簡介
SPSS是最為優秀的統計軟體之一，深受各行業用戶的青睞。為滿足廣大讀者學習和掌握高級統計分析方法的需求，本書定位為各套用統計專業的研究生教材，本書以IBM SPSS Statistics 24中文版為準，全面、系統的介紹了各種多變數統計模型、多元統計分析模型、智慧型統計分析方法的原理和軟體實現。作者在書中結合自身多年的統計分析實戰和SPSS行業套用經驗，側重於對統計新方法、新觀點的講解。在保證統計理論嚴謹的同時，又充分注重了文字的淺顯易懂，使本書更加易學易用，是一本難得的如何使用SPSS進行高級統計分析的指導書和參考大全。
版本歷史
編輯
第1版：
2004年9月出版，以SPSS 12為準。
第2版：
2013年3月出版，以SPSS 20為準。
第3版：
2018年1月出版，以SPSS 24為準。和第2版相比，針對SPSS通過Python外掛程式和R外掛程式提供各種統計模型，除介紹新版本直接提供的新方法外，本書還對較重要的一些用外掛程式方式提供的方法進行了介紹，包括分位數回歸、弗斯logisit回歸、潛類別分析、支持向量機、隨機森林、項回響模型等，並在附錄中介紹了相應外掛程式的安裝方法，以幫助讀者及時跟進統計方法領域的最新進展，並能在工作中充分發揮SPSS軟體的威力。
目錄
第一部分 一般線性、混合線性與廣義線性模型
第1章 方差分析模型
1.1 模型簡介
1.2 案例：膠合板磨損深度的比較
1.3 兩因素方差分析模型
1.4 因素各水平間的精細比較
1.5 方差分析模型進階
第2章 常用實驗設計分析方法
2.1 僅研究主效應的實驗設計方案
2.2 考慮互動作用的實驗設計方案
2.3 誤差項變動的特殊實驗設計方案
2.4 協方差分析
第3章 多元方差分析與重複測量方差分析
3.1 多元方差分析
3.2 重複測量資料的方差分析
第4章 線性混合模型
4.1 模型簡介
4.2 層次聚集性數據案例
4.3 重複測量數據案例
4.4 線性混合模型進階
第5章 廣義線性模型，廣義估計方程 與廣義線性混合模型
5.1 廣義線性模型
5.2 廣義估計方程
5.3 廣義線性混合模型
第二部分 回歸模型
第6章 多重線性回歸模型
6.1 模型簡介
6.2 案例：銷量影響因素分析
6.3 回歸預測與區間估計
6.4 殘差分析
6.5 逐步回歸
6.6 模型的進一步診斷與修正
6.7 自動線性建模
第7章 線性回歸的衍生模型
7.1 非直線趨勢的處理：曲線直線化
7.2 方差不齊的處理：加權最小二乘法
7.3 共線性的處理：嶺回歸
7.4 分類變數的數值化：最優尺度回歸
7.5 強影響點的弱化：穩健回歸與分位數回歸
7.6 其餘回歸方法簡介
第8章 路徑分析入門
8.1 兩階段最小二乘法
8.2 路徑分析入門
8.3 偏最小二乘法入門
第9章 非線性回歸模型
9.1 模型簡介
9.2 案例：通風時間和毒物濃度的曲線方程
9.3 自定義損失函式：最小一乘法
9.4 分段回歸模型的擬合
9.5 非線性回歸模型進階
第10章 二分類logistic回歸模型
10.1 模型簡介
10.2 案例：低出生體重兒影響因素研究
10.3 分類自變數的定義與比較方法
10.4 自變數的篩選方法與逐步回歸
10.5 弗斯Logistic回歸
10.6 Logistic模型進階
第11章 多分類、配對logistic回歸與probit回歸模型
11.1 有序多分類logistic回歸模型
11.2 無序多分類logistic回歸模型
11.3 1:1配對logistic回歸
11.4 probit回歸模型
第12章 對數線性模型、Poisson回歸模型 與潛類別分析
12.1 對數線性模型簡介
12.2 一般對數線性模型
12.3 因果關係明確時的對數線性模型
12.4 對數線性模型的自動篩選
12.5 對數線性模型與其它模型的關係
12.6 Poisson回歸模型
12.7 潛類別分析簡介
第三部分 多元統計分析方法
第13章 主成份分析、因子分析與多維偏好分析
13.1 主成份分析
13.2 因子分析
13.3 因子分析進階
13.4 分類數據的主成份分析（多維偏好分析）
第14章 對應分析
14.1 模型簡介
14.2 案例：頭髮顏色與眼睛顏色的關聯
14.3 基於均數的對應分析
14.4 對應分析進階
14.5 基於最優尺度變換的多重對應分析
第15章 典型相關分析
15.1 模型簡介
15.2 案例：體力指標和運動能力指標的相關分析
15.3 典型相關分析進階
15.4 基於最優尺度變換的非線性典型相關分析
第16章 多維尺度分析
16.1 不考慮個體差異的MDS模型
16.2 考慮個體差異的MDS模型
16.3 基於最優尺度變換的MDS模型
16.4 多維展開模型
第17章 聚類分析
17.1 模型簡介
17.2 K-均值聚類法
17.3 聚類結果的驗證與自動最佳化
17.4 層次聚類法
17.4 兩步聚類法
17.5 聚類分析進階
第18章 經典判別分析
18.1 模型簡介
18.2 案例：鳶尾花種類判別
18.3 貝葉斯判別分析
18.4 判別分析進階
第四部分 其他統計分析方法
第19章 樹模型、隨機森林與最近鄰元素法
19.1 樹模型簡介
19.2 案例：移動客戶流失預測
19.3 對案例的進一步分析
19.4 常見的樹模型算法
19.5 隨機森林
19.6 最近鄰元素法
第20章 神經網路與支持向量機
20.1 模型簡介
20.2 案例：對低出生體重兒案例的重新分析
20.3 對案例的進一步分析
20.4 徑向基神經網路
20.5 支持向量機簡介
第21章 信度分析
21.1 信度理論入門
21.2 案例：問卷信度分析
21.3 其餘常用的信度係數
21.4 概化理論簡介
21.5 項目反應理論簡介
第22章 聯合分析
22.1 模型簡介
22.2 聯合分析的正交試驗設計
22.3 聯合分析的數據建模
22.4 聯合分析進階
第23章 時間序列模型
23.1 模型簡介
23.2 時間序列的建立和平穩化
23.3 時間序列的圖形化觀察
23.4 時間序列的建模與預測
23.5 季節分解
23.6 時間因果模型
第24章 生存分析
24.1 生存分析簡介
24.2 生存函式的估計和檢驗
24.3 Cox回歸模型
24.4 含時間依存變數的Cox模型
24.5 Cox模型進階
24.6 加速失效時間模型
第25章 缺失值分析
25.1 缺失值理論簡介
25.2 對缺失情況的基本分析
25.3 缺失值填充技術
25.4 多重填充
附錄1 常見多變數/多元統計分析方法分類圖
附錄2 Python外掛程式和R外掛程式的安裝方法
