第十二讲__列联表(二).pptVIP

第十二讲 列联表（二）－列联强度 χ2检验 变量之间的关系 定类变量—定类变量 定序变量—定序变量 定距变量—定距变量 定类变量—定序变量 测量法是什么？ 定类变量—定距变量 定序变量—定距变量 知识点： 一、 2×2表——f系数和Q系数 二、 r×c表——以χ2为基础的关系强度系数 Phi系数 列联系数C V系数 三、r×c表——以PRE为基础的关系强度系数 λ系数 τ系数 一、 2×2表——f系数和Q系数 1.“ad-bc”的意义； 2. f系数 3. Q系数 1.1 “ad-bc”的含义 当变量间无相关的时候，存在变量的条件分布和边缘分布相同。 根据变量独立的要求有 a b a + c b + d ad = bc 1.2 f系数 1.3 Q系数 二、r ×c表——以χ2为基础的相关性测量 复习一下χ2公式： 2.1 f系数 公式： 不足之处： F值没有上限，这样系数间就缺乏了比较 2.2 列联系数C 公式 2.3克拉默V系数 公式： 例题 参看教材P297 例题3 三、PRE相关系数 1.什么是PRE（消减误差比例）？ 2. λ 系数 3. τ系数 3.1.1 PRE相关系数的含义 PRE（Proportionate reduction in error）消减误差比例： 我们在预测或解释社会现象y时，难免会有误差（错误），假定另一种社会现象x与y是有关系的，我们可以根据x的值来预测y的值，理应可以减少若干误差，PRE系数值表示的就是x对y的误差的消减程度。 3.1.2 理解PRE 如假定不知道x的值，我们在认识y时的全部误差是E1。我们知道x的值，可以根据x的值来认识y的值时的误差的总数(不可认知的部分）为E2，那么用x的值来预测y的值时减少的误差就是E1-E2，这个值（ E1-E2 ）与y全部误差的比例，则称谓消减了的误差比例. 3.1.3 PRE的基本公式 E1：不知道x与y有关系时，预测y所产生的全部误差； E2：知道x与y有关系时，x预测y所产生的误差 3.1.4 PRE值的取值范围 1、PRE的取值范围是[0，1]； 2、E2=0，则PRE=1，x与y是全相关，用x解释y时不会产生误差 3、E1=E2，则PRE=0，x与y是无相关，用x来预测y时产生的误差等于不用x来预测y时的误差 3.1.5 PRE值的意义 两个变量之间关系的大小 用一个变量预测另一个变量能消减的误差比例 4、两个定类变量： λ系数， τ系数 (1) λ系数 基本逻辑：用一个定类变量的值来预测另一个定类变量的值时，如果以众数作为测量的准则，可以减少多少误差。 消减的误差在全部误差中所占的比例越大，就表示两个变量的相关越强 λ 系数以众数为预测准则； λ 系数以众数为预测准则 假定x是自变量，y是因变量，公式中的分母表示在不知道x值的情况下来预测y值时所产生的全部误差，即E1=n-My 公式中的分子，表示根据x值来预测y的众值时所能减少的误差，其计算的方法是：E1-E2=(n-My)-(n-∑my)= ∑my-My 公式： （1）、不对称形式： My=Y变项的众数次数 my=X变项的每个值（类别）之下Y变项的众数的次数 n=全部个案数 n-My=不知道x值的情况下预测Y值产生的误差 分子E1-E2=（n-My）-（n-∑my）= ∑my-My 例1：分析性别与理想志愿之间的关系 （2）对称形式：不确定两个变量的影响方向 My=Y变项的众数次数 Mx=X变项的众数次数 mx=Y变项的每个值（类别）之下X变项的众数次数 my=X变项的每个值（类别）之下Y变项的众数次数 n=全部个案数 例：青年的教育期望与父母的教育期望 例题四：参见教材Ｐ302 特例：如下表，72.4%的制造业工人和64.3%的服务业人员注重物质报酬，职业类型与价值取向是略有影响的，但是 2、τ系数（参见教材P304-307） 不对称测量法 系数值介于0-1之间 计算系数时包括了所有的边缘次数和条件次数 如果是不对称关系最好选用tau-y计算 计算过程：先求出E1和E2，计算消减误差的比例 n=全部个案数目 f=某条件次数 Fy=Y变项的某个边缘次数 Fx=X变项的某个边缘次数 E1：如果不知道x，则每次预测y变量时的错误机率是（n-Fy）/n，乘以Fy表示y值时的错误总数，y变量有多个值，将各值的错误总数相加起来就是E1； E2：如果知道x变量（如某一性别），则预测y值时的