社会经济统计软件应用-SPSS应用.pptVIP

社会经济统计软件应用－SPSS应用 第6章 相关分析 1. 相关分析的基本概念介绍 2. 两个变量间的相关分析 3. 偏相关分析 1. 相关分析的基本概念介绍 函数关系 是一种严格确定的关系，它反映了事物之间存在的严格的依存关系和必然现象的规律性。 相关关系 是两个变量之间的不确定关系，它反映的是变量之间不十分严格，但却存在的依存关系。 相关分析（Correlate） 是研究变量之间关系紧密程度的一种统计方法。 线性相关 曲线相关 正相关 负相关 完全相关 相关系数 反映两个变量之间密切程度的指标称为相关系数，样本的相关系数一般用r表示，总体相关系数一般用ρ表示。 相关系数的计算有三种 Pearson简单相关系数 Spearman相关系数 Kendall相关系数 Pearson简单相关系数 Pearson简单相关系数用来度量两个定距型变量间的线性相关关系。 -1≤r≤1， r＜0，负相关；r ＞0，正相关；r ＝0，无线性相关； r ＝1，完全正相关； r ＝-1，完全负相关。 一般地， |r|＞0.8，高度相关； 0.5＜|r|≤0.8 中度相关； 0.3＜|r|≤0.5 低度相关； |r|≤0.3 关系极弱，认为不相关。 Spearman相关系数与Kendall相关系数 用于度量定序变量间的相关关系或者不满足正态分布的定距型变量的线性相关关系。 Pearson简单相关系数的计算要求两个变量的联合分布服从二维正态分布 相关分析的SPSS过程 在Analyze | Correlate下的三个子菜单： Bivariate－相关分析 计算指定的两个变量间的相关关系，可选择Pearson相关、Spearman和Kendall相关；同时对相关系数进行检验，检验的零假设为：相关系数为0（不相关）。 Partial－偏相关分析 计算两个变量间在控制了其他变量的影响下的相关关系，对相关系数也进行检验，检验的零假设为：相关系数为0 Distance－距离（相似性）分析 对变量或观测量进行相似性或不相似性测度分析 2. 两个变量间的相关分析 包括两个连续变量间的相关（Pearson相关）和两个定序变量间的相关（Spearman和Kendall相关）。 两个连续变量间的相关分析 作散点图 计算相关系数 对相关系数进行假设检验（原假设ρ＝0） 【例】以数据文件“体重与血压.sav”为例，该数据文件中的数据为某次体检中12名学生的体重和血压，现通过相关分析来观测学生的体重与血压是否相关。 两个定序变量间的相关 【例】以数据文件“文化程度业绩.sav”为例，该数据文件中的数据为某次调查中被调查者文化程度与业绩数据，现通过相关分析来观测文化程度与业绩是否相关。 3.偏相关分析 在简单线性相关分析中，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的线性程度。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。但实际上,如果对体重相同的人,分析身高和肺活量,是否身高越高,肺活量就越大呢？不是的。原因是身高与体重有线性关系,体重与肺活量存在线性关系,因此得出身高和肺活量之间存在着较强的线性关系的错误结论。 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。 分析身高与肺活量之间的相关性，就要控制体重在相关分析中的影响。实际生活中有许多这样的关系，如可以控制年龄和工作经验两个变量的影响，估计工资收入与受教育程度之间的相关关系。 偏相关分析也称净相关分析，它在控制其他变量的线性影响下分析两变量问的线性相关，所采用的工具是偏相关系数（净相关系数）。 【例】数据文件“居民收入与支出.sav” 为我国1985—1999年居民收入与支出的相关数据，分析城镇居民家庭人均消费、城镇居民家庭人均可支配收入、农村居民家庭人均纯收入三者之间的相关关系（数据来源于中国统计年鉴）。 *