第十一章時間序列分析主要內(nèi)容11.1時間序列的建立和平穩(wěn)化11.2指數(shù)平滑法11.3ARIMA模型11.4時序序列的季節(jié)性分解11.1時間序列的建立和平穩(wěn)化11.1.1填補缺失值時間序列分析中的缺失值不能采用通常刪除的辦法來解決，因為這樣會導致原有時間序列周期性的破壞，而無法得到正確的分析結果。按“轉(zhuǎn)換→替換缺失值”打開“替換缺失值”對話框缺失值替換示例11.1時間序列的建立和平穩(wěn)化11.1.2定義日期變量定義日期模塊可以產(chǎn)生周期性的時間序列日期變量。使用“定義日期”對話框定義日期變量，需要在數(shù)據(jù)窗口讀入一個按某種時間順序排列的數(shù)據(jù)文件，數(shù)據(jù)文件中的變量名不能與系統(tǒng)默認的時間變量名重復，否則系統(tǒng)建立的日期變量會覆蓋同名變量。系統(tǒng)默認的變量名有：年份，年份、季度，年份、月份，年份、季度、月份，日，星期、日，日、小時等。按“數(shù)據(jù)→定義日期”順序打開“定義日期”對話框

定義日期變量示例11.1時間序列的建立和平穩(wěn)化11.1.3創(chuàng)建時間序列時間序列分析建立在序列平穩(wěn)的條件上，判斷序列是否平穩(wěn)可以看它的均數(shù)方差是否不再隨時間的變化而變化，自相關系數(shù)是否只與時間間隔有關而與所處時間無關。在時間序列分析中，為檢驗時間序列的平穩(wěn)性，經(jīng)常要用一階差分、二階差分，有時為選擇一個合適的時間序列模型還要對原時間序列數(shù)據(jù)進行對數(shù)轉(zhuǎn)換或平方轉(zhuǎn)換等。這就需要在已經(jīng)建立的時間序列數(shù)據(jù)文件中，再建立一個新的時間序列變量。按“轉(zhuǎn)換→創(chuàng)建時間序列”順序打開“創(chuàng)建時間序列”對話框創(chuàng)建時間序列示例11.1時間序列的建立和平穩(wěn)化11.1.3創(chuàng)建時間序列時序圖舉例，按“分析→預測→序列圖”順序打開“序列圖”對話框

時序圖示例主要內(nèi)容11.1時間序列的建立和平穩(wěn)化11.2指數(shù)平滑法11.3ARIMA模型11.4時序序列的季節(jié)性分解11.2指數(shù)平滑法11.2.1基本概念及統(tǒng)計原理（1）基本概念

指數(shù)平滑法的思想來源于對移動平均預測法的改進。指數(shù)平滑法的思想是以無窮大為寬度，各歷史值的權重隨時間的推移呈指數(shù)衰減，這樣就解決了移動平均的兩個難題。（2）統(tǒng)計原理

11.2指數(shù)平滑法11.2.1基本概念及統(tǒng)計原理（2）統(tǒng)計原理

簡單模型Holt線性趨勢模型11.2指數(shù)平滑法11.2.2SPSS實例分析【例11-4】為了研究上海市的人口情況，某研究小組提取了1978～2004年上海市的人口數(shù)據(jù)，其中有3個統(tǒng)計指標，即x1：年末人口數(shù)（萬人），x2：非農(nóng)業(yè)人口數(shù)（萬人），x3：人口密度（人/平方千米），具體數(shù)據(jù)如下表所示。試用指數(shù)平滑法對上海市的“年末人口數(shù)”進行預測分析。年份x1x2x3年份x1x2x319781098.28645.23177619921289.37875.55203419791132.14687.38183019931294.74893.46204219801146.52702.43185419941298.81910.49204819811162.84715.08188019951301.37921.7205219821180.51731.31190819961304.43932.14205719831194.01745.86193019971305.46943.03205919841204.78760.75194819981306.58953.65206119851216.69776.37196719991313.12969.63207119861232.33802.56194420001321.63986.16208419871249.51822.31197120011327.14999.07209319881262.42838.93199120021334.231018.81210419891276.45855.84201320031341.771041.39211619901283.35864.46202420041352.391097.6213319911287.2869.882030

11.2指數(shù)平滑法第1步數(shù)據(jù)組織：將數(shù)據(jù)組織成4列，一列是“年份”，另外3列是3個人口數(shù)據(jù)的變量，輸入數(shù)據(jù)并保存。第2步分析：看用指數(shù)平滑法處理是否恰當。按11.1.3節(jié)所述創(chuàng)建年末人口數(shù)的時序圖，如下圖所示。從此圖可以看出，年末人口數(shù)呈逐年增加趨勢，開始增長較快，然后變慢，近似線性趨勢，也可以說呈衰減的線性趨勢，或者用指數(shù)趨勢描述更準確。所以選用指數(shù)平滑法進行處理。11.2指數(shù)平滑法第3步定義日期變量：按11.1.2節(jié)所述將“年份”定義為日期變量。第4步指數(shù)平滑法設置：按“分析→預測→創(chuàng)建模型”順序打開“時間序列建模器”對話框。具體設置如幾下幾張圖所示：11.2指數(shù)平滑法11.2指數(shù)平滑法第5步主要結果及分析：模型的描述表模型類型模型

ID年末人口數(shù)模型_1Holt表示對“年末人口數(shù)”變量進行指數(shù)平滑法處理，使用的是“Holt”模型。模型的擬合情況表

擬合統(tǒng)計量均值SE最小值最大值百分位5102550759095平穩(wěn)的R方-.005.-.005-.005-.005-.005-.005-.005-.005-.005-.005R方.995..995.995.995.995.995.995.995.995.995RMSE4.811.4.8114.8114.8114.8114.8114.8114.8114.8114.811MAPE.243..243.243.243.243.243.243.243.243.243MaxAPE1.632.1.6321.6321.6321.6321.6321.6321.6321.6321.632MAE3.001.3.0013.0013.0013.0013.0013.0013.0013.0013.001MaxAE18.707.18.70718.70718.70718.70718.70718.70718.70718.70718.707正態(tài)化的BIC3.386.3.3863.3863.3863.3863.3863.3863.3863.3863.386包含了8個擬合情況度量指標，其中“平穩(wěn)的R方”值為0.005，“R方”值為0.995，并給出了每個度量模型的百分位數(shù)。11.2指數(shù)平滑法模型統(tǒng)計量表從中可以看出模型的決定系數(shù)為0.995，說明擬合模型可以解釋原序列99.5%的信息量，正態(tài)化的BIC值也比較小，說明模型的擬合效果是很好的，另外還給出了擬合統(tǒng)計量及Ljung-Box統(tǒng)計情況。此外，所有數(shù)據(jù)中沒有離群值（孤立點）。指數(shù)平滑法擬合的模型參數(shù)表模型預測變量數(shù)模型擬合統(tǒng)計量Ljung-BoxQ(18)離群值數(shù)R方正態(tài)化的

BIC統(tǒng)計量DFSig.年末人口數(shù)-模型_10.9953.3865.87116.9890模型估計SEtSig.年末人口數(shù)-模型_1無轉(zhuǎn)換Alpha（水平）1.000.1576.351.000Gamma（趨勢）.799.3002.659.01311.2指數(shù)平滑法預測表表中給出了2005～2009年“年末人口”變量的預測值、上區(qū)間和下區(qū)間值。模型20052006200720082009年末人口數(shù)-模型_1預測1362.361372.341382.311392.281402.26UCL1372.271392.731415.151439.301465.02LCL1352.451351.941349.471345.261339.49對于每個模型，預測都在請求的預測時間段范圍內(nèi)的最后一個非缺失值之后開始，在所有預測值的非缺失值都可用的最后一個時間段或請求預測時間段的結束日期（以較早者為準）結束。觀測值與預測值的時序圖11.2指數(shù)平滑法數(shù)據(jù)文件中保存情況主要內(nèi)容11.1時間序列的建立和平穩(wěn)化11.2指數(shù)平滑法11.3ARIMA模型11.4時序序列的季節(jié)性分解11.3ARIMA模型11.3.1基本概念及統(tǒng)計原理（1）基本概念

在預測中，對于平穩(wěn)的時間序列，可用自回歸移動平均（AutoRegres-siveMovingAverage,ARMA）模型及特殊情況的自回歸（AutoRegressive,AR）模型、移動平均（MovingAverage,MA）模型等來擬合，預測該時間序列的未來值，但在實際的經(jīng)濟預測中，隨機數(shù)據(jù)序列往往都是非平穩(wěn)的，此時就需要對該隨機數(shù)據(jù)序列進行差分運算，進而得到ARMA模型的推廣——ARIMA模型。

ARIMA模型全稱綜合自回歸移動平均（AutoRegressiveIntegratedMovingAverage）模型，簡記為ARIMA(p,d,q)模型，其中AR是自回歸，p為自回歸階數(shù)；MA為移動平均，q為移動平均階數(shù)；d為時間序列成為平穩(wěn)時間序列時所做的差分次數(shù)。ARIMA(p,d,q)模型的實質(zhì)就是差分運算與ARMA(p,q)模型的組合，即ARMA(p,q)模型經(jīng)d次差分后，便為ARIMA(p,d,q)。11.3ARIMA模型11.3.1基本概念及統(tǒng)計原理（2）統(tǒng)計原理

ARMA過程

則ARMA(p,q)模型簡記為或11.3ARIMA模型11.3.1基本概念及統(tǒng)計原理（2）統(tǒng)計原理

ARMA模型的識別

設ACF代表{xt}的自相關函數(shù)，PACF代表{xt}的偏自相關函數(shù)。根據(jù)Box-Jenkins提出的方法，用樣本的自相關函數(shù)（ACF）和偏自相關函數(shù)（PACF）的截尾性來初步識別ARMA模型的階數(shù)。具體如下表所示。模

型自相關函數(shù)（ACF）偏自相關函數(shù)（PACF）AR(p)拖尾p階截尾MA(q)q階截尾拖尾ARMA(p,q)拖尾拖尾11.3ARIMA模型11.3.1基本概念及統(tǒng)計原理說明：所謂拖尾是自相關系數(shù)或偏相關系數(shù)逐步趨向于0，這個趨向過程有不同的表現(xiàn)形式，有幾何型的衰減，有正弦波式的衰減；而所謂截尾是指從某階后自相關或偏相關系數(shù)為0。11.3ARIMA模型11.3.1基本概念及統(tǒng)計原理（2）統(tǒng)計原理

非平穩(wěn)時間序列——ARIMA過程

11.3ARIMA模型11.3.1基本概念及統(tǒng)計原理（2）統(tǒng)計原理

季節(jié)ARIMA模型時間序列常呈周期性變化，或稱為季節(jié)性趨勢。用變通的ARIMA模型處理這種季節(jié)性趨勢會導致參數(shù)過多，模型復雜。季節(jié)性乘積模型可以得到參數(shù)簡約的模型。季節(jié)性乘積模型表示為ARIMA(p,d,q,sp,sd,sq)（或ARIMA(p,d,q)×(sp,sd,sq)k）。其中，sp表示季節(jié)模型的自回歸系數(shù)；sd表示季節(jié)差分的階數(shù)，通常為一階季節(jié)差分；sq表示季節(jié)模型的移動平均參數(shù)。如是月度資料，要描述年度特征，則sd=12；如是日志資料，要描述每周特征，則sd=7。11.3ARIMA模型11.3.1基本概念及統(tǒng)計原理（3）ARIMA建模步驟

ARIMA建模實際上包括3個階段，即模型識別階段、參數(shù)估計和檢驗階段、預測應用階段。其中前兩個階段可能需要反復進行。ARIMA模型的識別就是判斷p，d，q，sp，sd，sq的階，主要依靠自相關函數(shù)（ACF）和偏自相關函數(shù)（PACF）圖來初步判斷和估計。一個識別良好的模型應該有兩個要素：一是模型的殘差為白噪聲序列，需要通過殘差白噪聲檢驗，二是模型參數(shù)的簡約性和擬合優(yōu)度指標的優(yōu)良性（如對數(shù)似然值較大，AIC和BIC較小）方面取得平衡，還有一點需要注意的是，模型的形式應該易于理解。11.3ARIMA模型11.3.2SPSS實例分析【例11-5】表是某加油站55天的燃油剩余數(shù)據(jù)，其中正值表示燃油有剩余，負值表示燃油不足，要求對此序列擬合時間序列模型并進行分析。天12345678910111213141516171819燃油數(shù)據(jù)92-858012103-1-20-90100-40-22078-98-97565天20212223242526272829303132333435363738燃油數(shù)據(jù)80-20-8501150-100135-70-60-5030-103-65108-1010天3940414243444546474849505152535455

燃油數(shù)據(jù)-2590-30-321520159015-10-88025-12070-10

11.3ARIMA模型第1步數(shù)據(jù)組織：將數(shù)據(jù)組織成兩列，一列是“天數(shù)”，另一列是“燃油量”，輸入數(shù)據(jù)并保存，并以“天數(shù)”定義日期變量。第2步觀察數(shù)據(jù)序列的性質(zhì)：先作時序圖，觀察數(shù)據(jù)序列的特點。按“分析→預測→序列圖”的順序打開“序列圖”對話框，將“油料量”設置為變量，并將所生成的日期新變量“DATE_”設為時間標簽軸，生成如下圖所示的時序圖?？梢钥闯鰯?shù)據(jù)序列在0上下振蕩，且無規(guī)律，可能是平穩(wěn)的時間序列。11.3ARIMA模型再做自相關圖和偏自相關圖進一步分析。按“分析→預測→自相關”順序打開“自相關”對話框，并在“輸出”選項組中將“自相關”和“偏自相關”同時選上，輸出結果如下面兩圖所示。從上左圖可以看出，自相關函數(shù)呈現(xiàn)出比較典型的拖尾性，說明數(shù)據(jù)自相關性隨時間間隔下降。從上右圖可以看出，除了延遲1階的偏自相關系數(shù)在2倍標準差范圍之外，其他除數(shù)的偏自相關系數(shù)都在2倍標準差范圍內(nèi)波動。根據(jù)這個特點可以判斷該序列具有短期相關性，進一步確定序列平穩(wěn)。同時，可以認為該序列偏自相關函數(shù)1階截尾。綜合該序列自相關函數(shù)和偏自相關函數(shù)的性質(zhì)，根據(jù)前表的模型識別規(guī)則，可以擬合模型為AR(1)，即ARIMA(1,0,0)。11.3ARIMA模型第3步模型擬合：

按“分析→預測→創(chuàng)建模型”順序打開“時間序列建模器”對話框，將“燃油量”選入“因變量”框。設置過程與圖11-7類似，并選擇“方法”下的“ARIMA”模型。“條件”對話框設置。單擊“方法”右邊的“條件（C）…”按鈕，打開“時間序列建模器：ARIMA條件”對話框，并按如下圖所示進行設置。在“ARIMA階數(shù)”框中需設置“非季節(jié)性”參數(shù)：自回歸的階p、差分的階d和移動平均數(shù)q。如果時間序列有季節(jié)性因素，還需設置“季節(jié)性”參數(shù)sp，sd和sq。由于經(jīng)過前面的分析，此例是ARIMA(1,0,0)模型，且無季節(jié)性影響，則只需將自回歸的階數(shù)設為1，其余均為0。11.3ARIMA模型

“統(tǒng)計量”選項卡的設置：“統(tǒng)計量”選項卡如圖11-9所示，將“按模型顯示擬合度量、Ljung-Box統(tǒng)計量和離群值的數(shù)量”、“R方”、“標準化的BIC”、“擬合優(yōu)度”、“參數(shù)估計”勾上?！皥D表”選項卡的設置：在其中將“序列”、“殘差自相關函數(shù)”、“殘差偏自相關函數(shù)”、“觀測值”和“預測值”這些選項選上。其他選項卡的設置讀者可參照例11-4進行。第4步主要結果及分析：模型的統(tǒng)計量表模型預測變量數(shù)模型擬合統(tǒng)計量Ljung-BoxQ(18)離群值數(shù)R方正態(tài)化的

BIC統(tǒng)計量DFSig.燃油量-模型_10.1398.17014.68817.6180列出了模型擬合的一些統(tǒng)計量，包括決定系數(shù)（R方）、標準化BIC值、Ljung-Box統(tǒng)計量值，從結果看，擬合效果不太理想，決定系數(shù)的值偏小，而且從Sig.>0.05來看，Ljung-Box統(tǒng)計量的觀測值也不顯著。11.3ARIMA模型

ARIMA模型參數(shù)表可以看出，殘差的自相關和偏自相關函數(shù)都是0階截尾的，因而殘差是一個不含相關性的白噪聲序列。因此，序列的相關性都已經(jīng)充分擬合了。估計SEtSig.燃油量-模型_1燃油量無轉(zhuǎn)換常數(shù)4.6905.399.869.389AR滯后1-.382.127-3.020.004可以看出，AR(1)模型的參數(shù)為-0.382，參數(shù)是顯著的，常數(shù)項為4.69，不顯著，這里仍然保留常數(shù)項。從結果來看，其擬合模型為自相關函數(shù)和偏自相關函數(shù)圖主要內(nèi)容11.1時間序列的建立和平穩(wěn)化11.2指數(shù)平滑法11.3ARIMA模型11.4時序序列的季節(jié)性分解11.4時序序列的季節(jié)性分解11.4.1基本概念及統(tǒng)計原理（1）基本概念

11.4時序序列的季節(jié)性分解11.4.2SPSS實例分析【例11-7】對表11.1所示某企業(yè)的銷售數(shù)據(jù)進行季節(jié)性分解。（參見數(shù)據(jù)文件：data11-1.sav。）第1步數(shù)據(jù)組織：如例11-1，進行數(shù)據(jù)組織，并定義“年份、月份”格式的日期變量。第2步觀察數(shù)據(jù)序列的性質(zhì)：對銷售額作時序圖，具體見下圖。從該時序圖可以看出，銷售額總的趨勢是增長的，但增長并不是單調(diào)上升的，而是有漲有落。這種升降不是雜亂無章的，和季節(jié)或月份的季節(jié)因素有關。當然，除了增長的趨勢和季節(jié)影響之外，還有些無規(guī)律的隨機因素的作用。11.4時序序列的季節(jié)性分解第3步季節(jié)性分析設置：按“分析→預測→季節(jié)性分解”順序打開“周期性分解（季節(jié)性分解）”對話框，并按下圖進行設置?！氨４妗睂υ捒虻脑O置11.4時序序列的季節(jié)性分解第4步主要結果及分析：模型的描述表季節(jié)性因素表模型名稱MOD_1模型類型可加序列名稱1銷售額季節(jié)性期間的長度12移動平均數(shù)的計算方法跨度等于周期加

1，端點權重為

0.5正在應用來自

MOD_1的模型指定。顯示了模型的名稱、類型及季節(jié)性期間的長度等信息序列名稱:銷售額期

間季節(jié)性因素1.9722324.074073-3.028404-3.564685-3.2436861.9090072.7109184.4425791.25785102.1307011-1.4738912-6.18666由于季節(jié)性的影響，各月份的銷售額有很大不同，可看出11月、12月、3～5月的季節(jié)性因子為負值，這幾個月的銷售情況比較差，12月最差。同理，8月份的銷售情況最好。11.4時序序列的季節(jié)性分解第4步主要結果及分析：數(shù)據(jù)文件的數(shù)據(jù)視圖從該圖中可以看到，數(shù)據(jù)文件中增加了4個序列：ERR_1表示“銷售額”序列進行季節(jié)性分解后的不規(guī)則或隨機波動序列；SAS_1表示“銷售額”序列進行季節(jié)性分解除去季節(jié)性因素后的序列；SAF_1表示“銷售額”序列進行季節(jié)性分解產(chǎn)生的季節(jié)性因素序列；STC_1表示“銷售額”序列進行季節(jié)性分解出來的序列趨勢和循環(huán)成分。11.4時序序列的季節(jié)性分解第4步主要結果及分析：季節(jié)分解后的時序圖：用數(shù)據(jù)文件中新增加的4個數(shù)據(jù)序列作時序圖，如下圖所示?？梢钥吹节厔?、季節(jié)性影響、隨機影響等已被成功分開。TheEnd第十二章信度分析主要內(nèi)容12.0信度分析概述12.1內(nèi)在信度分析12.2再測信度分析12.3Kendall和諧系數(shù)12.0信度分析概述效度

效度指的是量表是否真正反映了我們希望測量的東西。一般來說，有4種類型的效度：內(nèi)容效度、標準效度、結構效度和區(qū)分效度。內(nèi)容效度是一種基于概念的評價指標，其他三種效度是基于經(jīng)驗的評價指標。如果一個量表實際上是有效的，那么我們希望上述4種指標都比較滿意。

(2)信度

是指測量的一致性。信度本身與測量所得結果正確與否無關，它的功能在于檢驗測量本身是否穩(wěn)定。制作完成一份量表或問卷后，首先應該對該量表進行信度分析，以確保其可靠性和穩(wěn)定性，以免影響問卷內(nèi)容分析結果的準確性。(3)信度與效度關系效度與信度的關系是信度為效度的必要而非充分條件，即有效度一定有信度，但有信度不一定有效度。主要內(nèi)容12.0信度分析概述12.1內(nèi)在信度分析12.2再測信度分析12.3Kendall和諧系數(shù)12.1內(nèi)在信度分析12.1.1基本概念及統(tǒng)計原理(1)基本概念內(nèi)在信度也稱為內(nèi)部一致性，用以衡量組成量表題項的內(nèi)在一致性程度如何。常用的檢測方法是Cronbach'sα系數(shù)法和分半（Split-half）系數(shù)法。(2)統(tǒng)計原理

Cronbach'sα系數(shù)12.1內(nèi)在信度分析12.1.1基本概念及統(tǒng)計原理分半信度系數(shù)：是在測試后對測試項目按奇項、偶項或其他標準分成兩半，分別記分，由兩半分數(shù)之間的相關系數(shù)得到信度系數(shù)。需要進行斯皮爾曼——布朗公式校正，校正的公式為：

12.1內(nèi)在信度分析12.1.2SPSS統(tǒng)計分析實例【例12-1】在學生的性格特征調(diào)查中共選了10名學生在8個項目上進行測試，其數(shù)據(jù)如下表，試對其進行內(nèi)在信度分析。序號內(nèi)向性活動性支配性深思性健壯性穩(wěn)定性社會性激動性146555354225455342335364131456475562536564463633321121746665651876264564923227472102344563112.1內(nèi)在信度分析第1步分析：本例通過求克朗巴哈α系數(shù)來衡量其內(nèi)在一致性。第2步數(shù)據(jù)組織：按如上表所示的表頭定義變量，輸入數(shù)據(jù)并保存。第3步內(nèi)在一致性分析的設置：按“分析→度量→可靠性分析”順序打開“可靠性分析”對話框，將衡量性格的8個變量移入“項目”框中模型選擇，本例選擇使用Cronbach'sα

信度系數(shù)法。打開“可靠性分析：統(tǒng)計量”，按如下圖所示進行設置。12.1內(nèi)在信度分析第4步主要結果及分析?？死拾凸料禂?shù)表Cronbach'sAlpha基于標準化項的CronbachsAlpha項數(shù).790.7908可知α系數(shù)為0.79，其標準化后的α系數(shù)為0.79，說明量表的信度一般，還有進一步優(yōu)化的必要。12.1內(nèi)在信度分析第4步主要結果及分析。所有評估項目的描述性情況表項已刪除的刻度均值項已刪除的刻度方差校正的項總計相關性多相關性的平方項已刪除的

Cronbach'sAlpha值內(nèi)向性28.7048.233.460.905.773活動性27.3045.122.752.982.730支配性28.4054.489.238.908.802深思性27.3043.567.626.946.744健壯性27.7051.567.323.752.793穩(wěn)定性28.4045.156.509.879.766社會性27.5044.500.626.850.745激動性30.1051.211.479.701.772顯示了將某一項從量表中刪除的情況下，量表的平均分、方差、每個項目得分與剩余各項目得分之間的相關系數(shù)，以該項目為自變量，所有其他項目為因變量建立回歸方程的值以及Cronbach's值。從表中可以看出，“活動性”與其他項目之間的相關性最高，為0.752，而且“活動性”與其他項目的復相關系數(shù)（）也最高，為0.982，這表明“活動性”與其他項目的關系最為密切。同時也可以看出，如果刪除“支配性”，則其系數(shù)變成了0.802，有所提升，但幅度并不大。主要內(nèi)容12.0信度分析概述12.1內(nèi)在信度分析12.2再測信度分析12.3Kendall和諧系數(shù)12.2再測信度分析12.2.1基本概念及統(tǒng)計原理(1)基本概念同一個測驗項目，對同一組人員進行前后兩次測試，兩次測試所得分數(shù)的相關系數(shù)即為再測信度。它反映兩次測驗結果有無變動，也就是測驗分數(shù)的穩(wěn)定程度，故又稱為穩(wěn)定性系數(shù)。(2)統(tǒng)計原理再測信度實質(zhì)是求的同一量表在兩次測試中的相關系數(shù)，通常求的是如下式所示的Pearson相關系數(shù)。

12.2再測信度分析12.2.2SPSS實例分析【例12-2】心理調(diào)查第一次調(diào)查的數(shù)據(jù)如例12-1所示，第二次調(diào)查的數(shù)據(jù)如下表所示。試對該量表進行再測信度分析。序號內(nèi)向性1活動性1支配性1深思性1健壯性1穩(wěn)定性1社會性1激動性1135654444225553453335365232446475453536564445643221132746664552866254554933336563102344564212.2再測信度分析第1步分析：進行再測信度分析。第2步數(shù)據(jù)組織：建立“內(nèi)向性”~“激動性”8個變量及這8個變量的總分“total”（總分通過“轉(zhuǎn)換→變量計算”來計算）變量，和“內(nèi)向性1”~“激動性1”及這8個變量的部分“total1”外加一個“序號”變量，共19個變量，如下圖所示。12.2再測信度分析第3步再測信度分析設置：按“分析→相關→雙變量