一、自己评分
自己给它一个评分（个人评判5分制）：
内容专业性：4.5分；
数据真实性：4分；
适用范围广度：5分；
综合评价：4.5分。笔者放到论坛的内容向来免费
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~广告一下~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
如果觉得好，值得去收藏，点以下的网址链接，订阅我的文库吧：【免费数据源】和【综合评价方法（统计必学）】（直接，点击，我的文库，名字（）免费数据源即可）
还有，希望有心的朋友，能分享出你拥有的一些数据资源给大家，谢谢了~~
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~广告一下~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~



二、内容探讨：

1、相关性分析统计量（S p e a r m a n与Pea rs o n 相关性的选择）：
        比较普遍的是不管什么类型的变量都使用线性相关方法，这也是一个误区。对尺度变量, 即常说的连续变量可以使用常用的线性相关方法, 即求Pea rs o n 相关系数和进行相应的检验。而对有序的数值型的分类变量应该使用S p e a r m a n 和K e n d a ll
’5 t a u 一b 方法求秩相关系数和进行相应的检验。这些方法在S PS S、S A S 软件的相关分析过程中都有相应的选择项。


2、回归分析：
（1）不进行数据处理：
很多论文作者是将取得的数据不加分析地放在一起,进行线性回归。很少或没有注意少数奇异值(标准化残差过大, 例如大于3) 或影响点(标准化残差可能不很大, 但对方程影响较大的点)对回归方程影响。, 可以反复进行回归计算来确定这些点的影响。
确定是否要在回归分析时剔除这些比较特殊的点。统计分析软件S A S 和S PS S 中的多元线性回归分析都有检测判断影响点和确定影响程度的方法。
（2）不做共线性，数据分析误差：
许多文章中的多元线性回归方程往往是将与因变量线性相关的变量均作为回归自变量放在方程中, 求出回归方程就认为可以进行预测或根据自变量值求因变量的值了。往往没有考虑到回归分析要求回归方程中的自变量相互独立和回归分析还应该分析评价各自变量对因变量的贡献率。如果回归方程中的自变量彼此存在相关关系, 即存在共线性现象, 就会给贡献率的评价带来困难。而S A S、SP S S 软件都能进行共线性诊断, 并能在逐步回归的每一步显示诊断指标。
3、降维
常常在刚刚接触一个研究目标时, 生怕漏掉信息, 错失测试的良机, 而根据自己对目标事物的理解, 选择了尽可能多的变量进行测量。但是实际上这些变量之间往往存在相关性而使分析变得复杂。因此, 降维常常是研究工作所必须, 又常常被忽视的问题。常用的降维方法有: 变量聚类、主成分分析和因子分析。




三、数据源（免费论文）