统计4 相关与非参数检验.pptVIP

第Ⅳ部分相关与非参数检验 第十六章 相关 §16.1 概述 相关是用来测量和描述两个变量间关系的统计技术。 通常是对两个变量在自然环境下的观察——对变量没有控制或操纵； 关系的方向：正相关（+）、负相关（-） 关系的形式：线性相关、非线性相关； 关系的程度：相关程度的强弱； 采用相关的情况及原因 ①预测 ②效度 ③信度 ④理论验证 §16.2 皮尔逊相关 皮尔逊相关测量两个变量间线性关系的程度和方向 皮尔逊相关用r来表示 皮尔逊相关的计算 离差积(SP)，用来测量共变性 皮尔逊相关公式 皮尔逊相关与z分数 r测量了X与Y的相互关系，也可以用z分数表示 §16.3 皮尔逊相关的含义 相关和因果。相关不意味着两个变量间一定存在因果关系； 相关与限定相关域。当计算出的相关无法代表整个可能的全距值时，应该谨慎解释相关； 奇异值。奇异值是指一个个体的X和Y值与数据中其他个体的值明显不同。奇异值对相关有可能产生巨大影响； 相关及关系的强度。 的值被称为决定系数，它测量了一个变量的变异中由另一个变量的变异而决定的比率。 若一个相关r=0.8意味着变量Y中 = 64%的变化是由其和X的关系决定的 0.01，相关低；0.09，中等相关；0.25高相关 §16.4 皮尔逊相关的假设检验 假设 自由度 临界值 查表，并与r比较（大于等于临界值，处理才显著） §16.5 斯皮尔曼相关 斯皮尔曼相关可用于非线性相关和其他数据 用rs表示 斯皮尔曼相关用于： ①测量两个顺序量表的变量； ②替代皮尔逊相关，测量数据间的一致性关系； 计算斯皮尔曼相关 (1)确定X和Y的数据为顺序量表，给X和Y排序； (2)用皮尔逊相关公式计算X和Y的排序。 相同数据的排序 斯皮尔曼的特殊公式 斯皮尔曼相关的显著性检验 假设 临界值 按照n及设定的显著性水平，查表，并与rs比较（超过临界值，处理显著） 第十七章 回归 §17.1 线性方程与回归 皮尔逊相关描述了变量间的线性关系的方法； 回归目的是找出能最好地描述一组X与Y数据关系的那条线的公式； 线性方程 Y=bX+a 用于找出一组数据的最佳拟合直线的统计技术被称为回归。 作为结果的直线称为回归线。 最小二乘法与回归方程 预测值与数据的实际Y值之间的距离： 定义误差平方最小的那条线为最佳拟合直线。相应的方法称为最小二乘法 Y的线性回归方程： 其中， 回归方程： 解释预测需注意 ①预测值不是绝对准确； ②回归方程不应该被用于X值超出原始数据范围以外时的预测。 标准化回归方程 先将X和Y标准化为z分数，再回归得到的公式称为标准化回归方程 估计的标准误 用估计的标准误来衡量回归的精确性 估计的标准误衡量了回归线与实际的数据点之间的标准距离； 标准误与相关的关系 决定系数 ，表示了Y的变异性中能被X与Y之间关系解释的那部分比例 §17.2 回归分析 回归方程的显著性检验过程被称为回归分析； §17.3 有两个预测变量的多元回归 两个预测变量的回归方程 两个预测变量表示为X1，X2，被预测的变量为Y 回归方差所占的百分比与残差 的值描述了Y分数的总体变异中能被回归方程说明的那部分所占的百分比； 根据残差计算 估计的标准误 回归分析，多元回归方程的显著性检验 当有两个预测变量时， 的df=2， df=n-3 §17.4 评估每个预测变量的贡献 确定那个预测变量贡献更大 （1）相对贡献大小 （2）每个贡献的显著性。先确定X1与X2共同预测的方差比单独用X1的方差大多少，再计算并判断增加X2后的变化是否显著 与使用X1的一元回归方程相比，将X2加入回归方程上不能显著改变预测结果 第十八章 拟合度与独立性检验 §18.1 参数与非参数统计的检验 参数检验，通常对总体分布及其他的总体参数提出假设，或者需要样本中各个个体的值，并进行求平均数等基本运算。对参数或数据有一定的要求，都属于参数检验 非参数检验。很少对总体分布作出假设，在数据类型方面可使用称名或顺序量表测得的数据 非参数检验不如参数检验灵敏 §18.2 拟合度的卡方检验 拟合度的卡方检验使用样本数据来检验关于总体分布的形状或比例的假设。 检验确定了得到的样本比例与虚无假设中陈述的总体比例之间的拟合度。 数据： 拟合度检验的假设 虚无假设 ①没有优先选择 ②与已知总体之间没有差异 备择假设 期望频数 观察频数是样本中被归入特定类别的个体个数