步 主要结果及分析。,所有评估项目的描述性情况表,项已删除的刻度均值,项已删除的刻度方差,校正的项总计相关性,多相关性的平方,项已删除的,Cronbachs Alpha,值,内向性,28.70,48.233,.460,.905,.773,活动性,27.30,45.122,.752,.982,.730,支配性,28.40,54.489,.238,.908,.802,深思性,27.30,43.567,.626,.946,.744,健壮性,27.70,51.567,.323,.752,.793,稳定性,28.40,45.156,.509,.879,.766,社会性,27.50,44.500,.626,.850,.745,激动性,30.10,51.211,.479,.701,.772,显示了将某一项从量表中删除的情况下，量表的平均分、方差、每个项目得分与剩余各项目得分之间的相关系数，以该项目为自变量，所有其他项目为因变量建立回归方程的 值以及,Cronbachs,值。从表中可以看出，“活动性”与其他项目之间的相关性最高，为,0.752,，而且“活动性”与其他项目的复相关系数（）也最高，为,0.982,，这表明“活动性”与其他项目的关系最为密切。同时也可以看出，如果删除“支配性”，则其 系数变成了,0.802,，有所提升，但幅度并不大。,主要内容,12.0,信度分析概述,12.1,内在信度分析,12.2,再测信度分析,12.3 Kendall,和谐系数,12.2 再测信度分析,12.2.1,基本概念及统计原理,(1),基本概念,同一个测验项目，对同一组人员进行前后两次测试，两次测试所得分数的相关系数即为再测信度。它反映两次测验结果有无变动也就是测验分数的稳定程度，故又称为稳定性系数。,(2),统计原理,再测信度实质是求的同一量表在两次测试中的相关系数，通常求的是如下式所示的,Pearson,相关系数,。,12.2 再测信度分析,12.2.2 SPSS,实例分析,【,例,12-2】,心理调查第一次调查的数据如例,12-1,所示，第二次调查的数据如下表所示。试对该量表进行再测信度分析。,序号,内向性,1,活动性,1,支配性,1,深思性,1,健壮性,1,稳定性,1,社会性,1,激动性,1,1,3,5,6,5,4,4,4,4,2,2,5,5,5,3,4,5,3,3,3,5,3,6,5,2,3,2,4,4,6,4,7,5,4,5,3,5,3,6,5,6,4,4,4,5,6,4,3,2,2,1,1,3,2,7,4,6,6,6,4,5,5,2,8,6,6,2,5,4,5,5,4,9,3,3,3,3,6,5,6,3,10,2,3,4,4,5,6,4,2,12.2 再测信度分析,第,1,步 分析：,进行再测信度分析。,第,2,步 数据组织：,建立“内向性”,“,激动性”,8,个变量及这,8,个变量的总分“,total”,（总分通过“转换变量计算”来计算）变量，和“内向性,1”“,激动性,1”,及这,8,个变量的部分“,total1”,外加一个“序号”变量，共,19,个变量，如下图所示。,12.2 再测信度分析,第,3,步 再测信度分析设置：,按“分析相关双变量”顺序打开“相关性”对话框,：,将前后两次调查的变量及数据移入“变量”对话框；,在“相关系数”框中选择“,Pearson”系数,；,在“显著性检验”框中选择“双侧检验”，进行双尾检测。,第,4,步 主要结果及分析：,内向性,活动性,支配性,深思性,健壮性,稳定性,社会性,激动性,总分,0.898,0.973,0.906,0.966,0.833,0.904,0.787,0.880,0.976,在对输出的结果表进行了整理后，各相关变量，从表中可以看出可见各变量的相关系数比较高，其中总分的相关系数为,0.976,，说明量表的再测信度很好。,主要内容,12.0,信度分析概述,12.1,内在信度分析,12.2,再测信度分析,12.3 Kendall,和谐系数,12.,3,Kendall和谐系数,12.3.1,基本概念及统计原理,(1),基本概念,Kendall,和谐系数常用于考察评分者信度。所谓评分者信度（,Scorer Reliability,），指多个评分者给同一批人进行评分的一致性程度。例如，在教育和心理测量中，常关心不同的评分者对同一个主观题的评分是否一致；在医学临床疗效评价中，常关心不同的医生对同一个患者的评价是否一致。当评分者人数为,2,时，可以采用,Pearson,或,Spearman,相关系数评价一致性；当评分者人数多于,2,时，可以采用,Kendall,和谐系数考察评分者信度。,12.,3,Kendall和谐系数,12.3.1,基本概念及统计原理,(2),统计原理,Kendall,和谐系数的计算公式为,若评分中出现相同的等级，则需要计算校正的系数。公式如下：,12.,3,Kendall和谐系数,12.3.2 SPSS,实例分析,【例12-5】三名神经内科医生对6名重症肌无力患者分别进行肌力的评分，结果如,下表所示，试评价三名医生的评分信度，计算,Kendall和谐系数。,序号,医生甲,医生乙,医生丙,1,35,32,25,2,40,36,30,3,37,31,28,4,30,30,24,5,38,35,31,6,42,40,32,12.,3,Kendall和谐系数,第,1,步 分析：,这是一个考察几个人对同一批患者评价一致性的问题，考虑用,Kendall,系数来度量。,第,2,步 数据组织：,建立“序号”、“医生甲”、“医生乙”和“医生丙”四个变量，输入数据并保存。,第,3,步,Kendall,系数设置：,按“分析非参数检验旧对话框,K,个相关样本”顺序打开“多个关联样本检验”对话框，并按下图进行设置，之后提交系统运行。,12.,3,Kendall和谐系数,第,4,步 主要结果及分析：,检验统计结果表,N,6,Kendall W,a,.964,卡方,11.565,df,2,渐近显著性,.003,a.Kendall,协同系数。,不仅给出了,Kendall,系数,0.964,，还给出了显著性水平,0.003,，说明三个医生评分结果具有较好的一致性。,The End,