7.1相关分析分析.pptVIP

相关分析; 生物学中常可遇到一个变量的取值受到另一个或多个变量的影响的情况，两者之间既有关系，又不存在完全确定的函数关系。 例如：猪初生重与断奶重、鱼的体长与体重、药物的剂量与疗效等问题。 ; 1 2 3 4 5 6;一、 相关分析概述; 1、相关分析： 是研究变量间密切程度的一种常用统计方法。 它反映的是当控制了一个变量的取值后，另一个变量还有多大的变异程度。 ;2、相关类型; 如果变量y随着变量x的增、减而增、减，即变化的方向一致。 例如，在一定的温度范围内昆虫发育速率与温度的关系，温度越高，发育速率相对也就越快。这种相关称为正向相关，其相关系数大于0。; 如果变量y随着变量x的增加而减少，变化方向相反。 例如，降雨强度与田间害虫种群数量的关系，随着降雨强度的增加，时间延长，害虫种群数量逐步下降。这种相关关系称为负相关，其相关系数小于0。; 如果一个变量 y 可以确切地用另一个变量 x 的线性函数表示，那么，两个变量间的相关系数是 +1 或 －l。;4、相关分析的特点;5、线性相关分析的要求;二、 相关分析;1、相关分析的预分析;散点图的重要性;散点图的重要性;散点图的重要性;散点图的重要性; SPSS系统中 “Correlate”菜单项，其中包括三个过程：;① Bivariate: 两个/多个变量之间的相关分析 ② Partial: 偏相关分析 ③ Distance: 相似性分析 （包括不相似性或 距离分析）; Bivariate过程是相关分析中用得最多的，用于进行两个变量间的线性相关分析，结果中给出常用的相关系数。; 偏相关分析的任务就是在研究两个变量之间的线性相关关系时控制可能对其产生影响的变量。; 对同一变量内部各观察单位间的数值或各个不同变量间进行相似性或不相似性（距离）分析。 一般不单独使用，而是作为因子分析、聚类分析和多维尺度分析的预分析过程。;事例1：两个变量间的相关分析;第一步：？;执行正态分布检验;选择分析变量;正态分布检验结果;第二步：？;绘制散点图;选择变量;;观察预分析结果;添加趋势曲线;3、启动相关分析过程;准备数据文件，启动相关分析过程;选择分析变量;选择相关分析的方法; 如果参与分析的变量是连续变量，选择“Kendall’stau-b”或“Spearman”相关，则系统自动对连续变量的值先求秩，再计算其秩分数间的相关系数。 ;选择显著性检验类型及其标志 wo-tailed 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。 ;选择分析变量;选Pearson后激活 ;结果说明;结果说明;事例2：两个等级（秩）变量间的相关分析;准备数据文件，启动相关分析过程;选择分析变量及相关系数的计算方法; 由表可知，Kendall’stau-b 肯德尔相关系数为0.732，P = 0.01 0.05；Speaman 斯皮尔曼相关系数为0.799， P = 0.006 0.01。结果表明，两个评委的评分具有显著的一致性。;事例3：两个等级（秩）变量间的相关分析;;;Nonparametric Correlations;事例4：三个变量间的相关分析;;; 由上表可见，穗数 x1 与粒数 x2 的相关系数 r = －0.717，P = 0.006 0.01，差异极显著，即二者存在极显著的线性负相关关系；穗数 x1 与产量 y 的相关系数 r = 0.630，P = 0.021 0.05，差异显著，说明二者存在显著的线性正相关关系；粒数x2与产量y的相关系数 r = 0.013，P = 0.967 0.05，说明二者关系不显著；; 相关分析计算两个变量间的相关系数，分析两个变量间线性关系的程度。往往因为第三个变量的作用，使相关系数不能真正反映两个变量间线性程度。 例如身高、体重与肺活量之间的关系。; 如果使用 Pearson 相关计算其相关系数，可以得出肺活量与身高和体重均存在较强的线性关系。 但，如果对身高相同的人，分析体重和肺话量。是否体重值越大，肺活量越大呢?; 结论是否定的！ 正是因为身高与体重有着线性关系，身高与肺活量存在线性关系，因此，得出体重与肺活量之间存在着较强的线性关系的结论