计算和转化变量是数据处理分析过程中一个非常重要的过程，针对一些分析方法，原变量可能并不适合分析，此时就需要对原变量进行转化，以利于后续分析。
针对这一需求，SPSSAU提供多种计算变量的方法，三步即可生成变量，不需要再单独输入函数。
操作步骤
Step1：点击 [数据处理] 下的 [生成变量]。
Step2：点击选择具体分析题项，下拉复选框选择计算功能（如平均值、乘积等）。
Step3：填写新变量名（部分功能不需要填写），点击确认处理。
生成变量的一系列功能包括：常用函数、量纲处理、科学计算、汇总处理、其它。下面具体说明。
常用功能
常用功能
l 平均值
平均值是最常使用的，作用是将多个变量值的取平均，生成新的变量。适用场景：量表题中，将多个题目合并为一个维度进行分析等。
例如，计算每个学生各科成绩的平均值或将“我愿意向朋友推荐SPSSAU”，“我有需要会再来使用SPSSAU”，合并为“忠诚度”一个整体维度。
l 求和
求和多用于计算多个题项的总体得分，如量表总分等。
适用场景：计算每个学生各科成绩的总和（总成绩）。
l 乘积（交互项）
用于计算两个变量或多个变量的乘积值。
适用场景：计算权重与指标的乘积，或计算调节作用交互项等。
l 虚拟（哑）变量
用于将分类变量纳入模型。具体理论说明可查看spssau文章：《哑变量是什么？怎么设置？》
适用场景：研究回归分析，逐步回归，分层回归，Logistic回归，PLS回归、调节作用等这类影响关系研究的方法时，需要将分类变量作为研究变量加入模型中，需要做哑变量处理。
l 标准化（S）
标准化用于数据无量纲化处理。在多数模型研究中，都需要先对数据进行标准化处理，以消除量纲影响。
l 中心化（C）
中心化也是无量纲化处理方法之一。与标准化的区别是，标准化需要除以标准差，而中心化则没有要求。
适用场景：数据无量纲化处理，即如果原始数据不是统一量纲的，需要先进行数据标准化处理，以消除量纲（单位）不同对结果造成的影响。
l 自然对数（Ln）
l 10为底对数（Log10）
取对数是常见的数据变换处理。取对数可以缩小数据的绝对数值，方便计算。在计量研究中，经常先取对数再做回归。
适用场景：数据的数值过大不方便计算；数据呈偏态时可以通过取对数调整数据分布。（数值必须大于0）
其他常用的数据变换方式：
（1）对数变换（2）平方根变换（3）倒数变换（4）幂变换
量纲处理
量纲处理
除了上面介绍的标准化、中心化。spssau还提供了其他多种量纲处理方法，大致可分为三种类型：
极值化方法
归一化――每个变量值与变量最小值之差除以该变量取值的全距(最大值减最小值)。标准化后使各变量的取值范围限于0~1。
区间化――标准化后使各变量取值范围限于固定的区间范围内。
最大值化――每个变量值除以该变量取值的最大值。标准化后使各变量的最大取值为1。
最小值化――标准化后使各变量的最小取值为1。
极值化方法在无量纲化过程中仅与变量的最大值和最小值有关，使得该方法过分依赖极端这两个极端值。因而，最大值和最小值这两个值会对结果产生很大影响。
标准化方法
标准化――无量纲化后个变量的平均值为0，标准差为1。标准化的不足之处在于转换后消除了各变量在变异程度上的差异，如果后续分析中需要比较变量变异程度上的差异，则不适合使用标准化方法。
均值化方法
均值化――每一变量除以该变量的平均值。均值化后各变量的平均值都为1，标准差为原始变量的变异系数。均值化保留了各变量取值差异程度上的信息。
对于一般用户而言，不需要掌握这么多量纲处理方法，大多数情况下选择标准化或归一化即可。
l 正向化（MMS）
l 逆向化（NMMS）
在综合评价中，可能同时存在正向指标（数值越大评价越好）和逆向指标（数值越小评价越好）。两种指标数据方向不一致，分析时必须先将所有指标统一成一个方向。此时，可以对数据进行正向化或逆向化处理。
正向指标：（X-Min）/(Max-Min) （生成变量-正向化MMS）
逆向指标：（Max-X）/(Max-Min) （生成变量-逆向化NMMS）
除此之外，还可以通过取倒数、取负数等方式使指标一致化。
除了以上常用的计算变量方法，还有一些其它的变量处理功能。具体整理在下面表格里。
如果以上生成变量功能无法满足计算需求，可使用自主性更强的[高级公式]进行操作。
当前公式支持sin、cos、tan、exp、ln、log、sqrt、abs等函数。
其他说明
生成变量功能，标题都是直接选中即可，不需要拖拽操作。配合ctrl或者shift键同时选择多项，批量一次性操作处理。
本文来源于互联网:spss计算变量：不用记公式，一键轻松得到新变量！
