ch10第十章 相关分析.pptVIP

第十章 相关分析 简单相关分析 偏相关分析 距离分析 10.1 相关分析概述 相关分析中，变量y与x处于平等地位。 相关关系可以通过绘制散点图和计算相关系数来描述和测定。 散点图可以直观描述两个变量间的大致关系，可以看出关系形态和联系的紧密程度。相关系数可以准确测定两个变量间的线性相关关系。 相关系数比较： 1.皮尔逊相关系数 Pearson 适合计量资料 简单相关系数的测定 2.斯皮尔曼相关系数 Spearman 适合等级资料，测两个等级变量 3.复相关系数 计量资料，一个因变量与多个自变量的相关系数 4.偏相关系数 计量资料，测定多元回归中，其他自变量固定不变，单个变量同因变量间的相关系数 10.2 二元相关分析 二元相关分析是最常用的相关分析工具，可以对多个变量计算相关系数矩阵。能够计算的相关系数包括Pearson相关系数、Spearman相关系数和Kendall协和系数。 1.Pearson简单相关系数 2.Spearman等级相关系数 U、V代表两个变量等级 当两个变量数据分别很不均匀时，用Spearman相关系数能更好地描述两个变量间的相关关系。 10.2 二元相关分析 例1：某地一年级12名女大学生的体重与肺活量数据如下，试分析二者有无直线相关关系。 数据见 体重与肺活量.sav 两个变量均为计量变量，可以选择 Pearson相关系数、 Spearman相关系数 Analyzecorrelatebivariate 分析变量选 肺活量和体重 相关系数选 Pearson和Spearman 得到输出结果。 10.2 二元相关分析 得到输出结果。 以矩阵形式输出相关系数，并进行了显著性检验。 Pearson相关系数为0.741，显著。 Spearman等级相关系数为0.806，更加显著。 10.2 二元相关分析 练习1：根据刚才的体重和肺活量数据，继续分析体重、肺活量和身高三者的相关关系。 练习2：请打开 职工信息.sav，试分析当前工资、初始工资、教育年限和工作时间之间的联系。 10.3 偏相关分析 前面我们分析了身高、体重和肺活量三者间具有很强的相关关系，但这这些联系是否都是直接联系呢？用偏相关分析测定 首先测定身高和肺活量间是否有直接本质联系 Analyzecorrelatepartial 分析变量为 身高、肺活量 控制变量(协变量) 体重 单击Option 选 Zero Order Correlations(零阶相关系数) 得到直接相关系数矩阵和偏相关系数。 10.3 偏相关分析 1.零阶相关系数 Zero Order Partials 肺活量 身高 体重 肺活量 1.0000 .6401 .7997 ( 0) ( 10) ( 10) P= . P= .025 P= .002 身高 .6401 1.0000 .7713 ( 10) ( 0) ( 10) P= .025 P= . P= .003 体重 .7997 .7713 1.0000 ( 10) ( 10) ( 0) P= .002 P= .003 P= . (Coefficient / (D.F.) / 2-tailed Significance) . is printed if a coefficient cannot be computed 10.3 偏相关分析 2.偏相关系数 控制变量Controlling for.. 体重 肺活量 身高 肺活量 1.0000 .0609 ( 0) ( 9) P= . P= .859 身高 .0609 1.0000 ( 9) ( 0) P= .859 P= . (Coefficient / (D.F.) / 2-tailed Significance)