变量间的相关关系.pptxVIP

变量间的相关关系

引言

变量类型及其度量

相关关系的描述与度量

相关关系的假设检验

相关关系的建模与预测

相关关系的应用与注意事项

01

引言

探究变量之间是否存在某种关联，以及这种关联的性质和强度。

目的

在实际问题中，经常需要研究多个变量之间的关系，以了解它们之间的相互影响和作用机制。

背景

1

2

3

通过了解变量之间的相关关系，可以更好地理解和预测自然和社会现象的变化趋势。

有助于理解和预测现象

变量间的相关关系是科学研究的基础，为研究者提供了探究因果关系和建立理论模型的重要依据。

为科学研究提供基础

在工程、经济、医学等领域，了解变量间的相关关系对于指导实践应用和优化决策具有重要意义。

指导实践应用

02

变量类型及其度量

分类变量

也称为定性变量或离散变量，表示事物的类别或属性。例如，性别、婚姻状况、职业等。

连续变量

也称为定量变量或数值变量，表示事物在某个范围内的连续取值。例如，年龄、身高、体重等。

通常采用频数或频率来描述分类变量的分布情况。对于有序分类变量，还可以使用等级相关系数来度量其相关关系。

分类变量的度量

通常采用均值、标准差、方差等统计量来描述连续变量的集中趋势和离散程度。对于两个连续变量之间的相关关系，可以使用皮尔逊相关系数或斯皮尔曼等级相关系数进行度量。

连续变量的度量

一个变量的取值完全由另一个变量确定，即存在一种严格的对应关系。例如，圆的面积与其半径之间的关系。

函数关系

两个或多个变量之间存在一种非严格的依存关系，即一个变量的取值不能由另一个变量唯一确定，但存在一定的统计规律性。例如，身高与体重之间的关系。

相关关系

两个变量之间不存在任何依存关系，即它们各自独立地变化。例如，一个人的鞋码与其数学成绩之间的关系。

无关关系

03

相关关系的描述与度量

用点的密集程度和变化趋势表示两个变量之间的直线或曲线关系。

衡量两个变量之间线性关系强度和方向的统计量，常用皮尔逊相关系数和斯皮尔曼等级相关系数。

相关系数

散点图

皮尔逊相关系数计算

通过两个变量的协方差除以它们标准差的乘积得到，取值范围在-1到1之间。

斯皮尔曼等级相关系数计算

根据两个变量的等级顺序计算，适用于非线性关系和数据分布不均的情况。

相关系数的解读

接近1表示强正相关，接近-1表示强负相关，接近0表示弱相关或无相关。

03

02

01

一个变量增加时，另一个变量也相应增加，散点图呈向上倾斜的直线或曲线。

强正相关

强负相关

弱相关或无相关

一个变量增加时，另一个变量相应减少，散点图呈向下倾斜的直线或曲线。

两个变量之间没有明显的线性关系，散点图呈现随机分布或无明显趋势。

03

02

01

04

相关关系的假设检验

作出决策

将p值与显著性水平进行比较，若p值小于显著性水平，则拒绝原假设，否则接受原假设。

计算p值

根据样本数据和检验统计量的分布，计算得到p值。

确定拒绝域

根据显著性水平和检验统计量的分布，确定拒绝原假设的区域。

提出假设

根据研究问题，提出关于总体参数或总体分布形式的假设。

构造检验统计量

根据样本数据，构造一个能够反映假设是否成立的检验统计量。

适用于连续变量，且要求变量间的关系是线性的。通过计算皮尔逊相关系数r，并进行t检验或z检验来判断r是否显著不为0。

斯皮尔曼等级相关系数检验

适用于等级数据或不满足皮尔逊相关系数检验条件的数据。通过计算斯皮尔曼等级相关系数ρ，并进行t检验或z检验来判断ρ是否显著不为0。

肯德尔等级相关系数检验

适用于等级数据，且对数据的分布没有严格要求。通过计算肯德尔等级相关系数τ，并进行χ²检验来判断τ是否显著不为0。

皮尔逊相关系数检验

如果p值小于显著性水平（如0.05），则认为相关系数显著不为0，即变量间存在相关关系；否则认为相关系数不显著，即变量间不存在相关关系。

根据p值判断相关系数的显著性

如果相关系数r的绝对值接近1，则认为变量间存在强相关关系；如果r的绝对值接近0，则认为变量间存在弱相关关系。同时，根据r的正负可以判断变量间的相关方向是正相关还是负相关。

结合相关系数的大小和方向判断相关关系的强度和方向

05

相关关系的建模与预测

分析一个自变量和一个因变量之间的线性关系，通过最小二乘法拟合直线，使得预测值与实际值之间的残差平方和最小。

一元线性回归

分析多个自变量和一个因变量之间的线性关系，通过最小二乘法拟合多维空间中的超平面，以预测因变量的取值。

多元线性回归

回归系数表示自变量对因变量的影响程度，正值表示正相关，负值表示负相关，绝对值大小表示影响程度的大小。

回归系数的解释

逻辑回归

用于处理因变量为二分类的情况，通过逻辑函数将线性回归的结果映射到(0,1)之间，以预测分类概率。

其他非线性模型

如指数回归、对数回归、幂回归等，根据数据的特性选择合适的模型