其實SPSS還是比較簡單的。
用的大部分功能也就描述性分析以及迴歸。
描述性分析也就做做圖，看看離散程度和集中趨勢什麼的。具體操作在分析—描述統計與圖表—圖形構建器：
迴歸是一個比較高階的也是一個最基礎的分析方法，像路徑分析、因子分析、結構方程模型等等幾乎都是從迴歸出來的。
迴歸具體分為：單元、多元、logit、probit、非線性（社科一般用線性迴歸，即前面三種，probit也是線性迴歸，但是用得比較少，logit多出現在人口學裡邊，其實logit和probit最大的區別在於是否符合logit而已。）
迴歸在分析-迴歸裡面：
常用的是線性迴歸，最簡單的就是把自變數一股腦的扔進去就行，logit迴歸分為三種——二元、無序和有序（logit迴歸引入的是虛擬變數）。具體內容這裡就不說了，因為後面的表格需要其他東西的輸入，如果有需求可以問。
探索性因子分析在分析-降維-因子分析裡面，一般是用於提取公因子，進行資料整合，再進行迴歸的。
路徑分析是簡單版的結構方程模型，結構方程模型可用amos解決，但總的來說，其方法還是與迴歸脫離不了關係。
至於為什麼不說假設檢驗和方差分析以及相關，是因為假設檢驗一般用於前期，而且沒什麼必要，什麼獨立樣本，配對樣本，簡單學學就好。方差分析與假設檢驗類似，位置在分析-描述統計-交叉表格-statistics-勾選方差，方差檢驗其實與假設檢驗類似，一個看均值一個看方差。相關真心沒必要說，最多能證明變數之間是相關的，其他的數值不具有太多解釋性。
SPSS學起來是很簡單的，找本書找幾個影片看看就差不多了。最重要的不是會不會用SPSS，而是對結果的解讀，以及對統計學的掌握。統計學是基礎，SPSS只是一個分析工具，以前資料分析一般都是手算的，而SPSS其實就相當於計算器而已。
至於其他的軟體工具，個人覺得因專業而異吧。對與大部分社科來說SPSS已足夠了。如果非要讓人家學MATLAB、Eviews、SAS那不是搶了其他專業的飯碗了嗎：）
其實SPSS還是比較簡單的。
用的大部分功能也就描述性分析以及迴歸。
描述性分析也就做做圖，看看離散程度和集中趨勢什麼的。具體操作在分析—描述統計與圖表—圖形構建器：
迴歸是一個比較高階的也是一個最基礎的分析方法，像路徑分析、因子分析、結構方程模型等等幾乎都是從迴歸出來的。
迴歸具體分為：單元、多元、logit、probit、非線性（社科一般用線性迴歸，即前面三種，probit也是線性迴歸，但是用得比較少，logit多出現在人口學裡邊，其實logit和probit最大的區別在於是否符合logit而已。）
迴歸在分析-迴歸裡面：
常用的是線性迴歸，最簡單的就是把自變數一股腦的扔進去就行，logit迴歸分為三種——二元、無序和有序（logit迴歸引入的是虛擬變數）。具體內容這裡就不說了，因為後面的表格需要其他東西的輸入，如果有需求可以問。
探索性因子分析在分析-降維-因子分析裡面，一般是用於提取公因子，進行資料整合，再進行迴歸的。
路徑分析是簡單版的結構方程模型，結構方程模型可用amos解決，但總的來說，其方法還是與迴歸脫離不了關係。
至於為什麼不說假設檢驗和方差分析以及相關，是因為假設檢驗一般用於前期，而且沒什麼必要，什麼獨立樣本，配對樣本，簡單學學就好。方差分析與假設檢驗類似，位置在分析-描述統計-交叉表格-statistics-勾選方差，方差檢驗其實與假設檢驗類似，一個看均值一個看方差。相關真心沒必要說，最多能證明變數之間是相關的，其他的數值不具有太多解釋性。
SPSS學起來是很簡單的，找本書找幾個影片看看就差不多了。最重要的不是會不會用SPSS，而是對結果的解讀，以及對統計學的掌握。統計學是基礎，SPSS只是一個分析工具，以前資料分析一般都是手算的，而SPSS其實就相當於計算器而已。
至於其他的軟體工具，個人覺得因專業而異吧。對與大部分社科來說SPSS已足夠了。如果非要讓人家學MATLAB、Eviews、SAS那不是搶了其他專業的飯碗了嗎：）