相关性研究及其分析过程.pptVIP

第六章 相关性研究及其分析过程 * 事物是普遍联系的，人的心理和行为也与人的许多内外因素相联系，因此表现出复杂性的一面和随机性的一面。对人的心理和行为与对其有影响的内外因素的关系进行分析是揭示心理活动规律和机制的重要途径，而相关分析是其中初级的但很重要的部分。相关分析可以发现变量间的共变关系（包括正向的和负向的共变关系），一旦发现了共变关系就意味着变量间可能存在两种关系中的一种： 第一，因果关系(两个变量中一个为因、一个为果)； 第二，存在公共因子（两变量均为果，有潜在的共因）。 心理学的许多研究就是为了寻找这些因果关系，或者是寻找公共因子。由此可见，相关研究是非常有用的，它是许多深入研究的初始阶段。 研究变量的相关关系，一般要在自然条件或实验室条件下对一组被试进行观测，被观测的两个变量不是在研究者操纵下发生变化，而都是自然地发生变化。观测之后可得到两列数据，于是可分析二者的变化关系，分析的角度主要包括下述三个方面： 1．? 相关的方向：同时增加或减少，或是一增另一则减； 2．? 相关的形式：线性或非线性； 3．? 相关的程度或强度：“相随”变化的“亲密”程度。 相关的符号（正或负）确定了相关的方向。正相关表示两个变量 x 和y 沿同一方向变化，当x递增，y也递增；当x递减，y也随之递减。负相关则表示x与y在相反方向上变化，即x增加时y减少，x值减少时y增加。 不同种类的相关可以衡量不同类型的关系 ，但是大多数相关都来源于皮尔森相关，它用来估计线性（直线）关系。迄今为止 ，皮尔森相关是最常用的相关关系，通常用字母r表示。 我们还可以用散点图来直观表达两个变量的变化关系 相关分析包括三大类：二元相关分析、偏相关分析和距离相关分析。其中二元相关分析（ Bivariate Corr.）又可分为连续测量变量间的简单相关分析（离差相关分析）和离散变量间的等级相关分析两类。具体如下图所示： 二、二元变量相关分析（Bivariate Corr.) 二元变量间的相关分析，就是分析两个变量之间统计关系的强弱，它是直接使用同一样本两个观测系列观测值进行相关分析。如果两个变量都是连续测量的变量 ，则使用积差相关 , 即 Pearson 简单相关分析方法；如果两个变量是非连续性的离散的等级变量，或者虽然是连续变量，但是只想知道二者在等级上的相关性，则是等级相关，即Spearman相关或Kendall’s tau-b相关。 在相关系数显著性检验中 ，Pearson 相关显著性检验的自由度为 df=n-2；等级相关接近正态分布，其显著性检验不需自由度。 此外，需要注意的是：相关研究中，样本一般要大于30（样本内部同质性越小，样本容量需要越大）。 1. 连续变量间的Pearson相关分析过程 演示 2. 非连续变量间的相关分析过程 演示 三、偏相关分析 直接的相关分析所得到的是两个变量间的共变关系，它反映了这两个变量间相互作用的关系或共同受到某一潜在因素影响的强弱，但是这种关系未必纯粹。比如物理与数学成绩的相关不是纯粹反映物理与数学的关系的，因为物理成绩可能还与语文成绩这一“第三者”有关。为了在剔除语文成绩影响的情况下，找到物理与数学的相关性，这时就要使用偏相关(Partial Corr.)分析方法以对“第三者”施加“管制”。在对偏相关进行显著性检验时，其自由度为n-3。在计算偏相关时点击对话框上的“Options”，然后选中“Zere-order correlations”则同时输出简单相关。 一般来说，简单相关系数和偏相关系数相比，前者有夸大的成分，后者更符合实际。 Partial Corr.的过程演示 四、距离相关分析 距离相关分析就是测量变量之间或个案之间测量的一致性程度。具体地说，如果变量间或个案间的相似性大或不相似性小，则说明二者的一致性程度高，否则二者一致性程度小。比如考察两个人个性特征的相似性程度、两个班级期末各科考试成绩的一致性、面试中考官评分的一致性等等，都可以使用距离相关分析来度量。 根据测量变量性质的不同，距离相关分析包括三种不同的情况：等距量表和比率量表测量的变量；顺序量表测量的变量；二项选择变量。在被测量变量的性质不同时，距离的计算方法也有所不同，具体对应关系是： 等距或比率量表测量：欧氏距离或欧氏距离平方； 顺序量表或称名量表测量：卡方统计量； 二项选择变量：欧氏距离或欧氏距离平方。