在交叉分析的对话框中，通过勾选“Displayclusteredbarcharts”，可以输出复合条形图，如图12-6所示；在图12-5右侧“layer1of1”框中放入另外一个离散型变量，则可以得到前面两个变量在第三个变量的不同类别上的交叉分布表。读者可以自行进行练习。
图12-6 交叉分析复合条形图示例
（二）推断分析
离散数据的推断分析方法主要是卡方检验，用来判断某个变量的各个分类之间是否有差异，或者两个变量之间是否有关联性。由于离散数据并不满足某种特定的分布特征，离散数据的卡方检验只是一种非参数检验，检验结果比较粗略。因此，对卡方检验结果的解释要特别慎重。
1.单个离散变量的卡方检验
以农村儿童辍学问题研究为例，在儿童辍学的原因上，仅仅了解每种原因所占的比例（频次分析）是不够的，我们还想知道在各种原因的选择上是否有差异，这时就可以使用单个离散变量的卡方检验，来进行验证。
单个离散变量的卡方检验的SPSS操作步骤如下：
选择Analyze→NonparametricTests→LegacyDialogs→Chi-square，打开卡方检验的对话框，将辍学原因变量放入右侧“TestVariableList”框，如图12-7所示。如果我们认为理论上选择三种原因的被试应该是相等的，则直接点击“OK”键，可以得到表12-4所示的卡方检验结果表。
图12-7 卡方检验对话框
表12-4 卡方分析表
在表12-4中，行2给出的是卡方值，行3是自由度，行4是该卡方值对应的伴随概率。根据假设检验的基本原理，当检验统计量发生的概率小于0.05时，就可以拒绝零假设，接受研究假设。在本例中，零假设就是认为理论上选择三种辍学原因的被试应该是相当的，由于检验统计量卡方值6.650的伴随概率为0.036，小于0.05，我们就可以拒绝此零假设，接受研究假设，即认为三种辍学原因的选择是有差异的。至于差异的具体情况，可以根据卡方检验结果输出中的次数分布表来判断。例如，根据表12-5，可以看到出于个人原因辍学的儿童（52人）相对于出于其他原因辍学的儿童占有显著更高的比例。
表12-5 卡方检验中的辍学原因次数分布统计表
在单个离散变量的卡方检验中，如果研究者根据某种理论或某种假设，认为该变量的不同类别理论上的次数不相等，而是按某种比例分布的，例如，认为儿童辍学70%的原因应该归于父母，其余个人原因和学校原因各占一半，则在图12-7所示的对话框中，点选右下方的“Values”，并在其后的方框中输入“15”，点击下方的“Add”键添加至该键右侧的方框中，然后再依次输入70、15并分别添加，完成后点击 “OK”键进行分析。这样操作后的卡方检验就是针对上述假定的检验。同样，如果卡方值对应的伴随概率小于0.05，则认为该理论假定不成立，如果伴随概率大于0.05，则认为该理论假定成立。
2.两个离散变量的卡方检验
图12-8 双变量卡方检验对话框
如果要考察两个离散变量之间是否有关联，即一个变量在各分类上的频次是否受另外一个变量的值的影响。例如，研究者想要了解儿童辍学的原因与儿童的性别是否有关联，则可进行两个离散变量的卡方检验。
两个离散变量卡方检验的SPSS操作如下：
选择Analyze→DescriptiveStatistics→Crosstabs，打开交叉分析的对话框，将辍学原因变量放入右侧“Row（s）”框，性别变量放入“Column（s）”框（此操作同交叉分析表的操作，可参考图12-5），点击打开对话框右侧第二个键“Statistics”，得到如图12-8所示的对话框，勾选第一个选项“Chi-square”，再点击最下方的“Continue”键返回主对话框，点击“OK”键开始分析，得到表12-6的卡方检验结果表。
表12-6 双变量卡方检验结果
表12-6所示的卡方分析结果报表中，行2给出的是卡方检验的结果，也是研究者主要参考的统计分析结果，与行2对应的列2为卡方值，列3为自由度，列4为伴随概率。根据假设检验的相关规定，由于卡方检验值2.056对应的伴随概率0.358大于0.05，接受零假设，即认为儿童辍学原因与性别没有关联。
[1] 缺失数据即被调查者在该问题上的回答缺失。——编者注
