SPSS相关分析.ppt

3.2.3 相关分析——Correlate菜单 Bivariate过程：用于进行两个/多个变量间的参数/非参数相关分析，如果是多个变量，则给出两两相关的分析结果。这是Correlate子菜单中最为常用的一个过程。 Partial过程：偏相关分析。如果需要进行相关分析的两个变量其取值均受到其他变量的影响，就可以利用偏相关分析对其他变量进行控制，输出控制其他变量影响后的相关系数，这种分析思想和协方差分析非常类似。 Distances过程：调用此过程可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距离相关分析，前者可用于检测观测值的接近程度，后者则常用于考察预测值对实际值的拟合优度。该过程在实际应用中用的非常少。 描述变量之间线性相关程度的强弱，并用适当的统计指标表示出来的过程为相关分析。可根据研究的目的不同，或变量的类型不同，采用不同的相关分析方法。 相关系数的取值范围在?1和+1之间，即?1≤r≤+1。其中： ? 若0＜r≤1，表明变量之间存在正相关关系，即两个变量的相随变动方向相同； ? 若?1≤r＜0，表明变量之间存在负相关关系，即两个变量的相随变动方向相反； 为了判断r对ρ的代表性大小，需要对相关系数进行假设检验。 （1）首先假设总体相关性为零，即H0为两总体无显著的线性相关关系。 （2）其次，计算相应的统计量，并得到对应的相伴概率值。如果相伴概率值小于或等于指定的显著性水平，则拒绝H0，认为两总体存在显著的线性相关关系；如果相伴概率值大于指定的显著性水平，则不能拒绝H0，认为两总体不存在显著的线性相关关系。 在实际中，因为研究目的不同，变量的类型不同，采用的相关分析方法也不同。比较常用的相关分析是二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析和距离分析。 3.2.3.1 二元定距变量的相关分析 二元变量的相关分析是指通过计算变量间两两相关的相关系数，对两个或两个以上变量之间两两相关的程度进行分析。根据所研究的变量类型不同，又可以分为二元定距变量的相关分析和二元定序变量的相关分析。 在二元变量的相关分析过程中比较常用的几个相关系数是Pearson简单相关系数、Spearman和Kendalls tua-b等级相关系数。 Pearson简单相关系数 Pearson简单相关系数用来衡量定距变量间的线性关系。如衡量国民收入和居民储蓄存款、身高和体重、高中成绩和高考成绩等变量间的线性相关关系。 对Pearson简单相关系数的统计检验是计算t统计量，公式为 t统计量服从n?2个自由度的t分布。 某班级学生数学和化学的期末考试成绩如表所示，现要研究该班学生的数学和化学成绩之间是否具有相关性。8.1 如果对变量之间的相关程度不需要掌握得那么精确，可以通过绘制变量的相关散点图来直接判断。仍以上例来说明。 Spearman和Kendalls tua-b等级相关系数 Spearman和Kendalls tua-b等级相关系数用以衡量定序变量间的线性相关关系，它们利用的是非参数检验的方法。 计算公式如下。 Spearman等级相关系数为 对Spearman等级相关系数的统计检验，一般如果个案数n≤30，将直接利用Spearman等级相关统计量表，SPSS将自动根据该表给出对应的相伴概率值。 对Kendalls tua-b等级相关系数的统计检验，一般如果个案数n≤30，将直接利用Kendalls tua-b等级相关统计量表，SPSS将自动根据该表给出对应的相伴概率值。 某语文老师先后两次对其班级学生同一篇作文加以评分，两次成绩分别记为变量“作文1”和“作文2”，问两次评分的等级相关有多大，是否达到显著水平？8.2 【Variables框】 用于选入需要进行相关分析的变量，至少需要选入两个。 【Correlation Coefficients复选框组】 用于选择需要计算的相关分析指标，有： Pearson复选框 选择进行积距相关分析，即最常用的参数相关分析 Kendalls tau-b复选框 计算Kendalls等级相关系数 Spearman复选框 计算Spearman相关系数，即最常用的非参数相关分析（秩相关） 【Test of Significance单选框组】 用于确定是进行相关系数的单侧（One-tailed）或双侧（Two-tailed）检验，一般选双侧检验。 【Flag significant correlations】 用于确定是否在结果中用星号标记有统计学意义的相关系数，一般选中。此时P0.05的系数值旁会标记一个星号，P0.01的则标记两个星号。