SPSS 命令: SPSS OVERALS

在浏览器中做 OVERALS 非线性典型相关

OVERALS 研究两个或多个变量集之间的共同之处：每个集组合成的得分与其他集的得分尽可能一致，同时为每个变量的类别赋予最优数值。

用示例数据试一试用自己的文件运行

免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日

能告诉你什么

Crosstabs 在你的设备上运行 SPSS OVERALS 算法，支持多重名义、单一名义、有序与数值水平。

每个集在每个维度上的损失、特征值与总拟合。
由特征值推得的典型相关；两个数值集时即为普通典型相关。
成分载荷与类别量化，显示哪些变量驱动共同维度。

适用场景

适合使用

有多组调查题目（例如态度与行为），希望找出它们共有的维度。
变量是分类或有序变量，线性典型相关会强加任意编码。

改用其他方法

所有变量都是数值且只比较两个集：线性典型相关给出相同结果并附带检验。
需要显著性检验或个案权重：OVERALS 是描述性方法，每个个案只计一次。

在 Crosstabs 中如何操作

01
打开数据
在工作区打开 .sav、CSV 或 Excel 文件并切换到“统计”模式。文件只在浏览器中读取，不会上传。
02
选择非线性典型相关（OVERALS）
在“降维”组中选择“非线性典型相关（OVERALS）”。
03
把变量放入集
为每个变量选择“集 1”至“集 6”以及最优尺度水平（多重名义、单一名义、有序或数值）。至少需要两个集。
04
设置维数并运行
设置“解中的维数”与“最大迭代次数”，然后点击“运行”。

在浏览器中运行非线性典型相关（OVERALS）

计算示例

以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。

用示例数据试一试

数据

内置“产品体验（数值）”示例数据中的 480 名受访者（随机种子固定）。集 1（使用体验）：“产品易于使用”和“客服能解决我的问题”（均为有序）。集 2（忠诚度与套餐）：“我会推荐这个产品”（有序）和套餐（单一名义）。2 个维度，最多迭代 100 次。

分析摘要

项目	维 1	维 2	合计
损失，集 1	0.176	0.437	0.614
损失，集 2	0.176	0.437	0.613
平均损失	0.176	0.437	0.613
特征值	0.824	0.563
拟合			1.387
典型相关	0.648	0.126

480 个对象；迭代 67 次。典型相关 = (K × 特征值 − 1)/(K − 1)，K = 2 个集。

拟合

集	变量	尺度水平	多重拟合（合计）	单一拟合（合计）	单一损失（合计）
1	产品易于使用	有序	0.756	0.752	0.004
1	客服能解决我的问题	有序	0.793	0.789	0.003
2	我会推荐这个产品	有序	0.831	0.829	0.001
2	套餐	单一名义	0.582	0.582	0.000

两个维度之和。单一损失 = 多重拟合 − 单一拟合，即秩一约束的代价。

成分载荷

变量	维 1	维 2
产品易于使用	0.729	0.447
客服能解决我的问题	0.793	−0.365
我会推荐这个产品	0.904	−0.070
套餐	0.235	0.725

单一（秩一）变量的载荷；没有缺失值时即为与对象得分的相关。

量化：套餐

类别	边际频率	量化值	维 1	维 2
Free	235	−1.021	−0.088	−0.774
Pro	175	0.989	0.085	0.750
Team	70	0.955	0.082	0.724

最优尺度水平：单一名义。单一类别坐标 = 量化值 × 各维权重。

结果解读

两个集共享一个很强的第一维：典型相关为 0.648，第二维为 0.126。“我会推荐这个产品”在第一维上的载荷为 0.90，两道体验题目分别为 0.79（客服）和 0.73（易用性）：使用体验集与忠诚度共有的是满意度。套餐在第 1 维上的载荷为 0.23，在第 2 维上为 0.73；在第 2 维上，Free（量化值 −1.02）与付费套餐位于两侧。

输出表格说明

分析摘要: 每个集、每个维度的损失，平均损失、特征值、拟合与典型相关。
拟合: 每个变量的多重拟合、单一拟合与单一损失。
成分载荷: 量化后单一变量在对象得分上的投影，并附载荷图。
量化: 每个变量的类别量化，以及单一与多重类别坐标。

前提假设与注意事项

与多元回归一样，变量只贡献其所在集中其他变量尚未解释的部分。
在某个集中有缺失值的对象只从该集中排除（按集列表删除）。
名义与有序解可能到达局部最优；起点为数值解，与 SPSS 的嵌套起点相同。

结果如何验证

当所有变量都是多重名义或数值时，独立的参考实现用 NumPy 将 OVERALS 作为平均投影算子的特征值问题闭式求解（含按集列表删除）；特征值、各集损失、载荷与对象得分误差在 1e-6 以内，两个数值集时与基于 SciPy 的典型相关一致。单一名义与有序解与独立的 NumPy 交替最小二乘（12 个起点中的最优，并确认为不动点）误差在 1e-6 以内。验证证据（英文）

常见问题

典型相关是如何计算的？

由每个维度的特征值 E 与集数 K 计算：(K × E − 1)/(K − 1)。两个数值集时等于普通典型相关。

单一名义与多重名义有何区别？

单一名义变量有一组类别值，并在每个维度上有一个权重；多重名义变量在每个维度上都有单独的类别值。

每个集可以只放一个变量吗？

可以。每个集只有一个变量时，OVERALS 就成为非线性主成分分析（PRINCALS），后者也有单独的过程。

结果会与 SPSS 每位小数都一致吗？

收敛后的数值与多重名义解是唯一的，应当一致；若 SPSS 的随机起点到达另一个局部最优，名义与有序解可能不同。

用你自己的数据运行非线性典型相关（OVERALS）

打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。

打开分析工作区

SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。