第三章 相关分析（SPSS v 16.0）.docVIP

第三章 相关分析 一、相关系数 人们用相关系数（correlation coefficient）来描写变量之间的相关强度（correlation strength），用 r 表示。相关系数的绝对值在 0 和 1 之间。不相关（no correlation）；正相关（positive correlation）；负相关（negative correlation）。 线性相关（linear correlation）。 Pearson ((Spearman 相关系数。只是一个描述性统计量。然而，借助于 SPSS 可以对样本作相关统计性检验。因此，报告研究结果的时候，除了相关系数之外，还需明确报告相关关系的显著性水平。 变量之间相关关系的效应大小就是相关系数本身。在认知心理学领域，效应大小的三个等级分别为：0.10、0.30 和 0.50 N-1，便是两个对应变量的相关自由度。如果要在 0.05 显著性水平下达到 80% 的统计功效，那么，对应这 3 个效应大小等级，每个样本计划大小应该分别至少是：783、85 和 28。 【相关分析·例 1】 假如甲乙两位英语教师共教授 105 名学生，在一次期末考试中，他们分别批改了全部学生的作文（满分为 15 分），批阅分数如表 3-1 所示。问两位老师对学生的作文评价是否相关。 表 3-1 甲乙两位教师分别对 105 个学生作文的评价分数 编号 教师甲 教师乙 1 13 13 2 8 13 3 10 10 … … … 105 8 11 表 3-1-1 甲乙两位教师分别对 105 个学生作文评价分数的 SPSS 表格结构 〖操作〗bivariateCorrelation1.sav。执行 Analyze ( Correlate ( Bivariate，系统将弹出两变量相关分析主窗口（Bivariate Correlations），如图 3-1 所示。在变量名列表中分别选中 和 ，点击 ，把 和 移动到 下的变量列表中，如图 3-1-1 所示。点击 。 图 3-1 相关分析设置窗口 1 图 3-1-1 相关分析设置窗口 2 〖结果与解释〗 【结果报告】 Pearson 相关分析表明，甲乙两位教师对其学生作文的评价分数显著相关，r=0.68，p0.001。 【相关分析·例2】 某班有学生 45 人，半年之内参加了 8 次英语学习小测验，每个学生的每次测验分数如表 3-2 所示。任课教师想一次运算就完成对学生各次测验分数之间的相关情况分析，那么，如何用 SPSS 实现呢?。 表 3-2 某班 45 名学生某学期 8 次英语小测验的成绩 编号 测验1 测验2 测验3 测验4 测验5 测验6 测验7 测验8 1 6 5 7 6 3 6 9 15 2 10 10 7 6 9 7 11 18 3 10 7 8 9 7 7 12 19 … … … … … … … … … 45 8 9 9 8 10 8 12 20 表 3-2-1 某班 45 名学生某学期 8 次英语小测验的成绩的 SPSS 表格结构 〖操作〗bivariateCorrelation2.sav。出了以下一点致外，其他操作同上：在变量相关分析主窗口中，把所有拟分析变量移动到 下的变量列表中，如图 3-2 所示。点击 ，将获得各次测验分数之间两两相关的相关系数矩阵。 图 3-2 相关分析设置主窗口 〖结果与解释〗 【结果报告】 Pearson 相关分析表明，8 次测验分数之间的两两相关均达到显著性水平。在 28 个相关关系中，相关系数大于 0.6 的有 17 个，占 61%，相关系数小于 0.5 的有 8 个，占 29%。28 个相关关系中显著性水平高于 0.01 的只有 3 个，表现在第 3 和第 5 次（r=0.378，p=0.011）、第 4 次和第 5 次（r=0.343，p=0.021）以及第 5 次和第 6 次（r=0.302，p=0.044）测验分数之间。 二、一元线性回归分析 人们常常会有这样的经历：根据一种现象对另一相关现象做出某种推测。如，某人身高 180 公分，那么，他/她的体重事会是多少呢？一般情况你不可能回答说 50 公斤以下。 回归分析（regression analysis）。实现根据一个变量的变化对另一个变量变化趋势的预测。 通常，要根据研究需要，明确哪个变量为预测变量（predictor variable），哪个变量为被预测变量（criterion variable）。如果 X 和 Y 所代表的总体之间有线性相关关系，且总体 Y 服从正态分布，那么，可以建立一元线性回归方程 =α+βX，其中，α 为回归常数（regression constant），β 为回归系数（r