前期准备(数据处理)

1. 录入数据
2. 变量定义
3. 变量转化
4. 缺失值处理

描述性统计

箱图：描述了数据的最大最小值、四分位数、中位数和极端值。
得到z分数：在描述性统计中勾选“将变量标准化”即可。

t检验

前提假设：样本总体服从正态分布。

1. 单样本t检验
2. 独立样本t检验：需要满足方差齐次性

方差齐次性检验：独立样本t检验输出的表中就有方差齐次性检验的结果（不显著则满足假设），以及在满足与不满足方差齐次性假设的情况下的t检验结果。

方差齐次性检验

3. 配对样本t检验：不需要满足方差齐次性。

相关与回归

相关

Pearson 相关：适用于符合正态分布的连续变量。
Spearman相关：是Pearson的非参数形式，适用于分类变量或者不满足正态分布的连续变量。
标准：大于0.8表示相关较强，小于0.3表示相关较弱。

回归

判定系数R方表示回归方程对因变量的解释力。

ANOVA

前提假设：

1. 总体正态分布
2. 方差齐次性

one-way ANOVA

使用contrast中的coefficient填入参数进行对照的检验。

多因素方差分析：GLM-univariate

全模型：包括主效应和交互作用。

重复测量（配对样本）：GLM-repeated measures

需要判断是否满足球形假设，若不显著则满足球形假设；若不满足，建议采用Greenhouse-Geisser的校正结果。
也可用于混合设计——除了对同一样本进行重复测量之外（被试内因素），还包含被试的分组（被试间因素）。分析方法是一样的，只需要将被试间因素添加进去。

协方差分析ANCOVA

1. 需要满足斜率同质性假设，即自变量和协变量的交互作用不显著。
2. 在GLM-univariate中选择协变量，在自定义模型中加入自变量和协变量的交互作用（若交互作用显著则协方差分析没有意义）。
3. 在GLM-univariate中选择协变量，选择全模型。

多元线性回归

1. 适用于探索多个自变量与一个因变量的关系。
2. 使用校正R方表示拟合程度、使用复相关系数R表示相关程度。
3. 检验整个方程的相关是否显著后，还需要单独检验每个自变量。
4. 多重共线性：自变量之间相关较高，会导致模型估计有偏差。使用容忍度和方差膨胀因子进行检验，容忍度越接近1越好，方差膨胀因子若大于10则说明存在多重共线性。
5. 操作：在线性回归的自变量中加入多个自变量即可，需要选择变量进入方式。
6. 通过block设置分层回归，可以看到逐个加入自变量之后，对R方的贡献是否显著。