【大学课件】相关分析Correlation Analysis知识分享.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * Pearson相關係數 相關係數值的大小，可以反應兩個變項關聯性的強弱，但是相關係數是否具有統計上的意義，必須透過統計檢定來判斷。 由樣本計算兩變項之相關係數Pearson’s r，若要推論到母群? ，必須經由統計檢定由考驗其統計意義 虛無假設H0：兩變項X與Y不相關 （相關係數為0, ? ＝0） 對立假設H1：兩變項X與Y相關 （相關係數不為0, ? ?0） 當雙尾的機率p小於設定的顯著水準?（如0.05或0.01）時，則否定虛無假設，即相關係數不為零（兩變項相關） 以籃球得分為例。一個籃球隊獲勝場次與每場的平均得分有關連嗎？ 從散佈圖中可看出，它們具有線性關聯。我們再從 1994、1995 NBA 球季分析資料得知，Pearson 的相關係數 (0.581) 在 0.01 水準時是有意義的。於是可能猜想，每季所贏得的場次愈多，則對手的得分愈少。這些變數為負相關 (0.401)，而相關在 0.05 水準時最顯著。 相關分析 程序1 統計圖?散佈圖 X軸放自變項；Y軸放依變項 例：X軸為教育程度，Y軸為目前薪資（dataset: employee） 由散佈圖可以很明顯地看出兩變數之相關程度。再由相關程序求出兩變數之相關係數 程序2 分析?相關? 雙變數 由散佈圖可以很明顯地看出教育程度與目前薪資有正線性相關。為測量兩變數之線性相關程度，以相關程序求出兩變數間之相關係數。 依Pearson相關係數可知，教育程度和目前薪資的相 關係數為為0.661，P值為0.000。當顯著水準為0.01時，可以得到教育程度與目前薪資有顯著相關的結論。 相關係數 對於定量、常態分配的變數而言，請選擇「Pearson」相關係數。 如果資料不是常態分配，或已依類別排列，請選擇「Kendall‘s tau-b」或「Spearman」，以便測量等級排列之間的關聯。 Spearman’s Rho（?）等級相關係數（順序變項） Kendall‘s tau-b （?）等級相關係數（concordant和諧） 相關係數範圍的值在 1 (一百分比負關聯) 到 +1 (一百分比正關聯) 之間。其中，數值 0表示沒有任何線性關係。 在解析結果時，請不要因為顯著的相關，而逕下任何跟因果相關的結論。 Concordant：若某一觀察值的兩個變項值皆大於(或皆小於另一觀察值時)，則稱此對觀察值為「一致」 (Concordant)。 Discordant：若一觀察值的第一變項值大於另一觀察值，而第二變項值小於另一觀察值時，則稱此對觀察值為「不一致」(discordant)。 Tied：若兩觀察值的一個變項或兩個變項值相等時，則稱此對觀察值相等(tied)。? 相關係數 皮爾森相關（Pearson） 由於Pearson樣本相關係數（?）之機率分配會依配對隨機變數（X,Y）之機率分配而變，所以沒有固定的分配，因此在做假設檢定時，一般是假設（X,Y）具有二元的常態分配。 Pearson相關係數之大小，可看出兩變項關係的密切程度。相關係數愈高，兩變項之關係愈密切，愈低表示愈不相關。 Spearman’s Rho（?）等級相關係數 相關顯著性訊號 相關係數在 .05 水準顯著時，會以一個星號標示，而在 .01水準顯著時，會以兩個星號標示。 等級觀察值 轉換＞等級觀察值 等級變項之相關係數為Spearman相關係數 多個雙變量相關分析 負相關 沒有相關 淨相關與部份相關 如果兩個連續變項之間的關係，可能受到第三個變項干擾時，也可以以共變分析的做法，將第三個變項進行統計上的控制。 淨相關 在計算兩個連續變項X1和X2的相關時，將第三變項（ X3 ）與兩個相關變項的相關X13和X23 ，加以排除之後的單純相關，以X12.3來表示。 部份相關 淨相關是將第三個變項與兩個連續變項X1和X2的相關完全排除之後，計算的單純相關。如果在計算排除效果時，只處理第三變項與X1和X2當中的一個變項的相關時，所計算出來的相關係數，稱之為部份相關(partial correlation) ，或稱半淨相關(semipartial correlation)。 同時測得學生的期中考、期末考成績，以及統計焦慮分數，請問期中考與期末考成績的淨相關如何？兩個部份相關又如何？ 程序： 分析＞相關＞偏相關 選項＞勾選零階相關 成對排除遺漏值 零階相關係數 期中考與期末考的Pearson相關為.8219, p=.004達到顯著水準。顯示期中考與期末考成績具有高度相關。 焦慮與期中考的相關為-.8145，