统计学第6讲第6章—统计学的相关关系.pptVIP

* * 第6章 相关 6.1 相关的概念 1.请问今天各位同学为什么能坐在这里？ 答案：说明各位的高中成绩和高考分数过关了。几年后，用人单位会调查你的情况，判断你还有多少潜力可挖掘。甚至还会研究你的工作表现，以决定是否重用你，获得提升。 2. 相关系数(correlation coefficient) 对两个变量之间关系大小及其方向进行数量化表达的一个统计量。 3. 相关系数的类型： 等距或比率量表：Pearson 积矩相关系数 r . 顺序量表：Spearman等级相关系数 rs . 4. 相关系数的选择取决于下列因素 ⑴ 用来测量每个变量的量表类型 ⑵ 变量的内在分布特性(连续或离散) ⑶ 数据的分布特点 5 . 相关的共同特征 ⑴ 两列测量数据取自相同个体或事件，或者取自一定条件的配对样本 ⑵ 相关系数取值在－1～＋1之间变化，0.00表示两变量没有相关。 ⑶ 正相关(positive relationship) 意味着个体在一个变量上得分高(低)，在另外一个变量上得分也高(低)。 ⑷负相关(negative relationship) 意味着个体在一个变量上得分高(低)，在另外一个变量上得分低（高）。 ⑸ 高的相关并不意味着变量之间有因果关系。 春天来了，鸟儿越多，草儿越绿，对吗？ 图6-1 两变量之间不同相关程度的散点图 6.2 Pearson 相关系数 r 和 z 分数 z 分数分布的平均数=0，标准差=1，∑z2=n 高的正相关表明每个个体在两各变量上获得近似相等的 z 分数。高负相关表明每个个体在两变量上获得近似相等的 z 分数，但符号相反。 r 的大小和 z 分数有什么关系？ r 表示某个体或事件在两个变量分布中的相对位置之间的相似程度。 2.25 1.5 1.5 22 13 G 1.00 1.0 1.0 19 11 F 0.25 0.5 0.5 16 9 E 0.00 0.0 0.0 13 7 D 0.25 －0.5 －0.5 10 5 C 1.00 － 1.0 － 1.0 7 3 B 2.25 －1.5 －1.5 4 1 A zxzy zy zx 原始分数 原始分数 被试 Y X 表6-1 七名被试在两个测验上的原始分数与 Z 分数 1. 完全正相关 ∑ zxzy=7=N r=7.0/7.0 =1.00 ∑ z2=7=N 2.25 1.5 1.5 22 13 G 1.00 1.0 1.0 19 11 F 0.25 0.5 0.5 16 9 E 0.00 0.0 0.0 13 7 D 0.25 －0.5 －0.5 10 5 C 1.50 － 1.5 － 1.0 4 3 B 1.50 －1.0 －1.5 7 1 A zxzy zy zx 原始分数 原始分数 被试 Y X 2. 高度正相关 ∑ zxzy=6.75＜N r=6.75/7.0=0.96 －2.25 －1.5 1.5 4 13 G －1.00 －1.0 1.0 7 11 F －0.25 －0.5 0.5 10 9 E 0.00 0.0 0.0 13 7 D －0.25 0.5 －0.5 16 5 C －1.00 1.5 － 1.0 19 3 B －2.25 1.0 －1.5 22 1 A Zxzy zy zx 原始分数 原始分数 被试 Y X 3. 完全负相关 ∑ zxzy=－7.0 r=－7.0/7.0 =－1.00 6.3 利用原始数据计算相关系数 r 交叉乘积之和= ∑XY= 775 ∑Y2= 1435 ∑Y=91 ∑X2=455 ∑X=49 n=7 247 361 19 169 13 G 242 484 22 121 11 F 90 100 10 81 9 E 112 256 16 49 7 D 65 169 13 25 5 C 12 16 4 9 3 B 7 49 7 1 1 A XY Y2 Y X2 X 被试 表6=2 利用原始数据计算相关系数 r （假设数据） 交叉积和=775－49*91/7=775－637=138 SSX=455－492/7=112 , SSY=1435－912/7=252 19 13 22 11 10 9 16 7 13 5 4 3 Y 7 X 1 图6-3 利用原始数据绘制的散点图 分数与平均数的离差称为矩(moment), 两个矩相乘称为积矩，算得的相关系数称为Pearson 相关系数。如果你名叫K.Pearson ，为什么不叫Pearson 相关系数呢？ 6.4 注意事项 1. 两变量缺少线性关系的原因是什么？ ①两变量本来就不相关；②偶然变异和小样本可能掩盖真正的相关；③变量之间是非线性的关系 问：年龄与握力之间呈现线性关系吗？ 如果散点图呈现椭圆形状，表示二者之间有线性关系，这里表现有弯曲形