spss卡方检验与相关分析

【Options钮】

Zero-order correlations 给出包括协变量在 内所有变量的相关方阵。
说明，上年发表的论文数对当年的立项课题数的线性影 响非常弱。前面的是属于虚假相关。
上机作业五



1、以实验3中保存的“数据8.sav”为例，完 成以下任务： 求出性别与工资等级的列联表，要求按性别 输出百分比，求出相关系数，并进行卡方检 验，理解所得结果。 2、对居民储蓄数据中的多选项进行列联表 分析。（要求先定义多选项变量集，用分类 法做频数分析，再选择一个变量，做列联表 分析） 3、试以spss自带的某一个数据文件为例 （建议使用1991U.S.General Social Survey数据）进行分析，了解变量是否相 关，发掘数据中变量间的规律性。
发生变化。
比较边缘百分比和条件百分比的差别。

卡方测量用来考察两变量是否独立(无关)。
Pij Pi. P. j
二、相关分析（Correlate）
（一）简介

相关分析用于描述两个变量间联系的密切 程度，其特点是变量不分主次，被置于同 等的地位。检验的原假设为相关系数为0。 可选择是单尾检验还是双尾检验。
定序
列联 cross-tabulate 积差相关 spearman correlation
积差相关 spearman correlation 积矩相关 pearson correlation 积矩相关 pearson correlation 回归 regression
定距
相关分析之二——关系强度

权威主义和地位欲的相关系数为0.667，这表明权 威主义越高的人地位欲也越高。权威主义与地位欲不 相关的假设检验值为0.003，否定假设，即权威主义与 地位欲是相关的。结果类似于Spearman分析。
（四）Partial过程

相关分析计算两个变量间的相关系数，分 析两个变量间线性关系的程度。但是往往 因为第三个变量的作用，使相关系数不能 真正反映两个变量间线性程度。例如，可 以控制年龄和工作经验两个变量的影响， 估计工资收入与受教育程度之间的相关程 度，这就是偏相关分析。

Flag significant correlations 用于确定是否在结果中用星号标记有统计 学意义的相关系数，一般选中。此时 P<0.05的系数值旁会标记一个*，P<0.01的 则标记两个**。

Options 对话框
对每一个变量 输出均值、标准 差和无缺省值的 观测数。 对每一个变量 输出交叉距阵和 协方差距阵。
结果分析：
Cor relati ons 权威主义 Spearman's rho 权威主义 Correlation Coefficient 1.000 Sig. (2-tailed) . N 12 地位欲 Correlation Coefficient .818** Sig. (2-tailed) .001 N 12 **. Correlation is significant at the .01 level (2-tailed). 地位欲 .818** .001 12 1.000 . 12
Cor relat ions 权威主义 Kendall's tau_b 权威主义 Correlation Coefficient 1.000 Sig. (2-tailed) . N 12 地位欲 Correlation Coefficient .667** Sig. (2-tailed) .003 N 12 **. Correlation is significant at the .01 level (2-tailed). 地位欲 .667** .003 12 1.000 . 12

Bivariate Correlations 对话框

Pearson复选框 选择进行积差相关分析， 即最常用的相关分析，其计算连续变量或 等间隔测度变量间的相关系数。计算该相 关系数时，不仅要求两相关变量均为正态 变量，而且样本数（N）一般不应少于30。
Kendall‘s tau-b复选框 计算Kendall’s等级相 关系数，其计算定序变量间的线性相关关系。 （有打结现象时） Spearman复选框 计算Spearman相关系数。 也是计算等级相关系数（定序与定序）。最 常用的非参数相关分析（秩相关），适用于 连续等级资料。 （无打结现象） 以上三种相关分析可以选择其中之一，也可 以同时多选。如果参与分析的变量是连续变 量，选择Kendall's tau-b或Spearman相关， 则系统自动对连续变量的值先求秩，再计算 其秩分数间的相关系数。
变量关系强度的含义:指两个变量相关程度 的高低。统计学中是以准实验的思想来分 析变量相关的。通常从以下的角度分析： A）两变量是否相互独立。 B）两变量是否有共变趋势。 C）一变量的变化多大程度上能由另一变量 的变化来解释。
变量关系强度测量的主要指标
定类 定类 定序
卡方类测量 Lamda 等
定序
卡方类测量 Lamda 等
权威主义和地位欲评秩
学生 A B C D 1 E 8 F G H I J K L
权威主义 2 6 5 地位欲 3 4 2
1 10
9
11
8
3
4 12 7
7 12 5
11
9
10 6
分析步骤：
1）输入数据，依次单击Analyze—Correlate— Bivariate，打开Bivariate Correlations对话框 2）选择power和position 变量进入 Variables框中。 3）在Correlation Coefficients栏内选择Spearman。 4）在Test of Significance栏选择Two-tailed。 5）选择Flag significant correlation。 6）单击Options按钮，选择Mean and standard deviations、Cross-product deviations and covariances、Exclude cases pairise选项。 7）单击OK。

（三）Bivariate相关分析
在进行相关分析时，散点图是重要的工具， 分析前应先做散点图，以初步确定两个变 量间是否存在相关趋势，该趋势是否为直 线趋势，以及数据中是否存在异常点。否 则可能得出错误结论。 Bivariate相关分析的步骤：输入数据后，依 次单击Analyze—Correlate—Bivariate， 打开Bivariate Correlations对话框
计算某个统计量时，在这一对变量 中排除有缺省值的观测值。 对于任何分析，有缺省值的观测值 都会被排除。

一般，如果r的绝对值大于0.8，则认为两变 量之间具有较强的线性相关关系；如果r小 于0.3，则认为两变量之间具有较弱的线性 相关关系。 当然，相关关系的程度与样本的容量大小 也有很大的关系。
例1:为研究高等院校人文社会科学研究中 立项课题数会受哪些因素影响，收集1999 年31个省市自治区部分高校有关社科方面 的数据，研究立项课题数（当年）与投入 的具有高级职称的人年数（上年）、发表 论文数（上年）之间是否具有较强的线性 关系。
性别与四级英语考试通过率的相关统计
1 通过考试 1 男性 2 女性 总计 40% 40% 40% 2 未通过考试 60% 60% 60%
表述：统计结果显示，当性别取值不同时，通过率变量 的取值并未发生变化，因此性别与考试通过率无关。 自变量的不同取值在因变量上无差异，两变量无关。 自变量的不同取值在因变量上有差异，两变量有关。
从表中可看出，权威主义和地位欲的相关系数 为0.818，这表明权威主义越高的人地位欲也越高。 权威主义与地位欲不相关的假设检验值为0.001，否 定假设，即权威主义与地位欲是相关的。
例3：定序变量的Kendall分析实例
仍用前例中的数据（数据文件：权威（Spearman相 关）.sav） 。操作过程相同，只是在第3）步在Correlation Coefficients栏内选择Kendall’s选项。结果如下：
自变量
1 男性 2 女性 总计
每月工资平均 数 752.40 601.97 680.95
N 452 409 861
因变量
统计结果显示，当性别取值不同时，收入变量 的取值发生了变化，因此性别与月收入有关。
变量关系的统计类型
定类 定类 列联 cross-tabulate 定序 列联 cross-tabulate 定距 方差分析 （分组平均数） compare means
定距 Eta 系数
定距
Spearman Spearman 相 相关系数 关系数 同 序 - 异 序 对测量 Pearson 相 关系数
相关分析之三——关系性质
直线相关与曲线相关 正相关与负相关 完全相关与完全不相关
一、列联相关（第四章已讲）
（一）列联分析的基本原理 自变量发生变化，因变量取值是否也
可以画散点图先进行判断。
Graphs-legacy-scatter
Analyze-correlate--Brivariate
例2：定序变量的Spearman分析实例 为了研究集团迫使个人顺从的效应， 一些研究者用量表和为测量地位欲而设计 的一种量表对12名大学生进行调查。欲知 道对权威主义的评分之间相关的信息，数 据如下。
例：立项课题数与发表论文数之间 的净相关系数研究。

立项课题数与发表论文数之间有较强的正 线性相关系数。但是，这种关系可能掺入 了投入高级职称的人年数的影响。投入高 职称的人年数与论文数(上年发表)、立项课 题数的简单相关系数分别为0.953和0.944， 因此，可以把这个变量控制起来，研究立 项课题数与发表论文数之间的净相关系数， 进行偏相关分析。