实验 相关分析.docVIP

实训二 相关分析 （一）两变量的相关分析（Bivariate过程） 相关分析是研究变量间密切程度的一种常用统计方法。线性相关分析研究两个变量间线性关系的强弱程度和方向。相关系数是描述这种线性关系强弱程度和方向的统计量，通常用r表示，其值在-1～1之间。 一般情况，两个变量的对应关系不具有惟一性。例如身高和体重的关系，相同身高的人总有不同的体重。研究他们之间线性关系的密切程度使用相关分析。相关系数的计算常采用Pearson积矩相关公式计算： 1绘制散点图 绘制散点图是相关分析过程中极为常用且非常直观的分析方式。它将数据以点的形式画在直角平面上。通过观察散点图能够直观地发现变量间的统计关系以及他们的强弱程度和数据对的可能走向。 选择菜单Graphs Scatter 2基本操作步骤 （1）选择菜单Analyze Correlate Bivariate （2） 把参加计算相关系数的变量选到Variables框 （3）在Correlation Coefficents 框中选择计算哪种相关系数 （4）在Test of Significance 框中选择输出相关系数检验的双尾（Two-Tailed）概率或单尾（One-Tailed）概率 （5）选中Flag significance correlations 选项表示分析结果中除显示统计检验的概率p值外，还输出星号标记，以标明变量间的相关性是否显著；不选中不输出星号。 （6）在Options 按钮中的Statistics选项中，选中Cross-product deviations and covariances 表示输出各变量的离差平方和，样本方差和协方差。 3、实例分析 以“高校研究立项课题数（y）与投入的高级职称的人年数（x1）、发表的论文数（x3）”为例，研究y 与x1、x2的相关性。 X1投入的高级职称人年数 Y 课题总数 X2 论文数 3737.0 3261.0 12270.0 939.0 991.0 3055.0 1039.0 839.0 4440.0 658.0 635.0 2964.0 231.0 227.0 1759.0 1591.0 1241.0 7244.0 1208.0 902.0 4300.0 797.0 479.0 2801.0 1833.0 2247.0 6607.0 2436.0 3110.0 10456.0 1238.0 1676.0 6031.0 982.0 599.0 3897.0 710.0 897.0 3239.0 1013.0 908.0 3979.0 1995.0 1287.0 10610.0 834.0 770.0 3903.0 2242.0 1835.0 11485.0 1525.0 1266.0 6793.0 1944.0 2117.0 7705.0 524.0 431.0 2771.0 97.0 76.0 494.0 786.0 696.0 2988.0 1142.0 1138.0 4788.0 121.0 73.0 1198.0 502.0 282.0 1958.0 24.0 17.0 117.0 1018.0 803.0 6539.0 417.0 530.0 2255.0 60.0 69.0 583.0 83.0 82.0 406.0 360.0 276.0 2803.0 Correlations 投入高级职称的人年数 课题总数 投入高级职称的人年数 Pearson Correlation 1.000 .944 Sig. (2-tailed) . .000 N 31 31 课题总数 Pearson Correlation .944 1.000 Sig. (2-tailed) .000 . N 31 31 ** Correlation is significant at the 0.01 level (2-tailed). Correlations 课题总数 论文总数 课题总数 Pearson Co