spss教程第三章相关分析与回归模型的建立与分析doc.doc

第三章 相关分析与回归模型的建立与分析 相关分析和回归分析是统计分析方法中最重要内容之一，是多元统计分析方法的基础。相关分析和回归分析主要用于研究和分析变量之间的相关关系，在变量之间寻求合适的函数关系式，特别是线性表达式。 本章主要内容： 对变量之间的相关关系进行分析（Correlate）。其中包括简单相关分析（Bivariate）和偏相关分析（Partial）））） 图3.1 Correlate 相关分析菜单 §3.1.1 简单相关分析 两个变量之间的相关关系称简单相关关系。有两种方法可以反映简单相关关系。一是通过散点图直观地显示变量之间关系，二是通过相关系数准确地反映两变量的关系程度。 §3.1.1.1 散点图 SPSS软件的绘图命令集中在Graphs菜单。下面通过例题来介绍具体操作方法。 例1：数据库SY-8中的变量X表示山东省人均国内生产总值，Y表示山东省城镇居民的消费额（资料来源：山东省2003年统计年鉴），现画出散点图来观察两个变量的关联程度。具体操作步骤如下： 首先打开数据SY-8，然后单击Graphs ? Scatter,打开Scatter plot散点图对话框，如图3.2所示。然后选择需要的散点图，图中的四个选项依次是： Simple 简单散点图 Matrix 矩阵散点图 Overlay 重叠散点图 3-D 三维散点图 图3.2 散点图对话框 如果只考虑两个变量，可选择简单的散点图Simple，然后点击Define，打开Simple Scatterplot对话框,如图3.3所示。 图3.3 Simple Scatterplot对话框 选择变量分别进入X轴和Y轴，点击OK后就可以得到散点图，见图3.4。 从下面输出的人均国内生产总值与城镇居民消费额的散点图3.4中可以粗略地看出，两个变量之间有强正相关的线性关系。 图3.4 散点图 §3.1.1.2 简单相关分析操作 简单相关分析是指两个变量之间的相关分析，主要是指对两变量之间的线性相关程度作出定量分析。仍然数据SY-8为例，说明居民收入与某商品的销售量两变量的相关分析过程，具体操作如下： 1、打开数据库SY-8后，单击Analyze ? Correlate? Bivariate 打开Bivariate对话框，见图3.5所示。 图3.5 Bivariate：Correlation 两变量相关分析对话框 2、从左边的变量框中选择需要考察的两个变量进入 Variables 框内，从Correlation Coefficients 栏内选择相关系数的种类，有Pearson相关系数，Kendall′s一致性系数和Spearman等级相关系数。从检验栏内选择检验方式，有双尾检验和单尾检验两种。 3、单击Options按纽，选择输出项和缺失值的处理方式。本例中选择输出基本统计描述，见图3.6所示。 图3.6 Bivariate Correlation：Options 对话框 4、单击OK，可以得到相关分析的结果。 从表3.1（a）可以得到两个变量的基本统计描述，从表(b)中可以得到相关系数及对相关系数的检验结果，由于尾概率就小于0.01，故说明两变量之间存在着显著的线性相关性。 表3.1（a） Descriptive Statistics Mean Std. Deviation N 城镇居民消费额（元） 2582.2800 2335.96384 25 人均国内生产总值（元） 3689.8800 3701.50798 25 表3.1（b） Correlations 城镇居民消费额（元） 人均国内生产总值（元） 城镇居民消费额（元） Pearson Correlation 1 .998(**) Sig. (2-tailed) . .000 N 25 25 人均国内生产总值（元） Pearson Correlation .998(**) 1 Sig. (2-tailed) .000 . N 25 25 ** Correlation is significant at the 0.01 level (2-tailed). 从表3.1（b）中可以看到两个变量相关性分析的结果：相关系数是0.998，相关程度非常高，且假设检验的P值远远地小于0.05，可以认为居民收入与某产品的销量存在线性正相关关系。 §3.1.2 偏相关分析 简单相关关系只反映两