教程 ·

SPSS 跑出来一堆表格看不懂？手把手教你读懂最常见的 5 类输出结果

SPSS输出表格解读指南：Sig是什么意思、方差齐性检验怎么看、t检验/ANOVA/相关/回归/卡方五类常见输出逐行详解，教你看懂SPSS结果表格里的关键数字该看哪一行、怎么下结论。

跑完分析，SPSS 弹出一堆密密麻麻的表格——很多人卡住的地方不是"怎么点菜单"，而是"这些表格里的数字我该看哪一个、该怎么理解"。本文按最常见的 5 种分析类型，逐张表格教你该看哪一行、怎么下结论。

最容易看错的 3 个地方

在逐类型详解之前，先说三个几乎每个人都会踩的坑：

1. Sig.(2-tailed) 是否小于 0.05 判断显著性，容易和相关系数 r 混淆。 SPSS 的相关分析表格里同时给出 Pearson Correlation（相关系数 r）和 Sig.(2-tailed)（p 值）两行，很多人误把 r 值当成显著性判断依据。判断显著性永远看 Sig. 那一行，r 值只代表相关的强弱和方向，不代表是否显著。

2. 方差齐性检验（Levene 检验）的 Sig 大于 0.05 才代表方差齐。 这是最反直觉的一点——通常我们习惯"p < .05 表示有显著差异/效应"，但 Levene 检验反过来：Sig 大于 .05 才说明两组方差没有显著差异，即方差齐性成立，可以用标准 t 检验；Sig 小于 .05 反而说明方差不齐，需要改用 Welch 校正。

3. 表格里自由度 df、Mean Difference 该看哪一行。 SPSS 独立样本 t 检验表格会同时给出"假设方差相等"和"不假设方差相等"两行数据，必须先看 Levene 检验结果，再决定该看哪一行的 t 值、df 和 Sig。

逐类型详解：5 种最常见的输出结果

1. 独立样本 t 检验输出

SPSS 的独立样本 t 检验表格分两部分：上半部分是描述统计（各组的 M、SD、样本量），下半部分是检验结果，且检验结果表格里有两行——"假设方差相等"和"不假设方差相等"。

看的顺序：

  1. 先看 Levene's Test for Equality of Variances 那一列的 Sig
  2. Sig > .05 → 方差齐 → 看"Equal variances assumed"这一行的 t 值、df、Sig.(2-tailed)
  3. Sig < .05 → 方差不齐 → 看"Equal variances not assumed"这一行（这一行的 df 通常不是整数，是 Welch 校正后的自由度）
  4. 最终判断显著性看对应那一行的 Sig.(2-tailed)：小于 .05 说明两组均值存在显著差异

2. 单因素方差分析 ANOVA 输出

ANOVA 输出通常是一张汇总表（Between Groups / Within Groups / Total），加上如果做了事后检验会有额外的 Multiple Comparisons 表格。

看的顺序：

  1. 先看汇总表里的 F 值和对应的 Sig
  2. Sig < .05 → 说明至少有两组之间存在显著差异（但不知道具体是哪两组）
  3. 显著后才需要看 Post Hoc 事后检验表格（如 Tukey 或 Bonferroni），逐两两比较找出具体哪两组之间的 Sig 小于 .05
  4. 如果总体 F 检验不显著，事后检验的结果一般不需要再解读

3. 相关分析输出

Pearson 相关矩阵表格里，每一对变量交叉的格子会同时显示 Pearson Correlation（r 值）和 Sig.(2-tailed)（p 值），有时还有样本量 N。

看的顺序：

  1. 看 r 值大小判断相关强弱（一般 |r| 0.1 弱、0.3 中、0.5 以上强，具体标准依学科惯例而定）
  2. 看 r 值正负号判断方向（正相关还是负相关）
  3. 看 Sig.(2-tailed) 是否小于 .05 判断这个相关是否显著

三者缺一不可——只看 r 值不看 Sig 可能把不显著的相关当真；只看 Sig 不看 r 值可能把样本量很大但相关很弱（如 r = .08）的结果过度解读成"有意义的相关"。

4. 回归分析输出

回归分析通常给出三张表：Model Summary（模型摘要）、ANOVA（模型整体显著性）、Coefficients（系数表）。

看的顺序：

  1. Model Summary 表里的 R Square（R²）代表这个模型能解释因变量变异的比例，R² 越大解释力越强
  2. ANOVA 表里的 F 值和 Sig 判断整个回归模型是否显著（即所有自变量联合起来是否对因变量有解释力）
  3. Coefficients 系数表里，每个自变量对应一行：
    • B（非标准化系数）：该自变量每增加 1 个单位，因变量预计变化多少（保留原始量纲，适合写"每增加 1 单位 X，Y 变化 B"）
    • Beta（标准化系数）：去除量纲后的系数，用于比较不同自变量对因变量影响的相对大小
    • Sig：该自变量的效应是否显著，小于 .05 说明这个自变量对因变量有显著贡献

5. 卡方检验输出

卡方检验表格包含交叉表（Crosstabulation）和 Chi-Square Tests 表格。

看的顺序：

  1. 看 Chi-Square Tests 表格里 Pearson Chi-Square 那一行的 Sig（Asymp. Sig. (2-sided)），小于 .05 说明两个分类变量之间存在显著关联
  2. 检查交叉表下方通常会标注的期望频数提示——如果超过 20% 的格子期望频数小于 5，卡方检验的前提假设不满足，此时更适合用 Fisher 精确检验替代

常见误区

误区一：把不显著当成"没有关系"。 统计不显著（p > .05）只说明"没有找到足够证据证明存在效应"，可能是真的没有效应，也可能是样本量不足导致统计功效不够，无法排除"实际上有效应但没测出来"的可能。论文中直接下结论"两者无关"是过度解读，更严谨的写法是"未发现显著差异，可能受样本量限制"。

误区二：只看 Sig 不看效应量，会忽略结果有没有实际意义。 样本量很大时，很小的差异也可能达到统计显著（Sig < .05），但这个差异在现实中可能毫无意义。效应量（如 Cohen's d、eta 平方 η²）能反映差异的实际大小，是比单纯 Sig 更完整的报告方式。

用 ChatSRS 的差异

理解了上面这套读表逻辑之后，实际操作时不需要自己在一堆 SPSS 表格里逐行找对应的数字——直接让 AI 把这些输出转成一段可以理解的中文解读，加上符合 APA 格式的报告句子，跑完分析直接拿到能用的段落。

不过仍然建议先理解本文讲的原理——能看懂 SPSS 原始输出的人，才能判断 AI 给出的解读是否合理，遇到导师追问某个数字的含义时也能说清楚，而不是只会复制粘贴。

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内【用户中心 -> 帮助与反馈】联系我们。