說明：本案例基于spss資料分析與挖掘實戰案例精粹----第10章
案例背景：對受訪者的背景資料對消費者信心指數的影響加以研究，并進一步考察其内部的詳細作用方式；
分析方法：使用方差分析對自變量進行篩選，然後建議多元回歸方差，進一步考察變量的影響，在此基礎上，有利用最優尺度回歸深入探讨自變量可能的各種複雜作用趨勢，并利用多水準模型深入分析了信心指數變異在時間水準上的情況；
消費信心指數計算主要變量：
1、與一年前相比，您的家庭現在的經濟狀況怎麼樣？
2、與現在相比，一年後您的家庭經濟狀況将會如何變化？
3、與現在相比，您認為1年以後本地區的經濟發展狀況将會如何？
4、與現在相比，您認為5年後本地區的經濟将會出現怎樣的變化？
5、對于大宗耐用消費品的購買，比如家用電器，電腦以及高檔家具，您認為目前是購買的好時機嗎？
分析思路與商業了解：
1、考慮建立一個标準的一般線性模型(因變量暫無)，由于候選因變量較多，是以拟合方差分析模型是比較常見的做法：
2、由于信心指數會随着時間而發生變化，是以也要考慮時間的影響，（個人認為時間或許有一定的相關關系，但是沒有因果關系），其次不同的地域也會有影響；
3、信心指數的研究比較特殊，一般而言，在對多道題目進行資訊彙總時，最佳的方式是進行主成分提取，但信心指數的計算方式是固定的相加算式；
4、分目标中需要考慮各影響因素的作用能否細分至5個分項名額，可以首先利用總信心指數的模型篩選出影響因素。然後将各題目作為因變量，建立相應的分析模型；可能存在某個因素對分項名額有影響，但是對總名額沒有影響的情況，但是本案例并不考慮；
資料探索：
1）考察時間，地域對信心指數的影響；
“圖形”----“建構圖形程式”；選擇“直方圖”并拖入畫布；将變量“index1”放入橫坐标；在“元素屬性”的對話框中選擇“顯示正态曲線”---應用；切換至“組/點ID”----“行嵌闆變量”；将“s0”拖入“嵌闆”中；“選項”---“換行嵌闆”；
“圖形”----“建構圖形程式”；選擇“多重線圖”---“time”橫坐标，“index1”縱坐标，“城市s0”“顔色”；輕按兩下“顔色”----分組區域改為“圖案”，确定；在繪制的圖形中，輕按兩下圖形進行編輯，更改y軸刻度值
從分布圖來看，均成正态分布，且分布無明顯差異；3個地區的信心指數變化規律不一，廣州相對而言變化比較平緩，上海則跌漲幅最大；2008年以前，三地去信心指數差異較大，但2009年年末，指數差異縮小，城市與月份可能存在互動作用，後續模組化分析中應加以注意；
2）考察性别，職業，婚姻狀況等對信心指數的影響；
建立條形圖；圖表完成後對圖形進行編輯（選中類别分類軸，“類别”---“排序依據”---“統計”--“降序”）
根據圖表可看出：信心指數在男女之間無明顯差異；在大專，大學學曆範圍時平均水準達到更高；未婚人群信心指數最高；家庭月收入在2000以下時，信心指數随收入的上升而上升，随後保持穩定
3）考察年齡對信心指數的影響；
簡單散點圖---S3橫坐标，index1縱坐标---确定；
編輯圖形----元素----總計拟合線----Loess---應用
結論：1）随着年齡的上升，信心指數有下降的趨勢；線性模型也呈現這樣的趨勢；2）存在信心指數異常點（0），可以回影響模組化品質；
标準GLM架構下的模組化分析：
“分析”----“一般線性模型”----“單變量”；
“因變量”----“index1”；“固定因子”----“time”，“城市s0”，“性别S2”，“學曆S4”，“職業S5”，“婚姻狀況S7”，“家庭月收入S9”；“協變量”----“年齡S3”；"模型“-----将各因子的主效應選入模型框；“儲存”----“未标準化的預測值”，“标準化殘差”；“選項”----“缺乏拟合優度檢驗”；确定
主要檢視sig項，看變量是否存在統計學意義；
上表檢驗的是目前模型用于拟合樣本資料是否具有足夠的拟合優度或者說與納入的全部主效應和互動效應的模型（全模型）相比目前模型對樣本資訊的解釋程度是否充分，兩者的差異是否具有統計學意義；若有差異，則意味着還有互動項需要納入；
在一般線性模型中加入兩兩比較：
在前面的基礎上：“選項”----“time，s0，s4”等----“顯示均值”----選中“比較主效應”---置信區間選選擇“Bonferroni”
上圖的兩個表中：第一個表，檢驗統一分類變量的不同屬性之間是否存在顯著差異；第二表，檢驗的是這一分類變量對因變量（信心指數）是否有有影響（0.025）；
多元方差分析模型的結果：
目的與問題：1）信心指數是由5個分項名額構成的，可以考慮将5個名額作為因變量進行考察？2）5個變量之間存在關聯，那麼将5個名額作為因變量進行模組化分析，那麼相應的變量篩選結果會有差異嗎？
多元方差分析回答問題：1）自變量的變化是否對因變量有顯着影響？2）因變量之間的關系是什麼？3）自變量之間有什麼關系？
使用條件：1）各因變量服從多元正态分布（可以降低為每個反應變量服從正态分布---多元正态分布的必要條件）2）互相獨立，且各組觀察對象反應變量的方差協方差矩陣相等；
拟合優度檢驗：卡方統計量進行統計顯著性檢驗的重要内容之一。它是依據總體分布狀況，計算出分類變量中各類别的期望頻數，與分布的觀察頻數進行對比，判斷期望頻數與觀察頻數是否有顯著差異，進而達到從分類變量進行分析的目的。
spss操作：分析----一般線性模型----多變量；将5個名額放入“因變量";将”月份，城市，職業，家庭月收入“選入”固定因子";将“年齡"放入”協變量"；“模型”----“将各因素的主效應選入模型對話框”；“選項”----“缺乏拟合優度檢驗”；“确定”；
部分結果如下：
兩兩比較：在前面操作基礎上------“選項”-----将“time，s0，s5，s9”選入“顯示均值”----選中“比較主效應”----“置信區間調節----Bonferroini”
最優尺度回歸：統計模組化時對分類變量進行量化的問題；
操作步驟：分析----回歸----最佳尺度；“因變量”----“index1”；“定義變量”----“數字”；将其他自變量選入“自變量框”---“定義度量”----“名義”；“離散化”---所有變量“秩”；“缺失”----所有變量“為缺失值歸因（附加類别）”；“繪制”---所有變量“轉換圖”；--确定
相關分析（Correlations）：自變量對因變量的相關性分析，
影響重要性：自變量在模型中的重要性百分比，負數說明重要性很低；
容差：該變量對因變量的影響中不能被其他自變量所解釋的比例，容差越大越好；
總結：什麼時候選擇簡單模型，什麼時候選擇複雜模型？
1、當對資料不清楚時，盡量采用簡單的模型，快速、清晰的抓住資料間的主要關聯
2、如果已知模型在方法學上有某些缺陷，進而擔心相應的問題可能影響分析結果，可以在已有結果的基礎上，采用其他方法進行探索；
3、随着分析的深入，可能出現所使用的簡單模型無法滿足的分析需求，在此基礎上建構較為複雜的模型