数据预处理包括的内容非常广泛，包括数据清理和描述性数据汇总，数据集成和变换，数据归约，数据离散化等。本次实习主要涉及的数据预处理只包括数据清理和描述性数据汇总。一般意义的数据预处理包括缺失值填写和噪声数据的处理。于此我们只对数据做缺失值填充，但是依然将其统称数据清理。
1.1.1 数据导入与定义
单击“打开数据文档 ”，将xls格式的全国各地区能源消耗量与产量的数据导入SPSS中，如图1-1所示。
导入过程中，各个字段的值都被转化为字符串型（String），我们需要手动将相应的字段转回数值型。单击菜单栏的“ ”-->“ ”将所选的变量改为数值型。如图1-2所示：
数据清理包括缺失值的填写和还需要使用SPSS分析工具来检查各个变量的数据完整性。单击“ ”-->“ ”，将检查所输入的数据的缺失值个数以及百分比等。如图1-3所示：
能源数据缺失值分析结果如表1-1所示：
|
表2-1 能源消耗量与产量数据缺失值分析 |
SPSS提供了填充缺失值的工具，点击菜单栏“ ”-->“ ”，即可以使用软件提供的几种填充缺失值工具，包括序列均值，临近点中值，临近点中位数等。结合本次实习数据的具体情况，我们不使用SPSS软件提供的替换缺失值工具，主要是手动将缺失值用零值来代替。
1.1.3 描述性数据汇总
描述性数据汇总技术用来获得数据的典型性质，我们关心数据的中心趋势和离中趋势，根据这些统计值，可以初步得到数据的噪声和离群点。中心趋势的量度值包括：均值（mean），中位数（median），众数（mode）等。离中趋势量度包括四分位数（quartiles），方差（variance）等。
SPSS提供了详尽的数据描述工具，单击菜单栏的“ ”-->“ ”-->“ ”，将弹出如图2-4所示的对话框，我们将所有变量都选取到，然后在选项中勾选上所希望描述的数据特征，包括均值，标准差，方差，最大最小值等。由于本次数据的单位不尽相同，我们需要将数据标准化，同时勾选上“将标准化得分另存为变量”。
图1-4 描述性数据汇总
得到如表1-2所示的描述性数据汇总。
|
有效的 N （列表状态） |
表1-2 描述性数据汇总
标准化后得到的数据值，以下的回归分析将使用标准化数据。如图1-5所示：
我们还可以通过描述性分析中的“ ”来得到各个变量的众数，均值等，还可以根据这些量绘制直方图。我们选取个别变量（能源消费总量）的直方图，可以看到我们因变量基本符合正态分布。如图1-6所示：
”，将弹出如图1-7所示的对话框，将通过选择因变量和自变量来构建线性回归模型。因变量：标准化能源消费总额；自变量：标准化煤炭消费量、标准化焦炭消费量、标准化原油消费量、标准化原煤产量、标准化焦炭产量、标准化原油产量。自变量方法选择：进入，个案标签使用地名，不使用权重最小二乘法回归分析—即WLS权重为空。
图1-7选择线性回归变量还需要设置统计量的参数，我们选择回归系数中的“ ”和其他项中的“ ”。选中估计可输出回归系数B及其标准误，t值和p值，还有标准化的回归系数beta。选中模型拟合度复选框：模型拟合过程中进入、退出的变量的列表，以及一些有关拟合优度的检验：R，R2和调整的R2, 标准误及方差分析表。如图1-8所示：
图1-8 设置回归分析统计量
3.在设置绘制选项的时候，我们选择绘制标准化残差图，其中的正态概率图是rankit图。同时还需要画出残差图，Y轴选择：ZRESID，X轴选择: ZPRED。如图1-9所示：
左上框中各项的意义分别为:
4. 许多时候我们需要将回归分析的结果存储起来，然后用得到的残差、预测值等做进一步的分析，“保存”按钮就是用来存储中间结果的。可以存储的有：预测值系列、残差系列、距离（Distances）系列、预测值可信区间系列、波动统计量系列。本次实验暂时不保存任何项。
5. 设置回归分析的一些选项，有：步进方法标准单选钮组：设置纳入和排除标准，可按P值或F值来设置。在等式中包含常量复选框：用于决定是否在模型中包括常数项，默认选中。如图1-10所示：
1.2.2 结果输出与分析
在以上选项设置完毕之后点击确定，SPSS将输出一系列的回归分析结果。我们来逐一贴出和分析，并根据它得到最后的回归方程以及验证回归模型。
3.表1-5所示是离散分析。 ，F的值较大,代表着该回归模型是显著。也称为失拟性检验。
4.表1-6所示的是回归方程的系数，根据这些系数我们能够得到完整的多元回归方程。观测以下的回归值，都是具有统计学意义的。因而，得到的多元线性回归方程：Y=0.008+1.061x1+0.087 x2+0.157 x3-0.365 x4-0.105
（x1为煤炭消费量，x2为焦炭消费量，x3为原油消费量，x4为原煤产量，x5为原炭产量，x6为原油产量，Y是能源消费总量）
结论：能量消费总量由主要与煤炭消费总量所影响，成正相关；与原煤产量成一定的反比。
5.模型的适合性检验，主要是残差分析。残差图是散点图，如图1-11所示：
可以看出各散点随机分布在e=0为中心的横带中，证明了该模型是适合的。同时我们也发现了两个异常点，就是广东省和四川省，这种离群点是值得进一步研究的。
还有一种残差正态概率图（rankit图）可以直观地判断残差是否符合正态分布。如图1-12所示：
它的直方图如图1-13所示：
加载中，请稍候......
可选中1个或多个下面的关键词，搜索相关资料。也可直接点“搜索资料”搜索整个问题。
SPSS17中文版比较好用。
第一步，点击【分析】→【度量】→【可靠性分析】(图5-26)。出现“可靠性分析”对话框，如图5-27，把需要分析的试题项目全部拖到“项目(I)”中。
第二步，点击“统计量(S)”按钮，出现“可靠性分析：统计量”对话框。如图5-28，选取“相关性”，单击“继续”按钮回到“可靠性分析”对话框，单击“确定”按钮，分析数据。
第三步，打开“SPSS Statistics查看器”窗口。把生成的相关数据导出到Word文档中，得出表5-4。
信度越接近于1，说明信度越好。从上表可以看出标准的科隆巴赫 ( Cronbach's Alpha)系数值是0.765＞0.7，可满足一般要求。
本回答由电脑网络分类达人 刘聪聪推荐
SPSS17中文版比较好用。
第一步，点击【分析】→【度量】→【可靠性分析】(图5-26)。出现“可靠性分析”对话框，如图5-27，把需要分析的试题项目全部拖到“项目(I)”中。
第二步，点击“统计量(S)”按钮，出现“可靠性分析：统计量”对话框。如图5-28，选取“相关性”，单击“继续”按钮回到“可靠性分析”对话框，单击“确定”按钮，分析数据。
第三步，打开“SPSS Statistics查看器”窗口。把生成的相关数据导出到Word文档中，得出表5-4。
信度越接近于1，说明信度越好。从上表可以看出标准的科隆巴赫 ( Cronbach's Alpha)系数值是0.765＞0.7，可满足一般要求。
不知道你要进行的是什么分析
有可能是导入spss后 ，数据的类型需要修改，或者数据的类型不适合你需要用的分析
你把全部东西都挡住了，无法判断这个表格是做的什么
只能看到下面是写的卡方检验，推测是卡方检验，在spss是在crosstab里面做
但是也可能是做的回归或者其他分析
就是要做卡方检验，怎么得到下面的P值呢
