点二列相关系数计算公式.PPT

* 用SPSS来计算例10-8中列联相关系数，其基本操作程序如例10-7（略），主要输出结果如表10-21和表10-22。 从输出结果可知， =2.158，Φ相关系数＝－0.113，且不具有统计显著性意义。 * 第四节 偏相关分析 偏相关：是指在多个变量中，剔除了（控制了）其中的一个或若干个变量的影响后，两个变量之间所存在的相关关系。 剔除了一个变量Z影响后，两个变量的偏相关系数 * 剔除了两个变量影响后，两个变量的偏相关系数 偏相关系数显著性检验的统计量构造： * 【例10-9】 以2010年我国31个省市城市人均消费性支出、地区生产总值和城市人均可支配收入的相关统计数据为依据，研究城市人均消费性支出与地区生产总值的关系。 * 采用SPSS进行运算基本程序如下： （1）将“城市人均消费性支出”设为变量Y、“地区生产总值”设为变量X1、“城市人均可支配收入”设为变量X2，在SPSS中录入对应的原始数据，建立SPSS数据文件。 （2）先计算Y与X1之间的Pearson相关系数，再计算偏相关系数。 （3）选择[Analyze] =[Correlate]=[Partial]（图10-14）。 * （4）进入[Partial]，将Y和X1输入[Variables]分析变量框，将X2 输入到[Controlling for]控制变量框（图10-15）。 * （5）单击[OK]进行分析，Pearson相关系数和偏相关系数输出结果如表10-24和表10-25所示。 * 从输出结果可知，城市人均消费性支出和地区生产总值之间的简单相关系数为0.474，在0.01的水平上具有统计显著意义。但在将城市人均可支配收入控制起来的条件下，城市人均消费性支出和地区生产总值之间的偏相关系数为-0.082，且不具有统计显著意义。 * 第五节 典型相关分析 典型相关分析（Canonical Correlation Analysis）由Hotelling于1936年在《生物统计》期刊上发表的论文“两组变量之间的关系”中首次提出，后来Cooley and Lohnes (1971), Kshirsagar (1972)和 Mardia, Kent, Bibby (1979) 等推动了典型相关分析的应用和推广。 * 一、典型相关分析的基本思想 典型相关分析是测度两组变量间整体相关关系的统计分析方法。与其他检测相关关系的统计方法(如Pearson简单相关分析、简单回归分析和多元回归分析等)一样，典型相关分析用来显示变量之间是否存在相互依存在的变化关系，但与简单相关分析(即验证两个单一的观测变量之间相关关系的分析方法)和多元回归分析(即验证多个自测变量与一个因变量之间相关关系的方法)不同，它验证一组变量与另一组变量之间的整体相关性，即一个变量组的综合结果与另一个变量组的综合结果之间是否存在相关。 * 例如：病人的各种临床症状与所患各种疾病之间的相关关系；原材料质量与产品质量之间的相关关系；居民的营养状况与其健康状况之间的相关关系；青少年生长发育和身体素质之间的关系；毕业生求职对用人单位的要求和用人单位招工的条件之间的相关关系；公务员的工作能力与工作绩效之间的关系；科技投入与科技产出间的关系等等。测度这些变量组之间的关系需要运用典型相关分析。 * * * * 二、运用SPSS进行典型相关分析 以科技投入与科技产出的典型相关分析为例。通过对这两组变量的典型相关分析来研究两者之间存在的内在关系。其中科技投入变量组由RD经费（X1）、科技经费支出额（X2）、RD人员（X3）和科学家工程师（X4）构成，科技产出变量组由发明专利授权量（Y1）、高技术产业规模以上企业产值（Y2）、高技术产品出口额（Y3）和技术市场成交金额（Y4）。考虑到科技投入与产出之间存在一定的时间延迟，我们假设该延迟时间为两年。所以，这里科技投入指标选用2007年数据，科技产出的指标选用2009年数据（原始数据如表10-27所示）。 * * 在SPSS中可以有两种方法来实现典型相关分析，一种是采用Manova过程来；另一种是采用专门提供的宏程序。第二种方法在使用上非常简单，而输出的结果又较为详细，这里介绍第二种方法。 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： INCLUDE 程序所在路径\Canonical correlation.sps. CANCORR SETl=第一组变量的列表 /SET2=第二组变量的列表. 在程序中首先应当使用include命令读入典型相关分析的宏程序，然