第8章典型相关分析.docVIP

ＳPＳＳ中的典型相关分析 在介绍典型相关分析之前,我们先来看一下二元变量相关分析。在相关分析中，经常用到二元变量相关分析，他所研究的是两个观测量之间的相关关系，这种关系称为单相关。调用Analyze菜单下Correlate项中的Bivariate，通过选择不同的分析方法可调用不同的分析过程。 时序 年份 零售总额（百万元） 居民收入（百万元） 全市总人口（万人） 1 1978 66.52 65.11 78.04 2 1979 73.85 66.15 80.94 3 1980 78.88 68.97 82.96 4 1981 86.18 77.66 85.05 5 1982 99.54 89.12 86.80 6 1983 107.94 93.51 88.58 7 1984 110.66 92.07 89.94 8 1985 109.04 91.42 91.05 9 1985 111.39 87.88 92.06 10 1987 115.30 87.56 92.99 11 1988 132.43 106.08 94.20 12 1989 174.19 155.36 95.10 13 1990 207.61 184.82 95.80 14 1991 229.37 193.98 96.57 15 1992 251.24 233.43 97.69 本例操作步骤： 建立数据文件，定义变量 在数据文件管理窗口中，点击Analyze，展开下拉菜单，再点击Correlate中的Bivariate，进入Bivariate Correlations对话框。 Correlation Coefficient:分析方法选项 Test of Significance:选择显著性检验类型 Flag Significance Correlations:标明显著水平 在本例中,在原变量列框中，选中retail, income, populace,点击右箭头按钮，使之进入Variables框中.分析方法选择Pearson,双尾检验。 点击options按钮,进入options对话框.在对话框中,有两项选择项 Statistics:统计量选择项 Missing Values:缺失值的处理方法选择项 在本例中，选择均值与标准差和叉积离差阵和协方差阵两项，缺失值的处理用默认项。 结果分析： Descriptive Statistics：描述统计表 Correlations：显示了他们之间的Pearson相关系数,1%的显著水平的双尾检验概率值，叉积离差阵和协方差阵。从表中可以看出，社会零售总额与居民收入之间的相关系数为0.991，双尾检验的概率值为0，小于1%,即相关程度是显著的，叉积离差值为42403.443，协方差为3028.817。社会零售总额与总人口的相关系数为0.850，双尾检验的概率值为0，小于1%,即相关程度也是显著的，叉积离差值为4141.9195，协方差为295.851；居民收入与总人口的相关系数为0.790，双尾检验的概率值为0，小于1%,，即相关程度也是显著的，叉积离差值为3498.399，协方差为249.886。因此可以说，该市从1978年到一九九二年社会零售总额、居民收入和总人口两两之间有着明显的线性关系。 在ＳPＳＳ中可以有两种方法来拟合典型相关分析，第一种是采用Manova过程来拟合，第二种是采用专门提供的宏程序来拟合，第二种方法在使用上非常简单，而输出的结果又非常详细，因此这里只对他进行介绍。该程序名为Canonical correlation.sps，就放在ＳPＳＳ的安装路径之中，调用方式如下： File----New-----Syntax INCLUDEC:\Program Files\SPSSInc\PASWStatistics18\Samples\English\Canonical correlation.sps. cancorr SET1=体重 腰围 脉搏 /SET2=单杠 仰卧起坐 跳高. SPSS 13 INCLUDEC:\Program Files\SPSS\Canonical correlation.sps. CANCORR SET1=体重 腰围 脉搏 /SET2=单杠 仰卧起坐 跳高. 结果解释： 系统首先给出的是运行提示 Matrix Correlations for Set-1 Correlations for Set-2 首先给出的是两组变量内部各自的相关矩阵，可见生理指标之间具有相关性、训练指标之间也有相关性。 Correlations Between Set-1 and Set-2 接着给出的是两组变量间各变量的两两相关矩阵，可见生理指标与训练指标之间确实存在相关性。