Modèle état descriptif de division

La fenêtre de dialogue descriptives vous permet d`entrer des variables numériques dans votre jeu de données, y compris les variables nominales et ordinales. Les moyennes et les écarts types ne sont pas appropriés ni significatifs pour les variables nominales et ordinales. Assurez-vous que vous comprenez comment vos variables sont codées et ce qu`elles représentent avant de commencer votre analyse. Dans SPSS, la procédure descriptives calcule un ensemble de statistiques descriptives de base pour une ou plusieurs variables numériques continues. En tout, les statistiques qu`il peut produire sont: par défaut, la procédure descriptives calcule la moyenne, l`écart type, le minimum et le maximum de la variable. Cliquer sur options vous permettra de désactiver l`une des statistiques susmentionnées, ou d`activer la somme, la variance, la portée, l`erreur standard de la moyenne (moyenne de S.E.), la kurtose et l`asymétrie. Vous pouvez également choisir la façon dont vous souhaitez que la sortie soit organisée: Notez que la procédure descriptives ne peut pas calculer les médianes ou les quartiles. Si vous avez besoin de ces statistiques, vous devrez utiliser les procédures fréquences, Explorer ou comparer les moyennes. La procédure descriptive est mieux utilisée lorsque vous souhaitez comparer les statistiques descriptives de plusieurs variables numériques côte à côte.

Cette carte de l`indice de développement humain est un outil précieux de la mesure de l`Amérique: un projet du Conseil de recherches en sciences sociales. Il combine des indicateurs dans trois domaines fondamentaux-la santé, la connaissance et le niveau de vie-en un seul nombre qui tombe sur une échelle de 0 à 10, et est présenté sur une carte interactive facile à naviguer des États-Unis. Dans SPSS, vous pouvez calculer automatiquement les scores normalisés pour les variables numériques à l`aide de la procédure descriptives. Une distinction importante est que les valeurs normalisées des scores «bruts» seront centrées sur leurs moyens d`échantillonnage et mises à l`échelle (divisées par) leurs écarts types d`échantillonnage; c`est-à-dire: les modèles doivent être à la fois traçables, capables d`être résolus et valides, représentatifs de la situation d`origine. Ces deux objectifs sont souvent contradictoires et ne sont pas toujours réalisables. Il est généralement vrai que les méthodes de solution les plus puissantes peuvent être appliquées au modèle le plus simple, ou le plus abstrait. Le problème ici n`est pas simplement théorique; beaucoup de grands ensembles de données ont également une distribution pour laquelle la moyenne n`est pas une bonne mesure de la tendance centrale.