数据分析不是直接从分析开始的。当你得到一个要分析的数据时，往往需要先做一个基础工作——数据处理。数据处理的一般操作方法，就像SPSSAU中提供的一样。

此外，上图中的方法包括多种重新处理数据变量的方法:

其中，数据的标准化需要在大量的数据分析之前完成:

在一些分析中，如主成分分析、因子分析、线性回归分析等，都期望数据标准化。

同时，一些综合评价方法会需要更多的数据处理，比如集中化，也就是:X- average。

还有一些经济管理的方法，如调解、调控等，需要规范化。

如果不规范，后期分析结果可能会有误差。

数据的标准化主要是为了消除指标间维度和范围差异的影响。淘汰指数的维度是什么？一般情况下，我们收集的数据都是有单位的。比如我们收集一个个人信息，包括人体身高和体重两个指标。身高的单位是厘米，体重的单位是公斤。淘汰指标的维度是淘汰其单位。当不同指标的幅度相差很大时，就要进行维度剔除。否则，数据的分析结果可能是由量值较大的指标值决定的，而忽略了量值较小的指标，因此需要剔除它们。

比如下面这种情况，就需要对全国各省市的综合发展情况做因子分析。表格中有六个指标。

像这样的数据，有的指标特别大，有的指标特别小，比如“高校数量”和“人均GDP”，所以在进行因子分析之前，需要对这六个指标的数据进行标准化处理。

z-score标准化是数据标准化中应用最广泛的方法。本文分享z-score标准化的原理和实践，以及如何进行因子分析。

1。数据的z分数标准化

(1)Z分数标准化原则

z-score标准化是基于原始数据的均值μ和标准差σ。通过下面的转换公式，可以将原始值转换成均值为0，标准差为1的统一数据。

z-score标准化转换公式:

新得到的标准化数据的含义是“一个给定的数据离平均值有多少个标准差？”高于平均值的数据将得到正的标准化分数，而低于平均值的数据将得到负的标准化分数。标准化之后，所有的数据都会统一。没有一个数据会很大，比如10000，而有些数据会很小，比如10。如下图:

适用性:z-score标准化的方法适用于变量的最大值和最小值未知，或者存在超出取值范围的异常值的情况。

(2)使用SPSSAU对数据进行标准化处理。

在实际的分析操作中，数据标准化是非常简单的。这里用上面的案例数据来演示怎么做。

1。首先，打开SPSSAU网站并上传数据，如下所示:

2。规范衡量各省市综合发展的六个指标值，选择SPSSAU页面右侧部分的按钮。

3。然后选择Z标准化方法，选择六个要标准化的指标，点击。

4。处理结果

SPSSAU系统自动生成新的标准化指标变量，原指标值仍然存在。

此时还可以查看具体的标准化值，可以看到所有的数据都被压缩到了一个特定的区间内:

这样就完成了数据的标准化，然后标准化后的数据就可以进行因子分析了。

二、因子分析

SPSS AU中提供了现成的因子分析方法，可以快速完成。操作如下:

(1)操作步骤

选择SPSSAU页面左侧的按钮，将标准化的六个指标变量拖放到页面右侧的分析框中，根据实际研究情况选择因子个数，在此选择三个，点击即可得到因子分析结果。

(2)输出结果
SPSSAU输出了四个结果表，并自动生成了两个可视化图形，如下所示:

1。对KMO和巴特利特的考察:

因子分析探讨的是量化数据可以浓缩成几个方面(因子)，每个方面(因子)对应条目；

首先，分析KMO值；如果这个值高于0.8，就非常适合做因子分析；如果这个值在0.7到0.8之间，说明它更适合于因子分析。如果这个值在0.6到0.7之间，说明可以进行因子分析；如果这个值小于0.6，说明因子分析不适合；

第二，如果Bartlett检验对应的P值小于0.05，也说明适合进行因子分析；

第三:如果只有两个分析项，反正KMO是0.5。

2。差异解释比率表

3。旋转后的系数负载系数表

4。成分得分系数矩阵

5。砾石地图

/h/]
6。负载图

7。线性组合系数和权重结果

三。摘要

总之，在做因子分析之前，一般需要对数据进行标准化处理，以消除数据指标的维度影响。无论是数据标准化还是因子分析都是SPSSAU online SPSS数据分析工具中的傻瓜，只需要拖动就可以完成，对于统计学初学者来说更加方便。

,