心理统计学_06相关与回归案例.pptVIP

Kendall’s tau-b等级相关 计算公式： 检验统计量： * 质与量的相关与品质相关 质与量相关的内涵 Eta值 品质相关的内涵 列联系数及其使用条件 Phi系数及其使用条件 * 偏相关 偏相关的内涵 计算公式： 检验统计量： * * 温州大学教育学院 回归分析 回归分析概述 线性回归 曲线估计 * 回归分析概述 内涵： 将存在相关的两个变量，一个作为自变量，另一个作为因变量，并把二者之间不十分准确、稳定的关系，用数学方程式来表达，则可利用该方程由自变量的值来估计、预测因变量的估计值，这一过程称为回归分析 。 回归表示一个变量随另一个变量作不同程度变化的单向关系。 * 相关与回归 相关关系： 两个变量之间的双向关系，没有主从之分； 用相关系数来表示 回归关系： 两个变量之间的单向关系，是自变量对因变量的影响关系； 用数学模型来表示，这种数学模型称为回归方程（regression equation） 。 * 线性回归 线性回归（linear regression）： 自变量与因变量之间呈线性关系（linear relationship）的回归关系。 描述一个或多个自变量与单一因变量之间的线性关系。 一元线性回归 多元线性回归 线性回归模型的适用条件 线性回归分析的常用指标 线性回归分析的检验 * 一元线性回归方程 式中： a 为直线的截距； b 为回归系数（也是回归直线的斜率） * 一元线性回归方程的建立 建立回归方程的步骤一般包括： 根据数据资料作散点图，判断是否线性关系； 调用SPSS for Windows中的Regression过程进行分析 * 多元线性回归方程 * 式中： b0为常数项，b1、b2、…、bn称为y对应于x1、x2、…、xn的偏回归系数。 线性回归模型的适用条件 线性趋势：自变量与因变量之间的关系是线性的，可通过散点图来判断。 独立性：因变量y的取值相互独立，它们之间没有联系，即残差之间要相互独立，不存在自相关，否则应采用自回归模型来分析。 正态性：对自变量的任何一个线性组合，因变量y均服从正态分布，也即残差要服从正态分布。 方差齐性：对自变量的任何一个线性组合，因变量y的方差均相同，也即要求残差的方差齐性。 * 线性回归分析的常用指标 判定系数R2 零阶相关系数、部分相关系数、偏相关系数： 零阶相关系数（Zero-Order Correlation）：各自变量与因变量之间的简单相关系数。 部分相关系数（Part Correlation）：在排除了其他自变量对自变量xi的影响后，该自变量进入回归方程时，R2的增加量。 偏相关系数（Partial Correlation）：在排除了其他自变量对因变量y的影响后，自变量xi与因变量y之间的相关程度。 * 线性回归分析的检验 回归方程的显著性检验 回归系数的显著性检验 残差的独立性检验 残差的正态性检验 残差的方差齐性检验 * 曲线估计 曲线估计概述 曲线估计模型 曲线估计的数据要求 SPSS操作过程 * * * * 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 温州大学教育学院 相关分析 相关分析概述 积距相关与等级相关 质与量的相关与品质相关 偏相关 * 相关分析概述 数据类型与相关类型的关系 * 称名变量 顺序变量 等距变量 比率变量 称名变量 品质相关 品质相关 质与量相关 质与量相关 顺序变量 等级相关 质与量相关 质与量相关 等距变量 积距相关 积距相关 比率变量 积距相关 相关分析概述 检验假设： H0：ρ=0 H1：ρ≠0 相关类型： 积距相关： 调用Bivariate过程 等级相关： 调用Bivariate过程 质与量相关： 调用Crosstabs过程 品质相关： 调用Crosstabs过程 偏相关： 调用Partial过程 * Pearson积距相关 使用条件： 两个变量都是连续型变量 两个变量的总体都呈正态分布，或接近正态分布，至少是单峰对称的分布 必须是成对数据，而且每对数据之间相互独立 两个变量之间呈线性关系 要排除共变因素的影响 样本容量 n ≥ 30。 必须绘制散点图： 确定是否呈线性分布 发现并提出异常点 * Pearson积距相关 计算公式： 检验统计量： SPSS数据文件结构 SPSS菜单操作 SPSS输出结果解读 * Pearson积距相关 例9.1 从某中学随机抽取50名学生，其初一数学成绩（A）与初二数学成绩（B）如表12-2所示，问从总体