十一两变量关联性分析.pptVIP

第十一章 两变量关联性分析 线性相关 秩相关 分类变量的关联性分析 之前研究的都是同一变量在不同处理组间的比较。但在实际工作当中往往需要对两个随机变量之间的关系进行研究。如：血压与年龄、体温与脉搏。 回归 ---- 变量间的依存关系 相关 ---- 变量间的互依关系 相关关系与确定性关系 确定性关系：两变量间的函数关系 圆的周长与半径的关系： C＝2?R 非确定性关系：两变量在宏观上存在关系，但并未精确到可以用函数关系来表达。 年龄与血脂的关系； 身高与体重的关系； 一、线性相关 （一）线性相关的概念及其统计描述 1、散点图 例11－1 从散点图中可以直观的看出两变量间有无关系。 当各点趋势呈一条直线时称线性相关；当各点趋势不呈直线，但也是有规律的呈一曲线时，称为非线性相关。 一、线性相关 一、线性相关 一、线性相关 因为散点图能够直观的反映两变量间有无关系，所以在研究两变量间的关系时都应该先绘制散点图，之后再确定它们之间的量化关系。 一、线性相关 2、相关系数 定量的给出了两变量相关性强弱的度量指标。 Pearson积差相关系数 资料的要求：x,y均为正态分布的随机变量 它是说明相关的密切程度和方向的指标。 总体相关系数记为 样本相关系数记为 一、线性相关 一、线性相关 一、线性相关 相关系数的计算实例： 例11－2 一、线性相关 （二）相关系数的统计推断 由样本的相关系数不为零，推断总体的相关系数是否为零。 一、线性相关 相关系数统计推断的步骤： 1、建立假设 H0：ρ=0 H1: ρ≠0 ?=0.05 2、确定统计量 a:直接以r作为统计量 b:采用t检验 一、线性相关 3、确定P值，作出统计推断 a:查r界值表（附表13） υ＝n-2 b:查t界值表 υ＝n-2 一、线性相关 （三）线性相关应用中应该注意的问题 1、样本相关系数接近零，不意味两变量一定无相关性。如存在非线性的曲线联系 2、一个变量的数值人为选定时不能作相关。 3、当出现异常值时慎用相关。 4、相关未必存在因果关系。 二、秩相关 Pearson积差相关要求X,Y均服从正态分布。对不服从正态分布、总体分布未知或原始数据用等级表示的资料采用秩相关（等级相关）来度量两变量间相关的程度与方向。称为Spearman秩相关。 利用两变量的秩次大小作线性相关分析。 以两变量对应的秩次代替变量值本身带入Pearson积差公式得到Spearman秩相关系数。 例11－4 二、秩相关 二、秩相关 秩相关系数的统计推断 由样本的秩相关系数不为零，推断总体的相关系数是否为零。 二、秩相关 秩相关系数统计推断步骤： （与Pearson相关系数统计推断的步骤相同） 统计量为rs ，通过查rs界值表（附表14）得到P值。 积差相关与秩相关的联系与区别 联系： 两者均刻画了两变量间线性相关的方向与密切程度，取值范围与数值大小的统计学意义解释相同 Spearman秩相关系数可用对秩次的Pearson积差 相关系数计算来实现 区别： Pearson积差相关要求数据服从正态分布，属于参数统计量；而Spearman秩相关不要求正态分布，属非参数统计量 两者总体参数的检验方法不完全相同 三、分类变量的关联性分析 对定性变量之间的联系通常用交叉分类计数所得的频数资料作关联性分析 （一）交叉分类2×2表的关联分析 将一份随机样本同时按两种属性分类统计其频数。检验这个变量之间的关联性。 （要与第七章中两样本率的比较分清，两份独立样本，检验的是两个总体的概率分布是否相同） 三、分类变量的关联性分析 三、分类变量的关联性分析 三、分类变量的关联性分析 交叉分类资料的独立性检验与比较两独立样本频数的假设检验所用的 检验公式和自由度完全相同。 只是这两类问题的研究目的、设计方案以及最后对结果的解释都是不同的。 三、分类变量的关联性分析 两变量关联性检验的步骤：例11－6 1、建立假设 H0：两变量互相独立 H1: 两变量有相关性 ?=0.05 2、计算 统计量 使用四个表的专用公式 三、分类变量的关联性分析 3、确定P值，作出统计推断 查 界值表，自由度为1。 两变量关联性检验只能说明两变量之间是否存在关联性，而两变量关联的程度则用Pearson列联系数度量。 三、分类变量的关联性分析 （二）2×2配对资料的关联性分析 配对资料的独立性检验与交叉分类2×2表的关联性分析大致相同。同样使用四格表专用公式