spss第九章相关解说.ppt

在医药研究中我们常常要分析变量间的关系，如新生儿年龄与体重、血药浓度与时间关系等。变量之间的关系一般可分为确定性的和非确定性的两大类。 我们称这种既有关联又不存在确定性的关系为相关关系（correlation）。 第一节 散点图和线性相关 一、散点图的制作 【Graphs（图形）】→ 【Legacy Dialogs（旧对话框）】→【Scatter/Dot（散点图／点状图）】 例9-1 某研究者测得84名10岁男孩的身高、坐高、体重、胸围、肩宽、肺活量等6项生长发育指标进行研究，观测数据如表9-3所示。对该研究问题可采用相关分析的方法进行研究，首先绘制下列散点图。 （1）绘制身高与体重的简单散点图； （2）绘制身高与坐高、身高与肩宽的重叠散点图； （3）绘制身高、体重与肺活量的散点图矩阵； （4）绘制身高、体重与肺活量的三维(3D)散点图； （5）绘制体重的简单点状图。 在使用相关系数时，应该注意下面几个问题： （1）相关分析之前一般要作散点图以观察可能的线性趋势以及数据分布条件，从而选挥恰当的统计量。 （2）相关系数受变量取值区间大小及样本数目多少的影响比较大。一般来说，如果变量取值区间小，样本所含数目较少，受抽样误差的影响较大，就有可能对本来无关的两种现象，计算出较大的相关系数，得出错误的结论。因此，一般计算相关的成对数据的数目不应少于30对。 （3）来自于不同群体且不同质的事物的相关系数不能进行比较。 （4）对于不同类型的变量数据，计算相关系数的方法也不相同。 二、常用的不同类型相关系数指标 （一）Pearson相关系数 Pearson相关系数用来度量两数值型变量 间的线性相关性。其定义为 由此可进一步得知Pearson相关系数还可以 表示为 Pearson相关系数的显著性检验的统计量是 服从自由度为n－2的t分布的t统计量： SPSS将自动计算Pearson简单相关系数、t检验统计量的值和对应的概率P值。 （二）Spearman相关系数 Spearman相关系数（又称等级相关系数）用来度 量定序（等级）变量间的线性相关关系。它是利用 两变量的秩次（rank）大小作线性相关分析。 该公式还可简化为 Spearman相关系数适用条件为 （1）两个变量的变量值是以等级次序（秩次）表示的数据资料；。 （2）一个变量的变量值是等级（定序）数据，另一个变量的变量值是等距或比率数据，且其两总体不要求是正态分布，样本容量n不一定大于30。 在小样本时，在零假设成立时Spearman等级相关系数服从Spearman分布； 在大样本下，Spearman等级相关系数的检验统计量为近似服从标准正态分布的Z统计量： 对于定序变量，例如，“最高学历”变量的 取值是：1—小学及以下、2—初中、3—高中、 中专、技校、4—大学专科、5—大学本科、 6—研究生以上。可以使用Spearman相关系 数来分析。 显然，Spearman相关系数的应用范围要比Pearson相关系数广泛，即使服从Pearson相关系数的数据也可计算Spearman相关系数，但统计效能比Pearson相关系数要低些。Spearman相关系数的突出优点是对数据的总体分布、样本大小都可以不作要求，缺点是计算精度不高。 （三）Kendall 相关系数 Kendall ?相关系数用于反映分类变量相关性的指 标，适用于两个变量均为有序分类的情形，这种指 标采用非参数检验方法测度变量间的相关关系。 P为一致对子数、Q为不一致对子数 一致即行变量等级高列变量等级也高。 在小样本下，Kendall ?统计量服从Kendall分布。 在大样本下采用近似服从标准正态分布的Z检验统计量： 三、相关分析的SPSS操作 例9-2 对例9-1中所考察的84名10岁男孩的身高等6项生长发育指标数据男孩生长发育指标.sav，试作相关分析，考察这些变量指标间是否具有显著的线性相关关系。 【Analyze（分析）】→ 【Correlate（相关）】→ 【Bivariate（两变量间相关）】 系统会弹出【Bivariate Correlation（两变量间相关）】主对话框，用于设定进行相关分析的变量等。 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。 第二，对样本来自的两总体是否存在显著的 净相关进行检验推断。 净相关显著性检验的基本步骤是： （1）提出零假设H0：两总体的偏相关系数为0，即相关性不显著。 （2）选择偏相关分析的t检验统计量： （3）计算检验统计量的观测值和对应的概率P值。 （4）统计判断。如果概率P值小于给定的显著性水平?，应拒绝零假设，