第8章相关分析.ppt

* * 协方差为大的负值时，表示强的负线性相关关系。 * 对协方差的理解 cm kg mm kg 大于 基本结论：协方差受计量单位和数量级水平的影响，从而不能真实反映相关的程度。 * * * 相关系数（correlation coefficient）：是协方差与两变量标准差乘积的比值，是没有量纲的、标准化的协方差。 总体相关系数 样本相关系数 常数 一致估计量 * * * Spearman等级相关系数: 用来度量定序变量间的线性相关关系。例如，不同年龄段与不同收入段等。 Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。 * 设计思想： 利用秩(数据的排序次序)。认为:如果x与y相关,则相应的秩Ui、Vi也具有同步性. 首先得到两变量中各数据的秩( Ui、Vi), 利用数据的秩（ Ui、Vi ）代替原始数据（xi ,yi）代入Pearson r公式中，有： * 编号 X Y 1 2 27 2 1 14 3 3 19 4 7 47 5 5 22 * 编号 X Ui Y Vi Di D2 2 1 1 14 1 0 0 1 2 2 27 4 －2 4 3 3 3 19 2 1 1 5 5 4 22 3 －1 1 4 7 5 47 5 0 0 * 当两变量为完全负线性相关时，Ui+Vi =n+1 当两变量为完全正线性相关时，Ui=Vi , 达到最小为0，r=1； 达到最大为 * 若两变量存在强正相关性,则Di2应较小,秩序相关系数较大，趋向于1； 若两变量存在强负相关性,则Di2应较大, 秩序相关系数为负，绝对值较大； 若两变量的相关性较弱，它们秩的变换不具有同步性，于是Di2应较大， r 趋向于0。 * Kendall 相关系数: 度量定序变量间的线性相关关系。 计算步骤： 首先计算一致对数目(U)和非一致对数目(V)； 如: 对x和y求秩后为: x: 2 4 3 5 1 y: 3 4 1 5 2 x的秩按自然顺序排序后: x: 1 2 3 4 5 y: 2 3 1 4 5 然后计算Kendall相关系数： * 若两变量存在正强相关性,则V较小,秩序相关系数较大;若两变量存在强负相关性,则V较大,秩序相关系数为负,绝对值较大。 * 相关系数检验 一般情况下，总体相关系数是未知的，通常用r作为 的近似值。但由于r 是根据样本计算出来的，它受抽样误差的影响。由于抽取的样本不同，r 的取值也不同，能否用r说明总体的相关程度呢？ 这就需要考查r 的可靠性也就是进行显著检验 (1)H0 : 两总体不存在线性相关 (2) 构造统计量 * 简单相关系数 Spearman系数,大样本 下,近似正态分布 kendall系数,大样本 下,近似正态分布 Pearson系数,服从自由度为n-2的t 分布 * (3)计算统计量的值，并得到对应的相伴概率p-。 (4)结论: 如果 ，则拒绝H0，两总体存在线性相关; 如果 ，不能拒绝H0。 * 注意： 即使统计检验表明相关系数在统计上是显著的，并不一定意味着两个变量之间就存在重要的相关性。 因为在大样本情况下，几乎总是导致相关系数显著。 比如r=0.1, 在大样本下，也可能使得r 通过检验。这就很难说明两个变量间就有实际意义上的显著关系。 * SPSS操作 (1) Analyze→Correlate→Bivariate. (2)选择参加计算相关系数的变量到[Variables]框中. (3)在[Correlation Coefficients] 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概率P-值还是单尾概率P-值. tow-tailed：输出双尾概率P- one-tailed：输出单尾概率P- * （5）选中[Flag significance of correlations]选项表示分析结果中输出星号标记，以标明变量间的相关性是否显著。不选中则不输出星号标记。 *表示检验值发生的概率小于等于0.05,即总体无相关的可能性小于0.05; **表示检验值发生的概率小于等于0.01,即总体无相关的可能性小于0.01; **比*，拒绝原假设犯错误的可能性更小. * （6）Options按钮中的选项 statistics选项:选择输出哪些统计量。