ppt第8章相关解说.ppt

在利用SPSS计算两变量间的相关系数之前应按一定格式组织好数据，应定义两个SPSS变量分别存放相应两变量的变量值。 计算相关系数的基本操作步骤是： 1 选择菜单中分析→相关→双变量。如图8-4 2 选择参加计算相关系数的变量到【变量】框。 3 在 【相关系数】 框中选择计算哪种相关系数。 4 在【显著性检验】 框中选择输出相关系数检验的双侧检验的概率 值还是单侧检验的概率 值。 5 选中 【标记显著性相关】 选项表示分析结果中除显示统计检验的概率 值以外，还输出星号标记，以标明变量间的相关性是否显著；不选中则不输出星号标记。 6 在 【选项】 按钮中的【统计量】 选项中，若选中叉积偏差和协方差，表示输出各变量的离差平方和、样本方差、两变量的叉积离差和协方差。如图8-5所示 例8.2 以下是29名中学生的编号、身高、体重和肺活量数据，求身高、体重和肺活量之间的Pearson相关系数以及Spearman相关系数 具体操作步骤： 1、按照顺序分析分析→相关→双变量。如图8-4 2、在【双变量相关分析】框中，选择“身高”“体重”“肺活量”到【变量框】。在【相关系数】中选择Pearson以及Spearman，在【显著性检验】中选择 双侧检验 。 3、选中 【标记显著性相关】 4、在 【选项】 按钮中的 【统计量】 选项中将两个选项选中如图8-5 分析结果如表8-3,8-4,8-5所示 表8-3给出了身高、体重、肺活量的描述性统计分析 表8-4给出了Pearman相关系数，从表中可以看出，在0.01的显著性水平下，身高、体重、肺活量显著相关。 表8-5，给出了Spearman相关系数，从表中可以看出，在0.01的显著性水平下，身高、体重、肺活量显著相关。 8.4.1 偏相关分析和偏相关系数 相关分析中研究两事物之间的线性相关性是通过计算相关系数等方式实现，并通过对相关系数值得大小来判定事物之间的线性相关强弱。然而，就相关系数本身来讲，它未必是两事物间线性相关强弱的真实体现，往往有夸大的趋势。 单纯利用相关系数来评价变量间的相关显然是不准确的，而需要在剔除其他因素影响的条件下计算变量间的相关。偏相关分析的意义就在于此。偏相关分析也净相关分析，它在控制其他变量的线性影响的条件下分析两变量间的线性相关，所采用的工具是偏相关系数（净相关关系）。控制变量个数为一时，偏相关系数称为一阶偏相关；当控制变量个数为两个时，偏相关系数称为二阶偏相关；当控制变量个数为零个时，偏相关系数称为零阶偏相关，也就是相关系数。 利用偏相关系数进行变量间净关系分析通常需要完成以下两大步骤： 第一 计算样本的偏相关系数 利用样本数据计算样本的偏相关系数，它反映了两变量间净相关的程度强弱。在分析变量 和 之间的净相关时，当控制了 的线性作用后， 和 之间的一阶偏自相关系数定义为 第二,对样本来自的两总体是否存在显著的净相关进行推断 净相关分析检验的基本步骤是 1 提出零假设 2 选择检验统计量 3 决策 4 计算检验统计量的观测值和对应的概率 P值。 在利用SPSS进行偏相关分析前应按一定格式组织好数据，应定义若干个SPSS变量分别存放相应变量的变量值。偏相关分析的基本操作步骤是： 1 选择菜单分析→相关→偏相关。如图8-6 2 选择参与分析的变量到【变量】框中。 3 选择一个或多个控制变量到 【控制】 框中。 4 在 【显著性检验】 框中选择输出相关系数检验的双侧检验概率 P值还是单侧检验概率P值。 5 在 【选项】 按钮中的 【统计量】 选项中，选中 【零阶相关相关系数】 表示输出零阶偏相关系数。如图8-7 至此，SPSS将自动进行偏相关分析和统计检验，并将结果输出到输出窗口。 例8.4 以例8.2为例，求分别以体重和身高为控制变量的偏相关系数。 具体操作如图8-6,8-7，分析结果如表8-9,8-10 表8-9给出了以体重为控制变量的偏相关系数，控制体重后，身高与肺活量的相关系数变为0.102，P值为0.607，没有显著的统计意义，与无控制变量的零阶相关系数0.599相差很大。 表8-10给出了以身高为控制变量的偏相关系数，控制身高后，体重与肺活量的相关系数变为0.571，与零阶相关系数0.751有下降，但仍有统计意义。 8.5.1距离相关分析的思想 简单相关分析以及偏相关分析研究的都是变量之间的线性相关关系，但是在现实生活中，有很多情况下，变量之间的关系可能不是线性关系。且无论在简单相关分析还是偏相关分析中，我们关心的都是某两个变量的相关性，但实际问题往往比较复杂，涉及的变量很多，且每个变量所代表的信息有可能重叠，此时，可