spss相关分析分析.pptVIP

? 实现步骤 只需在相关系数中选择Spearman即可，其他与Pearson相关分析相似， 结果和讨论 从上述的Spearman相关系数可以看到，这位老师两次的评分的正相关性较显著，说明这位老师两次批改结果还是较一致的 3 偏相关分析 二元变量的相关分析在一些情况下无法较为真实准确地反映事物之间的相关关系。例如，在研究某农场春季早稻产量与平均降雨量、平均温度之间的关系时，产量和平均降雨量之间的关系中实际还包含了平均温度对产量的影响。同时平均降雨量对平均温度也会产生影响。在这种情况下，单纯计算简单相关系数，显然不能准确地反映事物之间地相关关系，而需要在剔除其他相关因素影响的条件下计算相关系数。偏相关分析正是用来解决这个问题的。 定义：偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程。 偏相关分析的工具是计算偏相关系数r12，3。 3.1 统计学上的定义和计算公式 3.2 SPSS中实现过程 ? 研究问题 某农场通过试验取得某农作物产量与春季降雨量和平均温度的数据，如表3-3所示。现求降雨量对产量的偏相关。 表3-3 早稻产量与降雨量和温度之间的关系 产 量 降 雨 量 温 度 150.00 25.00 6.00 230.00 33.00 8.00 300.00 45.00 10.00 450.00 105.00 13.00 480.00 111.00 14.00 500.00 115.00 16.00 550.00 120.00 17.00 580.00 120.00 18.00 600.00 125.00 18.00 600.00 130.00 20.00 ? 实现步骤 Step01：打开主菜单 选择菜单栏中的【Analyze(分析)】→【Correlate(相关)】→ 【Partial(偏相关)】命令，弹出【Partial Correlations(偏相关)】对话框，如下图所示，这是偏相关分析的主操作窗口。 ? 实现步骤 Step02：选择检验变量 在【Bivariate Correlations(偏相关)】对话框左侧的候选变量列表框中选择两个或两个以上变量，将其添加至【Variables(变量)】列表框中，表示需要进行偏相关分析的变量。 Step03：选择控制变量 在【Bivariate Correlations(偏相关)】对话框左侧的候选变量列表框中 至少选择一个变量，将其添加至【Controlling for(控制)】列表框中，表示在进行偏相关分析时需要控制的变量。注意如果不选入控制变量，则进行的是简单相关分析。 Step04：假设检验类型选择 在【Test of Significance(显著性检验)】选项组中可以选择输出的假设检验类型，对应有以下两个选项。 ● Two tailed：系统默认项。双尾检验，当事先不知道相关方向（正相关还是负相关）时选择此项。 ● One tailed：单尾检验，如果事先知道相关方向可以选择此项。 同时，可以勾选【Flag significant Correlations】复选框。它表示选择此项后，输出结果中对在显著性水平0.05下显著相关的相关系数用一个星号“*”加以标记；对在显著性水平0.01下显著相关的相关系数用两个星号“* *”标记。 ? 实现步骤 Step05：其他选项选择 单击【选项】按钮，弹出的对话框用于指定输出内容和关于缺失值的处理方法，主要包括以下选项。 ① 统计量：选择输出统计量。 ● 均值和标准差：将输出选中的各变量的观测值数 目、均值和标准差。 ● 零阶相关系数：显示零阶相关矩阵，即Pearson 相关矩 阵。 ② 缺失值：用于设置缺失值的处理方式。它有两种处理方式： ● 按对排除个案：系统默认项。剔除当前分析的两个变量值中缺失的个案。 ● 按列表排除个案：表示剔除所有含缺失值的个案后再进行分 析。 Step06：相关统计量的Bootstrap估计 单击【Bootstrap】按钮，在弹出的对话框中可以进行如下统计量的Bootstrap估计。 ● 描述统计表支持均值和标准差的Bootstrap 估计。 ● 相关性表支持相关性的Bootstrap 估计。 Step07：单击【OK】按钮，结束操作，SPSS软件自动输出结果。 3.3 结果和讨论 从以上结果可以看出，在控制了温度变量后，产量和降雨量之间还是有正相关关系，但不如之前的显著了。 4.1 统计学上的定义和计算公式 4 距离相关分析 简单相关分析和偏相关分析有一个共同点，那就是对所分析的数据背景应当有一定程度的了解。但在实际中有时会遇到一种情况，在分析前对数据所代表的专