計算和轉化變數是資料處理分析過程中一個非常重要的過程，針對一些分析方法，原變數可能並不適合分析，此時就需要對原變數進行轉化，以利於後續分析。
針對這一需求，SPSSAU提供多種計算變數的方法，三步即可生成變數，不需要再單獨輸入函式。
操作步驟
Step1：點選 ［資料處理］ 下的 ［生成變數］。
Step2：點選選擇具體分析題項，下拉複選框選擇計算功能（如平均值、乘積等）。
Step3：填寫新變數名（部分功能不需要填寫），點選確認處理。
生成變數的一系列功能包括：常用函式、量綱處理、科學計算、彙總處理、其它。下面具體說明。
常用功能
常用功能
l 平均值
平均值是最常使用的，作用是將多個變數值的取平均，生成新的變數。
適用場景：量表題中，將多個題目合併為一個維度進行分析等。
例如，計算每個學生各科成績的平均值或將“我願意向朋友推薦SPSSAU”，“我有需要會再來使用SPSSAU”，合併為“忠誠度”一個整體維度。
l 求和
求和多用於計算多個題項的總體得分，如量表總分等。
適用場景：計算每個學生各科成績的總和（總成績）。
l 乘積（互動項）
用於計算兩個變數或多個變數的乘積值。
適用場景：
計算權重與指標的乘積
，或計算調節作用互動項等。
l 虛擬（啞）變數
用於將分類變數納入模型。具體理論說明可檢視spssau文章：《啞變數是什麼？怎麼設定？》
適用場景：研究迴歸分析，逐步迴歸，分層迴歸，Logistic迴歸，PLS迴歸、調節作用等這類影響關係研究的方法時，需要將分類變數作為研究變數加入模型中，需要做啞變數處理。
l 標準化（S）
標準化用於資料無量綱化處理。在多數模型研究中，都需要先對資料進行標準化處理，以消除量綱影響。
l 中心化（C）
中心化也是無量綱化處理方法之一。與標準化的區別是，標準化需要除以標準差，而中心化則沒有要求。
適用場景：資料無量綱化處理，即如果原始資料不是統一量綱的，需要先進行資料標準化處理，以消除量綱（單位）不同對結果造成的影響。
l 自然對數（Ln）
l 10為底對數（Log10）
取對數是常見的資料變換處理。取對數可以縮小資料的絕對數值，方便計算。在計量研究中，經常先取對數再做迴歸。
適用場景：資料的數值過大不方便計算；資料呈偏態時可以透過取對數調整資料分佈。（數值必須大於0）
其他常用的資料變換方式：
（1）對數變換（2）平方根變換（3）倒數變換（4）冪變換
量綱處理
量綱處理
除了上面介紹的標準化、中心化。spssau還提供了其他多種量綱處理方法，大致可分為三種類型：
極值化方法
歸一化——每個變數值與變數最小值之差除以該變數取值的全距(最大值減最小值)。標準化後使各變數的取值範圍限於0~1。
區間化——標準化後使各變數取值範圍限於固定的區間範圍內。
最大值化——每個變數值除以該變數取值的最大值。標準化後使各變數的最大取值為1。
最小值化——標準化後使各變數的最小取值為1。
極值化方法在無量綱化過程中僅與變數的最大值和最小值有關，使得該方法過分依賴極端這兩個極端值。因而，最大值和最小值這兩個值會對結果產生很大影響。
標準化方法
標準化——無量綱化後個變數的平均值為0，標準差為1。標準化的不足之處在於轉換後消除了各變數在變異程度上的差異，如果後續分析中需要比較變數變異程度上的差異，則不適合使用標準化方法。
均值化方法
均值化——每一變數除以該變數的平均值。均值化後各變數的平均值都為1，標準差為原始變數的變異係數。均值化保留了各變數取值差異程度上的資訊。
對於一般使用者而言，不需要掌握這麼多量綱處理方法，大多數情況下選擇標準化或歸一化即可。
l 正向化（MMS）
l 逆向化（NMMS）
在綜合評價中，可能同時存在正向指標（數值越大評價越好）和逆向指標（數值越小評價越好）。兩種指標資料方向不一致，分析時必須先將所有指標統一成一個方向。此時，可以對資料進行正向化或逆向化處理。
正向指標：（X-Min）/(Max-Min) （生成變數-正向化MMS）
逆向指標：（Max-X）/(Max-Min) （生成變數-逆向化NMMS）
除此之外，還可以透過
取倒數、取負數
等方式使指標一致化。
除了以上常用的計算變數方法，還有一些其它的變數處理功能。具體整理在下面表格裡。
如果以上生成變數功能無法滿足計算需求，可使用自主性更強的［高階公式］進行操作。
當前公式支援sin、cos、tan、exp、ln、log、sqrt、abs等函式。
其他說明
生成變數功能，標題都是直接選中即可，不需要拖拽操作。配合ctrl或者shift鍵同時選擇多項，批次一次性操作處理。
