第7章 SPSS相关分析.pptVIP

Step07：单击确定按钮，结束操作，SPSS软件自动输出结果。 7.2 SPSS在简单相关分析中的应用 7.2.3 实例分析：股票指数之间的联系 1 实例内容 道琼斯工业平均指数（DJIA）和标准普尔指数500（SP 500）都被用做股市全面动态的测度。DJIA是基于30种股票的价格动态；SP 500是由500种股票组成的指数。有人说SP 500是股票市场功能的一种更好的测度，因为它基于更多的股票。表7-2显示了DJIA和SP 500在1997年10周内的收盘价。请计算它们之间的样本相关系数。不仅如此，样本相关系数告诉我们DJIA和SP 500之间的关系是怎样的？ 7.2 SPSS在简单相关分析中的应用 2 实例操作 表给出了道琼斯工业平均指数和标准普尔指数在同一时间点的数值。由于这些数值都是连续型变量，同时根据两个股票指数的散点图（图7-4）可见它们呈显著的线性相关，因此可以采用皮尔逊相关系数来测度它们之间的相关性。但为了比较，我们也计算了这两组变量的肯德尔和斯皮尔曼相关系数。 7.2 SPSS在简单相关分析中的应用 7.2 SPSS在简单相关分析中的应用 3 实例结果及分析 （1）描述性统计分析表 执行完上面的操作后，首先给出的是当前样本进行描述性统计的结果表7-3。可以看到样本容量都等于10，道琼斯工业平均指数和标准普尔指数的平均均值分别为7743.60和945.10，两者差距显著。同时，两者的方差差距也很明显。 均值 标准差 N DJIA 7743.60 197.326 10 SP 945.10 19.947 10 7.2 SPSS在简单相关分析中的应用 （2）皮尔逊相关系数表 接着SPSS列出了道琼斯工业平均指数和标准普尔指数的皮尔逊相关系数表7-4。可以看到，两种指数的皮尔逊系数值高达0.995，非常接近1；同时相伴概率P值明显小于显著性水平0.01，这也进一步说明两者高度正线性相关。 DJIA SP DJIA Pearson 相关性 1 0.995** Sig. （双侧） 0.000 N 10 10 SP Pearson 相关性 0.995** 1 Sig. （双侧） 0.000 N 10 10 7.2 SPSS在简单相关分析中的应用 （3）非参数相关系数表 表7-5列出了两种股票指数的肯德尔和斯皮尔曼相关系数，分别等于0.994和0.985；同时它们的概率P值也远小于显著性水平。但本案例中，斯皮尔曼相关系数和肯德尔相关系数都小于皮尔逊相关系数，显然这是由于在秩变换或数据按有序分类处理时损失信息所导致的。 所以，通过以上分析看到，道琼斯工业平均指数和标准普尔指数具有高度正相关性，一个指数的上涨或上跌时，另一个指数也会伴随着上涨或下跌。 7.2 SPSS在简单相关分析中的应用 表7-5 非参数相关系数表 DJIA SP 相关系数 1.000 0.944** Kendall’s tau_b DJIA Sig. （双侧） 0.000 N 10 10 相关系数 0.944** 1.000 SP Sig. （双侧） 0.000 N 10 10 相关系数 1.000 0.985** Spearman’s rho DJIA Sig. （双侧） 0.000 N 10 10 相关系数 0.985** 1.000 SP Sig. （双侧） 0.000 N 10 10 7.2 SPSS在简单相关分析中的应用 7.3.1 偏相关分析的基本原理 1、方法概述 简单相关分析计算两个变量之间的相互关系，分析两个变量间线性关系的程度。但是现实中，事物之间的联系可能存在于多个主体之间，因此往往因为第三个变量的作用使得相关系数不能真实地反映两个变量间的线性相关程度。例如身高、体重与肺活量之间的关系，如果使用皮尔逊相关计算其相关系数，可以得出肺活量、身高和体重均存在较强的线性相关性质。但实际上呢，对体重相同的人而言，身高值越大其肺活量也不一定越大。因为身高与体重有着线性关系，肺活量与体重有着线性关系，因此得出了身高与肺活量之间存在较强的线性关系的错误结论。偏相关分析就是在研究两个变量之间的线性相关关系时控制可能对其产生影响的变量。 7.3 SPSS在偏相关分析中的应用 2、基本原理 偏相关分析是在相关分析的基础上考虑了两个因素以外的各种作用，或者说在扣除了其他因素的作用大小以后，重新来测度这两个因素间的关联程度。这种方法的目的就在于消除其他变量关联性的传递效应。 偏相关系数在计算时可以首先分别计算三个因素之间的相关系数，然后通过这三个简单相关系数来计算偏相关系数，公式如下： 上式就是在控制了第三个因素的影响所计算