相关分析与线性回归分析实验报告.docVIP

科技与艺术学院经管系 实验名称 ： 相关分析与线性回归分析实验报告 实验地点： 4号机房 实验时间： 2011/1２/１４　 实验报告 【实验目的及要求】 掌握CPU T5100 1.3G；RAM M。 Windows XP；SPSS 1.0等。 买入据上市公司的业绩 卖出据上市公司的业绩 Spearman 的 rho 买入据上市公司的业绩 相关系数 1.000 .551** Sig.（双侧） . .000 N 407 407 卖出据上市公司的业绩 相关系数 .551** 1.000 Sig.（双侧） .000 . N 407 407 **. 在置信度（双测）为 0.01 时，相关性是显著的。 分析：这两个组数据都是顺序级的数据，所以要选择等级相关系数（spearman）,表中P值0.05，所以拒绝原假设，表明依据公司业绩买入与公司业绩卖出有显著的相关性，相关系数为：0.551；属于中等程度相关。 （2）显著性检验的重要性 针对ch9数学语文成绩．Sav该文件，选择菜单　分析――相关――双变量――确定　其结果如图所示： 相关性 数学成绩 语文成绩 数学成绩 Pearson 相关性 1 .586 显著性（双侧） .075 N 10 10 语文成绩 Pearson 相关性 .586 1 显著性（双侧） .075 N 10 10 相关系数 数学成绩 语文成绩 Spearman 的 rho 数学成绩 相关系数 1.000 .610 Sig.（双侧） . .061 N 10 10 语文成绩 相关系数 .610 1.000 Sig.（双侧） .061 . N 10 10 分析：这两张表的结果：数学成绩与语文成绩的pearson样本相关系数和spearman样本等级相关系数都大于0.05，所以都接受原假设，那么这个班级的数学和语文成绩是不相关的，也就是表中的“相关系数”是毫无意义的。由此可见，相关系数的显著性检验是非常必要的，切不可一见到相关系数大于0.5，就妄言两个变量是相关的。 （3）偏相关分析 当存在多个变量，而我们是想知道其中两个变量的相关性，就需要控制其它变量，这时候就需要用到偏相关分析，针对ch9偏相关高额度.sav，该文件。选择菜单　　分析――相关――偏相关（变量：商业投资和经济增长；控制：游客增量。选项里选择“零阶相关系数”）――确定。我们来看下偏相关和这三个因素两两比较的结果有何不同，其结果表显示如下：  相关性 控制变量 商业投资万元 地区经济增长 游客增长% -无-a 商业投资万元 相关性 1.000 .644 .791 显著性（双侧） . .000 .000 df 0 24 24 地区经济增长 相关性 .644 1.000 .773 显著性（双侧） .000 . .000 df 24 0 24 游客增长% 相关性 .791 .773 1.000 显著性（双侧） .000 .000 . df 24 24 0 游客增长% 商业投资万元 相关性 1.000 .083 显著性（双侧） . .695 df 0 23 地区经济增长 相关性 .083 1.000 显著性（双侧） .695 . df 23 0 a. 单元格包含零阶 (Pearson) 相关。 分析：先在表的上半部分，其中P值都是小于0.05的，说明他们每两个因素之间都具有相关性，而在表的下本部分的偏相关分析中，P值为0.06950.05，偏相关系数为0.83，说明剔除变量“游客增长”的影响后，变量“商业投资”与“地区经济增长”没有显著性关系，更不能说，商业投资导致了地区经济增长。 （4）相关分析（其中有一个名义级数据） 针对ch9质相关男女婚否．Sav该文件，对名义级数据的处理原理：把名义数据数量化，制造虚拟变量，方法：选择菜单　　编辑――替换（把m替换为0，n替换为1，再在“变量窗口”中把类型改为数值型，　接着　　分析――相关――双变量――确定　在选项中选择“方差齐性检验”，其结果图如下： Correlations 性别 婚姻状况 性别 Pearson Correlation 1 -.182* Sig. (2-tailed) .010 N 200 200 婚姻状况 Pearson Correlation -.182* 1 Sig. (2-tailed) .010 N 200 200 *. Correlation is significant at the 0.05 level (2-tailed). 分析：表中P值为0.0100.05，拒绝原假设，所以“性别”与“婚姻状况”