第8章_SPSS的相关分析.ppt

统计分析与SPSS的应用 第8章 SPSS的相关分析 8.1 相关分析 变量间的关系 函数关系 统计关系 相关分析工具 散点图 相关系数及其假设检验 简单相关系数 偏相关系数 8.2 散点图 以点的形式将数据绘制在直角平面上，可以直观地观察变量间的关系和可能的趋势. 8.2.2 散点图的绘制 散点图类型： Simple(简单散点图) Overlay(重叠散点图)：在一张图中重叠绘制若干对变量的散点图(用不同的颜色标识) Matrix(矩阵散点图)：用矩阵形式输出若干个变量中每一对变量之间的散点图。 3-D(三维散点图)：用三维空间中的点表示的三个变量值的散点图。 Simple Dot(简单点图)：单个变量的点图(单个变量的频数分布图) 8.2.2 散点图的绘制 绘制命令： Graphs\scatter/Dot 主要操作内容： 选择散点图类型 选择Y轴变量 选择X轴变量 选择分类标识变量(Set Markers by,可省) 选择散点标签变量(Label Cases by,可省) 选择行(列)分页变量(Panel by,可省) 8.2.2 散点图的绘制例 案例8－1： 8.3　计算相关系数 相关系数的意义 较准确地衡量两个变量间的线性相关程度。 应用相关系数需要注意的问题： 只能衡量线性相关，不能衡量非线性相关 例：(x,y): (-1,-1) (-1,1) (1,-1) (1,1), r=0,x2+y2=2 极端值会影响相关系数的准确性 例： (1,1)(2,2)(3,3),(4,4),(5,5),(6,1)，r=0.33,x=y除了(6,1) 8.3　计算相关系数 相关系数分析的一般步骤： 计算样本相关系数 －1≤r≤1，|r|=1:完全相关; r=0:无线性相关; |r|＞0.8:强相关; |r|＜0.3:弱相关 利用样本数据对总体相关系数进行假设检验 H0：ρ＝0，H1： ρ≠0 8.3.2　相关系数的类型 简单相关系数(Pearson) 两个定距尺度变量间相关程度的衡量指标 相关分析中两个变量都是随机变量 相关分析中两个变量是对称的 简单相关系数无量纲 只能衡量线性相关关系 8.3.2　相关系数的类型 Spearman等级相关系数 用来度量定序变量间或定序与定距变量间的线性相关关系 思想：定序数据的数值没有意义，因此改用数据的秩。如果x与y有相关性，则它们的秩R(x)与R(y)具有同步性。 计算步骤： 分别计算两个变量值的秩R(xi)和R(yi)； 计算两变量秩的简单相关系数； 化简可得： 8.3.2　相关系数的类型 Kendall τ相关系数 用来度量定序变量间或定序与定距变量间的线性相关关系 一致数对与非一致数对 对于数对(x1,y1)和(x2,y2) 如果(y2-y1)/(x2-x1)＞0，则称这两个数对是一致的； 如果(y2-y1)/(x2-x1)＜0，则称这两个数对是非一致的； 8.3.2　相关系数的类型 Kendall τ相关系数 假设配对样本:x1,x2,…,xn，y1,y2, ,…,yn中一致数对的数目为U和非一致数对的数目为V　 基本原理： 如果x和y正相关，则U应较大，而V较小。特别V＝0时，相关系数等于1； 如果x和y负相关，则U应较小，而V较大。特别U＝0时，相关系数等于－1； 如果x和y不相关，则U和V应比较接近，特别U＝V时，相关系数等于0。 8.2.3　相关系数的假设检验 利用样本数据对总体相关系数是否是显著的进行假设检验。 检验假设： H0:ρ＝0，H1:ρ≠0 检验统计量 Pearson相关系数 Spearman等级相关系数 Kendall τ相关系数 8.2.4 相关系数分析应用例 案例8-1续(P269) Analyze\Correlate\Bivariate 选择分析变量(Variables) 选择相系数类型(Correlation Coefficients) 选择单侧检验还是双侧检验(test of significance) 必要时，选择输出其他统计指标(Option) 8.2.4 相关系数分析应用例 8.2.4 相关系数分析应用例 8.3 偏相关分析 偏相关分析的意义 在控制了其他变量的影响下对两变量的相关分析 原因：虚假相关. 例：研究商品的需求量和价格、消费者收入之间的关系. 又如：粮食产量与平均气温、月降水量、平均日照时间、温度之间的关系的研究。 8.3 偏相关分析 偏相关系数的阶：在k个变量中， 零阶(偏)相关系数：简单相关系数 1阶偏相关系数：控制一个变量后，计算其余变量中每两个变量的偏相关系数； 2阶偏相关系数：控制两个变量后，计算其余变量中每两个变量的偏相关系数； ………… 8.3 偏相关分析应用例 案例8-1续(P273)控制家庭常住人口的影响