7.1相关程序.pptVIP

4、相关分析的特点 事例1：两个变量间的相关分析 第一步：？ 正态分布检验 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：？ 预分析：散点图 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 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。 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。 事例1： 数据录入 计算各变量的平均数和标准差 进行所有变量间的两两相关分析 Partial Correlations 结果说明 结果说明 结果中首先给出的是三个变量间的两两简单线性相关分析，可见如果单独分析，鱼产量y与放养量 x2 的相关系数 r2y = 0.561*，P ＜ 0.05，具有显著的统计学意义；而鱼产量 y 和投饵量 x1 的相关系数 r1y = 0.330，P ＞ 0.05，不存在显著相关关系。 结果说明 从结果第二行中给出的偏相关系数可知，当控制了放养量 x2 的影响后，鱼产量 y 和投饵量 x1 的偏相关系数 r1y·2 = 0.722**，P ＜ 0.01，两者具有极显著的正相关关系。 结果说明 从结果第三行中给出的偏相关系数可知，当控制鱼产量 y 的影响后，投饵量 x1 和放养量 x2 的偏相关系数 r12·y = －0.739**，P ＜ 0.01，两者具有极显著的负相关关系。未控制前 r12 = -0.391，未达到显著水平。 结果说明 从结果第四行中给出的偏相关系数可知，当控制投饵量 x1 的影响后，鱼产量 y 和放养量 x2 的偏相关系数 r2y·1 =0.795**，P ＜ 0.01，两者具有极显著的正相关关系。未控制前 r2y = 0.561*，只达到显著水平。 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。 相似性分析(距离相关分析 ) 距离相关分析就是测量变量之间或个案之间测量的一致性程度。 具体地说，如果变量间或个案间的相似性大或不相似性小，则说明二者的一致性程度高，否则二者一致性程度小。 如: 考察两个人个性特征的相似性程度、两个班级期末各科考试成绩的一致性、面试中考官评分的一致性等等，都可以使用距离相关分析来度量。 相似性分析(距离相关分析 ) 根据测量变量性质的不同，距离相关分析包括三种不同的情况：等距量表和比率量表测量的变量；顺序量表测量的变量；二项选择变量。在被测量变量的性质不同时，距离的计算方法也有所不同，具体对应关系是： 等距或比率量表测量：欧氏距离或欧氏距离平方； 顺序量表或称名量表测量：卡方统计量； 二项选择变量：欧氏距离或欧氏距离平方。 选择变量 ok 准备数据文件，启动相关分析过程 “Analyze→Correlate→ Bivariate” 选择分析变量 选择相关分析的方法 Pearson：皮尔逊系数，计算连续变量或者是等间隔测度的变量间的相关分析。系统默认方法。 Kendall’stau-b：肯德尔系数，计算分类变量间的秩相关，用于反映分类变量的一致性指标，只用于两个变量均属于有序分类变量时使用。 Speaman：斯皮尔曼系数，最常用的非参数相关分析。 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。 Flag significant Correlations 复选项，如果选中该复选项，输出结果中在相关系数右上方使用、“*”表示显著性水平为 5％：用“**”表示其显著性水平为 1％。 选择分析变量 选Pearson后激活 均值与 标准差 叉积离差阵和协方差阵 剔除所有带缺失值的观测值 剔除带有缺失值的成对观测值 结果说明 结果说明 摄食量与耗氧率之