SPSS统计分析第7章相关分析
第7章 相关分析与回归分析(含SPSS)
四、偏相关分析
（一） 偏相关分析和偏相关系数 偏相关分析也称净相关分析，它在控制其他变量 的线性影响的条件下分析两变量间的线性相关性， 所采用的工具是偏相关系数（净相关系数）。
偏相关分析的主要用途是根据观测资料应用偏相 关分析计算偏相关系数，可以判断哪些解释变量对 被解释变量的影响较大，而选择作为必须考虑的解 释变量。这样在计算多元回归分析时，只要保留起 主要作用的解释变量，用较少的解释变量描述被解 释变量的平均变动量。
(7.7)
偏相关系数的取值范围及大小含义与相关系数相 同。
2、对样本来自的两总体是否存在显著的偏相关 进行推断。
（1）提出原假设：两总体的偏相关系数与零无显 著差异。
（2）选择检验统计量。偏相关系数的检验统计量 为 t 统计量。 （3）计算检验统计量的观测值和相伴概率 p 。
（4）给定显著性水平 ，并作出决策。如果相 伴概率值小于或等于给定的显著性水平，则拒绝 原假设；如果相伴概率值大于给定的显著性水平， 则不能拒绝原假设。
（二）偏相关系数在SPSS中的实现
1、建立或打开数据文件后，进入Analyze→ Correlate →Partial主对话框，如图7-6所示。
图7-6 偏相关分析主对话框
2、选择分析变量送入Valiables框，选择控制变
量进入Controlling for框。
3、在Test of Significance 栏中选择输出偏相
图7-7 偏相关分析的选项对话框
（1）Statistics 统计量选择项，有两个选项： ①
Means and standard deviations 复选项，要求
SPSSZero-order correlations 复选项，要求显示零阶
SPSS-7相关分析
第７章相关分析相关分析是研究变量间密切程度的一种常用统计方法。
线性相关分析研究两个变量间线性关系的程度。
相关系数是描述这种线性关系程度和方向的统计量，通常用ｒ表示。
如果一个变量ｙ可以确切地用另一个变量ｘ的线性函数表示，那么，两个变量间的相关系数是＋１或－ｌ。
如果变量ｙ随着变量ｘ的增、减而增、减，即变化的方向一致。
例如，在一定的温度范围内昆虫发育速率与温度的关系，温度越高，发育速率相对也就越快。
这种相关称为正向相关，其相关系数大于０。
如果变量ｙ随着变量ｘ的增加而减少，变化方向相反。
例如，降雨强度与田间害虫种群数量的关系，随着降雨强度的增加，时间延长，害虫种群数量逐步下降。
这种相关关系称为负相关，其相关系数小于０。
相关系数ｒ没有单位，其值在－１～＋１之间。
SPSS系统中有一个用于相关分析的“Correlate”菜单项，其中包括有板有三个过程：① Bivariate 分析两个变量之间的相关关系；② Partial偏相关分析，分析在一个或多个变量的影响下，两个变量之间的相关关系；③ Ｄｉｓｔａｎｃｅ 相似性分析（距离分析）。
在这里将结合例子介绍两个变量之间的相关分析和偏相关分析过程的应用。
７.1二个变量间的相关分析本节介绍两两变量间的相关分析。
包括两个连续变量间的相关和两个等级变量间的秩相关。
这两种相关使用同一个过程，通过选择不同的分析方法来实现。
选择哪一种分析方法要看具体的数据类型。
[例子７-1]调查了29人身高、体重和肺活量的数据见表7-1，分析这三者之间的相互关系。
表7-1 身高、体重和肺活量的调查数据编号身高体重肺活量编号身高体重肺活量1 135.10 32.0 1.75 16 153.00 32.0 1.752 139.90 30.4 1.75 17 147.60 40.5 2.003 163.60 46.2 2.75 18 157.50 43.3 2.254 146.50 33.5 2.50 19 155.10 44.7 2.755 156.20 37.1 2.75 20 160.50 37.5 2.006 156.40 35.5 2.00 21 143.00 31.5 1.757 167.80 41.5 2.75 22 149.90 33.9 2.258 149.70 31.0 1.50 23 160.80 40.4 2.759 145.00 33.0 2.50 24 159.00 38.5 2.2510 148.50 37.2 2.25 25 158.20 37.5 2.0011 165.50 49.5 3.00 26 150.00 36.0 1.7512 135.00 27.6 1.25 27 144.50 34.7 2.2513 153.30 41.0 2.75 28 154.60 39.5 2.5014 152.00 32.0 1.75 29 156.50 32.0 1.7515 160.50 47.2 2.251037.1.1操作步骤1）准备数据文件在数据编辑窗口，定义变量名“ｎｏ”为编号、“ｈｅｉｇｈｔ”为身高、“ｗｅｉｇｈｔ”为体重、“ｖｃｐ”为肺活量。
《统计分析和SPSS的应用(第五版)》课后练习答案解析(第7章)
《统计分析与SPSS的应用（第五版）》（薛薇）课后练习答案第7章SPSS的非参数检验1、为分析不同年龄段人群对某商品满意程度的异同，进行随机调查收集到以下数据：满意程度年龄段青年中年老年很不满意126 297 156不满意306 498 349满意88 61 75很满意27 17 44请选择恰当的非参数检验方法，以恰当形式组织上述数据，分析不同年龄段人群对该商品满意程度的分布状况是否一致。
卡方检验步骤：（1）数据→加权个案→对“人数”加权→确定（2）分析→描述统计→交叉表格→行：满意度;列：年龄→Statistics→如图选择→确定满意程度 * 年龄交叉表计数年龄总计青年中年老年满意程度很不满意126 297 156 579 不满意306 498 349 1153满意88 61 75 224很满意27 17 44 88 总计547 873 624 2044卡方检验值自由度渐近显著性（双向）皮尔逊卡方66.990a 6 .000似然比(L) 68.150 6 .000线性关联.008 1 .930McNemar-Bowker 检验. . .b有效个案数2044a. 0 个单元格 (0.0%) 具有的预期计数少于 5。
最小预期计数为 23.55。
b. 仅为 PxP 表格计算（其中 P 必须大于 1）。
因概率P值小于显著性水平（0.05），拒绝原假设，不同年龄度对该商品满意程度不一致。
2、利用第2章第7题数据，选择恰当的非参数检验方法，分析本次存款金额的总体分布与正态分布是否存在显著差异。
分析→非参数检验→旧对话框→1-样本-K—S…→选择相关项：本次存款金额[A5] →确定结果如下：单样本 Kolmogorov-Smirnov 检验本次存款金额数字282正态参数a,b平均值4738.09标准偏差10945.569最极端差分绝对.333正.292负-.333检验统计.333渐近显著性（双尾）.000ca. 检验分布是正态分布。
《SPSS统计分析案例教程》第七章相关分析
变量选择和散 点图绘制
选择需要分析的变量和 绘制散点图时应该注意 变量的代表性和数据的 分布情况。
04
相关分析的应用
相关分析在社会科学研究中的应用
01
社会调查数据
相关分析可以用于研究社会现象之间的相互关系，例如人口统计学特
征与失业率之间的关系。
变量间关系
相关分析是研究变量间关系的一种方法，主要研究自变 量与因变量之间的线性关系，自变量与因变量之间的因 果关系等。
相关分析的目的
要点一
检验假设
要点二
预测
通过相关分析可以检验自变量与因变 量之间是否具有线性关系，从而验证 假设是否成立。
通过相关分析可以建立自变量与因变 量之间的线性回归模型，利用该模型 可以对未来数据进行预测，从而为决 策提供依据。
要点三
控制
通过相关分析可以了解自变量与因变 量之间的因果关系，从而对一些变量 进行控制，达到优化系统的目的。
相关分析的原理
计算相关系数
相关分析是通过计算相关系数来实现的，相关系数是描述两个变量之间线性关系强度和方 向的统计量，通常用r表示。
判断相关程度
相关系数的绝对值越接近于1，表明两个变量之间的线性关系越强；相关系数的绝对值越 接近于0，表明两个变量之间的线性关系越弱。
对数据要求较高
相关分析对数据的要求较高，需要满足线性相关、正态分布、独立同分布等假设。如果数据不满足这些假设，相关分析的 结果可能不准确。
相关分析局限性的解决方法
补充实验和准实验研 究
通过实验或准实验的方式，可以确定 变量之间的因果关系，从而弥补相关 分析的不足。例如，通过随机对照实 验可以确定某种药物对降低血压是否 具有显著效果。
SPSS第7章 相关分析
• 【例7-3】若将表7.1中男女性评分数据作为连续的变 量，可以求得男女两组消费者对10件商品的看法（打 分）是否一致。计算表明，男女性别间的Pearson相 关系数为0.648，这说明男性和女性评分基本一致， 或者我们有95%的把握说，这两者的总体相关系数异 于0。而男等级与女等级之间的相关系数则为0.733， 该数等于Spearman‘s的计算结果。Kendall‘s计算表明 其系数为0.556，这与手工计算结果完全一致。 • 应该注意的是，任何一种统计方法都是有适用条件 的，对统计方法运用的好坏不在于是否能写出公式或 能否计算出结果，而在于针对数据特征懂得运用合适 的统计方法。在相关分析中首先要考虑的问题是，两 个变量之间是否可能存在着实实在在的、可以解释的 相关关系，如果得到了肯定的结论，那就有必要进行 下一步的定量分析。
7.1 线性相关系数r及显著性检验
•自然界中，很多因素是息息相关的。一般而言，东亚大陆1月 份天气冷，降水减少；7月份气温上升，降水增加，那么气温 与降水是否有关？再如身材高大的人，体重一般偏重；反之亦 然。人的身高与体重的关系是相互依存的，但并不是一一对应 的。制约身高、体重关系的还有其他因素，如遗传、营养状态、 运动水平和年龄等。学习时间与学习成绩也是如此，学习时间 长的人，学习成绩好；反之亦然，但并不是绝对的。那么，学 习时间与学习成绩是什么关系呢？定性分析有时是不够的，如 何来确切地衡量两个变量之间的关系，人们常用相关分析的方 法。换言之，相关分析通常用来研究两个变量之间的关系，当 一个变量数值增大（减少）时，另一个变量数值是增大、减小 还是不变。
• 4）s及缺失值设置对话框。 • ①Statistics栏可选择统计量。 • Mean and standard deviations选项：输出每个变量均值、标准差和无缺省的观测数。 • Cross product deviations and covariances选项：输出每对变量交叉矩阵和协方差矩阵。
spss课程 7相关分析
在原假设成立的条件下， t 统计量服从自由度为 n 2 的 t 分布。 根据 p 与 的关系进行统计决策。 2．Spearman 等级相关系数（Spearman 秩相关系数）
Charles Spearman（1863—1945） Spearman 等级相关系数是用来度量定序变量间的线性相关关 系。 在计算 Spearman 等级相关系数时，由于数据是非定距的，因此 计算时并不直接采用原始数据 ( xi , yi ) ，而是利用数据的秩，用两变量 的秩 (U i ,Vi ) 代替 ( xi , yi ) 。Spearman 等级相关系数的计算公式为：
( x2 x1 )( y2 y1 ) 是否大于 0。如果大于 0，则说明 x 和 y 同时增长
或同时下降，这两点协同（concordant） ，为同序对，否则，这两 点就不协同（disconcordant） ，为异序对。
Kendall 相关系数的检验 在小样本下，在零假设成立时，Kendall 统计量服从 Kendall 分 布。在大样本下采用的检验统计量为：
用散点图观察变量之间的相关关系
非线性相关
完全正线性相关
完全负线性相关
负线性相关
不相关
6
正线性相关
一、两变量相关分析——Bivariate 过程 二、偏相关分析——Partial 过程 三、距离分析——Distances 过程
正相关
负相关
零相关
0<r<1
SPSS课件-07相关分析
三、Spearman等级相关系数的计算
1
计算公式
ቤተ መጻሕፍቲ ባይዱ
Spearman等级相关系数使用变量的排序位置而不是数值来计算。
2
解读
Spearman等级相关系数可以用来描述变量之间的单调关系，不受异常值的影响。
3
SPSS计算方法
在SPSS中，你可以使用非参数统计功能来计算Spearman等级相关系数。
四、Kendall秩相关系数的计算
明因果关系。
布及异常值的影响。
关系是线性的。
七、案例分析
实际案例分析
通过相关分析某公司的销售数据，寻找变量间的关 系。
SPSS操作演示
展示如何在SPSS中进行相关分析并解读结果。
八、总结
相关分析的意义
相关分析帮助我们了解变量之间的关系，为进一步的数据分析提供基础。
不同相关系数的适用范围
Pearson、Spearman和Kendall三种相关系数适用于不同类型的数据分析。
SPSS课件-07相关分析
本课程将介绍相关分析的概念和应用。我们将探讨Pearson、Spearman和 Kendall三种相关系数的计算方法，以及相关分析的限制和注意事项。
一、相关分析的概念
相关分析的定义
相关分析是一种统计方法，用于描述和评估两个或多个变量之间的关系。
相关系数的含义
相关系数衡量了变量之间的关联程度，值介于-1和1之间。
1
计算公式
Kendall秩相关系数通过比较变量的排列
解读
2
顺序来计算。
Kendall秩相关系数可以用来描述变量之
间的排序关系，适用于有序分类变量。
3
SPSS计算方法
在SPSS中，你可以使用非参数统计功 能来计算Kendall秩相关系数。
SPSS统计分析第7章 相关分析
7.2二元变量相关分析
➢第2步 对样本来自的两总体是否存在显著的线性关系进行推断： 由于存在抽样的随机性和样本数量较少等原因，通常样本相关 系数不能直接用来说明样本来自的两总体是否具有显著的线性 相关性，需要通过假设检验的方式对样本的总体进行统计推断。
取值范围界于-1与1之间，即-1≤r≤1
当0<r ≤ 1，表明变量之间存在正相关关系；
当-1 ≤ r<0，表明变量之间存在负相关关系；
当|r|=1时，表示其中一个变量的取值完全取决于另一个变量， 二者即为函数关系；
当r=0时，说明变量之间不存在线性相关关系，但这并不排除 变量之间存在其它非线性相关的可能。
Pearson简单相关系数及t统计量 n
(xi x)( yi y)
r
i1
n
n
(xi x)2 ( yi y)2
t r n2 1 r2
i1
i1
7.1二元变量相关分析
定序变量的相关性分析 ：定序变量又称为有序（ordinal）变 量、顺序变量、等级变量，它取值的大小能够表示观测对象的
某种顺序关系（等级、方位或大小等）。定序变量的相关系数 用斯皮尔曼（Spearman）相关系数和肯德尔（Kendall’s ）相 关系数来衡量。
主要内容
7.1 相关分析简介 7.2 两变量相关分析 7.3 偏相关分析 7.4 距离分析
7.3 偏相关分析
(1) 基本概念
偏相关分析的任务就是在研究两个变量之间的线性相关关 系时控制可能对其产生影响的变量，这种相关系数称为偏相关 系数。偏相关系数的数值和简单相关系数的数值常常是不同的， 在计算简单相关系数时，所有其他自变量不予考虑。
SPSS中的相关分析及假设检验
SPSS中的相关分析及假设检验相关分析和假设检验是统计学中常用的方法。
在SPSS中，相关分析可以用来探究两个或多个变量之间的关系。
而假设检验可以用来验证研究者对一个或多个总体参数的假设。
相关分析是用来确定两个或多个变量之间的关系的统计方法。
SPSS 中可以通过选择菜单中的“相关”选项来进行相关分析。
在弹出的对话框中，用户可以选择要进行相关分析的变量，以及选择所需的统计指标。
最常用的统计指标是皮尔逊相关系数（Pearson correlation coefficient），可以用来度量两个连续变量之间的线性关系。
除了皮尔逊相关系数外，还可以选择斯皮尔曼等级相关系数（Spearman's rank correlation coefficient），用于度量两个有序变量之间的关联。
在进行相关分析时，我们还需要对相关系数进行显著性检验，以确定相关系数是否显著不为零。
SPSS会自动计算相关系数的显著性水平（p-value）。
p-value小于我们预先设定的显著性水平（通常为0.05），则可以拒绝原假设，认为相关系数显著不为零。
接下来，我们将介绍SPSS中常用假设检验的方法。
假设检验用于验证研究者对一个或多个总体参数的假设。
常用的假设检验方法包括单样本t检验、独立样本t检验、配对样本t检验和方差分析等。
单样本t检验用于检验一个总体均值是否等于一个给定的值。
SPSS 中可以通过选择菜单中的“分析”、“比较均值”、“单样本t检验”进行单样本t检验。
在弹出的对话框中，用户需要输入要进行检验的变量和给定的均值。
SPSS会给出t值、自由度和p值等统计结果。
如果p值小于我们设定的显著性水平，则可以拒绝原假设，认为总体均值与给定值存在显著差异。
独立样本t检验用于检验两个独立样本的均值是否相等。
SPSS中可以通过选择菜单中的“分析”、“比较均值”、“独立样本t检验”进行独立样本t检验。
在弹出的对话框中，用户需要输入两个独立样本的变量。
第七章 SPSS的相关分析
单因素方差分析
当一个变量为定类变量，另一变量为定距 变量时，两变量间是否有关，通常以分组 平均数比较的方法来考察。即按照定类变 量的不同取值来分组，看每个分组的定距 变量的平均数是否有差异。不同组间的平 均数差异越小，两个变量间的关系越弱； 相反，平均数差异越大，变量间关系越强。
单因素方差分析的基本步骤
最后，对不同看法进行分析。如果显著性 水平设为0.05，则概率值小于0.05，拒绝原 假设，认为本市户口和外地户口对未来三 年是否打算买房的看法是不一致的。
在列联表中，这一定理就具体转化为：若 两变量无关，则两变量中条件概率应等于 各自边缘的概率乘积。反之，则两变量有 关，或称两变量不独立。
由此可见，期望值（独立模型）与观察值 的差距越大，说明两变量越不独立，也就 越有相关。因此，卡方的表达式如下：
X
2
j i
( O ij E ij ) 2 E ij
第七章
相关分析与检验
主要内容
方差分析回顾 相关分析的概念
列联分析
简单相关分析
偏相关分析
方差分析回顾
概念：方差分析是从因变量的方差入手，研究诸 多自变量中哪些变量是对因变量有显著影响的变 量，对因变量有显著影响的各个自变量其不同水 平以及各水平的交互搭配是如何影响因变量的。 方差分析认为因变量的变化受两类因素的影响： 第一，自变量不同水平所产生的影响； 第二，随机变量所产生的影响。这里的随机变量指 那些人为很难控制的因素，主要指试验过程中的 抽样误差。
卡方的取值在0~∞之间。卡方值越大，关 联性越强。在SPSS中，有Pearson X2和 相似比卡方（Likelihood Ratio X2 ）两种。
SPSS统计分析第七章相关分析
例二
四川绵阳地区3年生中山柏的数据。分析月生长量与 月平均气温、月降雨量、月平均日照时数、月平均湿 度四个气候因素哪个因素有关。Month:月份，hgrow: 生长量，temp:月平均气温，rain: 月降雨量，hsun: 月平均日照时数，humi: 月平均湿度。 数据编号data10－05 分析变量：hgrow（生长量）与hsun（月平均日照时 数） 控制变量：humi（月平均湿度）、rain（月降雨量）、 temp（月平均气温）
两个或若干变量之间或两组观测量之间的关 系有时也可以用相似性或不相似性来描述。 相似性测度用大数值表示很相似，较小的数 值表明相似性小。不相似性使用距离或不相 似性来描述。大值表示相差甚远。
三、相关系数统计意义的检验
由于我们通常是通过抽样方法；利用样本研 究总体的特性。由于抽样误差的存在，样本 中两个变量间相关系数不为0，不能说明总体 中这两个变量间的相关系数不是0，因此必须 经过检验。检验的零假设是：总体中两个变 量间的相关系数为0。SPSS的相关分析过程 给出这假设成立的概率。
但实际上，如果对体重相同的人，分析身高 和肺活量。是否身高值越大，肺活量越大呢？ 结论是否定的。正是因为身高与体重有着线 形关系，体重与肺活量才存在线形关系，因 此，得出身高与肺活量之间存在较强的线形 关系的错误结论。偏相关分析的任务就是在 研究两个变量之间的线形相关关系时控制可 能对其产生影响的变量。
一、相关分析的概念
相关分析是研究变量间密切程度的一种常用统计方法。 线性相关分析研究两个变量间线性关系的程度。 相关系数是描述这种线性关系程度和方向的统计量， 通常用r表示。相关系数r没有单位；其值在-l～+1之 间。当数值愈接近-l或+1之间时，关系愈紧密，接近 于0时，关系愈不紧密。 对其数值可以从小到大排列的数据才能计算其相关系 数。例如不能计算宗教信仰与颜色喜好之间的关系。
SPSS统计分析_第七章_相关分析
以一个例子来进行Kendall秩相关系数的计算。
如果两位鉴定家各自以吸引力的大小将7幅抽
象派画评定了秩，那么可能知道这些秩评定
之间的相符的程度。
画 号
2
6
5
1
4
3
7
鉴别家1
鉴别家2
1
2
2
3
3
1
4
4
5
6
6
5
7
7
依次取观测2（鉴别家2）给出的秩，数出每一个右面在 秩次上比自己小的个数，并将这些个数加起来。例如抽 象画2的秩为2，其个数是1，因为其右边的只有抽象画5 的秩比它小。6个数依次为1，1，0，0，1和0，所以总 和为Q＝3，Kendall秩相关系数则为： R=1-4Q/n(n-1)=1-12/42=0.714
二、相关系数
积矩相关系数（Pearson相关系数）
Spearman和Kendall秩相关系数 偏相关系数
1、积矩相关系数（Pearson相关系数）
积矩相关系数(又称积差相关系数)适用于等间隔测度， 相关系数采用Pearson积矩相关。
R
xy
( x x)( y y)
i 1 i i
n
等。
有关统计量
不相似性测度 等间隔数据的不相似性（距离）测度可以使用的统 计量：欧几米德（欧氏）距离、欧氏距离平方等。 计数数据，使用卡方。 二值（只有两种取值）数据，使用欧氏距离、欧氏 距离平方等。
相似性测度
等间隔数据使用统计量皮尔逊相关或余弦。 测度二元数据的相似性使用的统计量有二十余种。
仍以四川绵羊地区中山柏生长的数据为例
中这两个变量间的相关系数不是0，因此必须
经过检验。检验的零假设是：总体中两个变
spss在财务管理中的应用 第7章 相关分析
7.2.1 Pearson相关系数
1.Pearson相关概述
Pearson积差相关系数的计算一般
需要满足以下条件：
第一、两列数据呈现正态分布； 第二、数据必须成对出现； 第三、成对样本数量应该大于30； 第四、两列数据必须是连续性数据。
7.2.1 Pearson相关系数
在会计和财务管理中的应用
苏海洋
S P S S
第7章 相关分析
学习目标：
掌握相关分析的概念；
掌握散点图的SPSS绘制过程及结果解释； 掌握Pearson相关系数的SPSS操作及结果解释； 掌握Spearman等级相关的SPSS操作及结果解释； 了解Kendall相关系数的SPSS操作及结果解释； 掌握偏相关分析的SPSS操作及结果解释。
系只是大致的、不是某事物的每一个变化都会引起与之相联系的另一个变量 的确定变化。
前言
相关分析可以分为线性相关和非线性相关两大类，本教材主要介绍线性相关。
按照强度：强相关、弱相关和零相关（即不相关）；
按照方向：正相关和负相关。
按照涉及变量的多少：如果只是涉及到两个变量的相关可以称为简单相关；
固定资产投资”的关系，所以将他们放
入【变量（V）】框中。如果要分析多 个变量间的两两关系，可以把这些变量
一次性放入【变量（V）】框中。然后
单击【确定】按钮，提交系统分析。
7.2.1 Pearson相关系数
步骤3：结果解释。
从表中可以看出“国内生产总值”和
“全社会固定资产投资”的pearson相 关系数r=0.987，数值上表明其为正相
7.1 散点图
步骤3：单击【散点/点状（S）】进入到 如右上图示界面，上面有多种类型的散 点图可供选择。这里选择【简单分布】 选项，单击【定义】按钮进入【简单散 点图】主对话框，将“国内生产总值”
第七章SPSS的相关分析课件
• 数据中存在极端值时相关系数不好 • 如:(1,1)(2,2)(3,3),(4,4),(5,5),(6,1) • r=0.33 但总体上表现出: x=y • 应结合散点图分析
• 常用的相关系数: Pearson简单相关系数、Spearman等级相关系数和 Kendall 相关系数等
2024/9/16
6
2024/9/16
选择x轴和y轴的变 量
选择分组变量: 分别以不同颜色 点的表示 选择标记变量:散 点图上可带有标 记变量的值
7
例题 7.1
• 利用住房状况调查数据, 绘制家庭收入与计划购买住房面积之间的散 点图
2024/9/16
8
相关关系的概念
从样本数 据来看变量间
有关系吗
2024/9/16
27
2024/9/16
28
相关分析 须面对的 四个问题
关系的 强度如何
※这种关系 是否为因果
关系
这种关系 能否从样本推
到总体
2024/9/16
9
相关系数
• 相关系数以数值的方式精确地反映了两个变量间线性相关的强弱程度 • 利用相关系数进行变量间线性关系的分析的步骤 • 计算样本相关系数r • 相关系数r的取值在-1～+1之间 • R>0表示两变量存在正的线性相关关系；r<0表示两变量存在负的线
• 在小样本下，在零假设成立时， Spearman等级相关系数服从Spearman 分布；在大样本下， Spearman等级相关系数的检验统计量为Z统计量， 定义为:
Z r n 1
第七章SPSS的相关分析
第七章SPSS的相关分析SPSS是一种常用的统计分析软件，可以进行各种统计分析方法，如相关分析。
相关分析是一种用来研究两个变量之间关系的方法。
本文将介绍SPSS中进行相关分析的方法和步骤。
进入“Correlate”选项后，弹出一个新的窗口，在这个窗口中有两个选项：“Bivariate”和“Partial”。
在这里我们选择“Bivariate”选项，因为我们想要研究两个变量之间的直接关系。
然后，我们可以选择要进行相关分析的变量，将其移动到右边的“Variables”框中。
在“Bivariate”选项的窗口中，还有一个选项“Options”，点击这个选项可以设置一些其他的参数。
比如我们可以选择是否计算缺失值、是否使用Spearman相关系数等。
根据实际情况，我们可以酌情选择这些参数。
在设置完成后，点击“OK”按钮，SPSS将进行相关分析，并且将结果显示在“Output”窗口中。
在输出结果中，我们可以看到相关系数的值以及相关系数的显著性水平。
此外，SPSS还会生成相关系数的散点图，方便我们直观地观察变量之间的关系。
除了进行简单的两个变量之间的相关分析，SPSS还可以进行多个变量之间的相关分析。
在“Bivariate”选项的窗口中，我们可以选择多个变量，将其移动到右边的“Variables”框中。
然后，我们可以选择是否计算偏相关系数，以及是否进行Bonferroni校正等。
总结起来，SPSS是一种方便易用的统计分析软件，可以进行各种统计分析方法，包括相关分析。
通过SPSS，我们可以快速而准确地对变量之间的关系进行研究。
在分析结果中，SPSS还会为我们提供有用的图表和统计指标，帮助我们更好地理解和解释数据。
《SPSS统计分析案例教程》第七章相关分析
2023-11-06
目 录
• 相关分析概述 • 描述性相关分析 • 参数相关分析 • 偏相关分析 • 距离相关分析 • 相关分析的注意事项
01
相关分析概述
定义
相关分析是用来研究两个或多个变量之间关系的统计方法。
它探究变量之间的依赖性、关联程度和预测能力。
变量设置
在变量视图中，设置每个变量的类型 、标签、值等属性。
执行偏相关分析
在菜单栏中选择“分析”->“回归 ”->“多元”->“偏相关”，进入 偏相关分析对话框。
设置自变量和因变量
在偏相关分析对话框中，将需要分析 的自变量和因变量拖入相应的区域。
调整选项
根据需要，可以勾选“校正变量” 和“显示非参数检验结果”等选项 。
运行分析
点击“确定”按钮，开始偏相关分 析，并生成相应的结果。
05
距离相关分析
距离相关系数的概念与计算
距离相关系数概念
距离相关系数是用来度量两个变量之间相似或不相似的一种方 法，它基于两个变量值之间的距离来计算。
距离相关系数的取值范围
距离相关系数的取值范围在-1到1之间，其中1表示完全正相关， -1表示完全负相关，0表示无相关。
在弹出的“距离相关”对话框中，将需 要分析的变量拖入“变量”框中。
06
相关分析的注意事项
数据质量对相关分析的影响
缺失值处理
数据清洗
数据正态性
在相关分析前，应检查数据中 是否存在缺失值。对于缺失值 ，需要选择合适的处理方法， 如插值、删除或使用特定的统 计方法来处理。
数据中可能存在异常值、离群 点或错误数据，这些数据会影 响相关分析的结果。在进行相 关分析前，应对数据进行清洗 ，以消除这些潜在问题。
SPSS第7单元相关分析
SPSS应用
SPSS应用
SPSS应用
对Kendall's tua-b等级相关系数的统计 检验，一般如果个案数n≤30，将直接利用 Kendall's tua-b等级相关统计量表，SPSS将 自动根据该表给出对应的相伴概率值。
SPSS应用
SPSS应用
6.3.2 SPSS中实现过程
研究问题 某语文老师先后两次对其班级学生同一篇
作文1 86.00 78.00 62.00 75.00 89.00 67.00 96.00 80.00 77.00 59.00 79.00 68.00 85.00 87.00 75.00 73.00 95.00 88.00
作文2 83.00 82.00 70.00 73.00 92.00 65.00 93.00 85.00 75.00 65.00 75.00 70.00 80.00 75.00 80.00 78.00 90.00 90.00
定距变量又称为间隔（interval）变量， 它的取值之间可以比较大小，可以用加减法计 算出差异的大小。例如，“年龄”变量、“收 入”变量、“成绩”变量等都是典型的定距变 量。
SPSS应用
Pearson简单相关系数用来衡量定距变量 间的线性关系。如衡量国民收入和居民储蓄存 款、身高和体重、高中成绩和高考成绩等变量 间的线性相关关系。
SPSS应用
图6-2 “Bivariate Correlations”对话框（一）
SPSS应用
图6-3 “Bivariate Correlations：Options”对话框
6.2.3 结果和讨论
SPSS应用
SPSS应用
6.2.4 绘制相关散点图
如果对变量之间的相关程度不需要掌握得 那么精确，可以通过绘制变量的相关散点图来 直接判断。仍以上例来说明。
第7章相关分析
7.1.2 相关分析
1. 相关分析的作用 (1) 判断变量之间有无联系。 (2) 确定选择相关关系的表现形式及相关分析方法。 (3) 把握相关关系的方向与密切程度。 (4) 相关分析不但可以描述变量之间的关系状况，而且用来进行预 测。 (5) 相关分析还可以用来评价测量量具的信度、效度以及项目的区 分度等。 2. 相关系数 相关系数是在直线相关条件下，说明两个变量之间相关程度以及 相关方向的统计分析指标。 相关系数的数值范围是介于–1～+1之间(即–1≤r≤1)，常用小数形式 表示，一般要取小数点后两位数字来表示，以便比较精确地描述 其相关程度。
n
(xi x)( yi y)
r
i 1
n
n
(xi x)2 ( yi y)2
i 1
i 1
7.2.1 简单相关分析的基本原理
2. 相关系数 (2) Spearman等级相关系数。
用来度量顺序水准变量间的线性相关关系。它是利用两变量的秩 次大小作线性相关分析，适用条件为： ①两个变量的变量值是以等级次序表示的资料； ②一个变量的变量值是等级数据，另一个变量的变量值是等距或 比率数据，且其两总体不要求是正态分布，样本容量n不一定大于 30。 从斯皮尔曼等级相关适用条件中可以看出，等级相关的应用范围 要比积差相关广泛，它的突出优点是对数据的总体分布、样本大 小都不做要求。但缺点是计算精度不高。斯皮尔曼等级相关系数 常用符号来表示。其基本公式为：
7.3.3 课堂练习：用偏相分析研究学生学习成 绩相关关系
3. 实例结果分析
(1) 描述性统计Байду номын сангаас表。
从下表中可以看出，参与偏相关两个变量的样本数是 20，体重的 平均值是 36.1，标准差是 6.5515，肺活量的平均值是 2.15，标准 差是 0.52815，身高的平均值是 151.08，标准差是 8.86588。
第7章 SPSS相关分析要点
7.2 SPSS在简单相关分析中的应用
7.2.1 简单相关分析的基本原理
7.2 SPSS在简单相关分析中的应用
7.2.1 简单相关分析的基本原理
对皮尔逊简单相关系数的统计检验是计算t统计量，具体公式 是： t统计量服从n-2个自由度的t分布。SPSS会自动计算r统计量和 t值，并依据t分布表给出其对应的相伴概率值。 斯皮尔曼等级相关系数。 斯皮尔曼等级相关系数用来度量顺序水准变量间的线性相关关 系。它是利用两变量的秩次大小作线性相关分析，适用条件为： ① 两个变量的变量值是以等级次序表示的资料。 ② 一个变量的变量值是等级数据，另一个变量的变量值是等 距或比率数据，且其两总体不要求是正态分布，样本容量n不 一定大于30。
均值 DJIA SP 7743.60 945.10
标准差 197.326 19.947
N 10 10
7.2 SPSS在简单相关分析中的应用
（2）皮尔逊相关系数表
接着SPSS列出了道琼斯工业平均指数和标准普尔指数的皮尔 逊相关系数表7-4。可以看到，两种指数的皮尔逊系数值高达 0.995，非常接近1；同时相伴概率P值明显小于显著性水平0.01， 这也进一步说明两者高度正线性相关。
7.1 相关分析概述
7.1.1.2相关关系的类型
（1）根据相关程度的不同，相关关系可分为完全相关、不完全相 关和无相关。 （2）根据变量值变动方向的趋势，相关关系可分为正相关和负相 关。 （3）根据变量关系的形态，相关关系可分为直线相关和曲线相关。 （4）根据研究变量的多少，可分为单相关、复相关。
7.1.2 相关分析
7.1.2.2相关系数 相关系数是在直线相关条件下，说明两个变量之间相关程度 以及相关方向的统计分析指标。相关系数一般可以通过计算得 到。作为样本相关系数，常用字母r表示；作为总体相关系数， 常用字母ρ 表示。 相关系数的数值范围是介于–1与 +1之间 （即–1≤ r ≤1），常用小数形式表示，一般要取小数点后两 位数字来表示，以便比较精确地描述其相关程度。 两个变量之间的相关程度用相关系数r的绝对值表示，其 绝对值越接近1，表明两个变量的相关程度越高；其绝对值越接 近于0，表明两个变量相关程度越低。如果其绝对值等于零1， 则表示两个变量完全直线相关。如果其绝对值为零，则表示两 个变量完全不相关（不是直线相关）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
儿子身高 .703 * .011 40.333 3.667 12 1
38.917 3.538
12
其中包括了叉积离差矩 阵、协方差矩阵、 Pearson相关系数及相 伴概率p值。从表中可 看出，相关系数为 0.703>0，说明呈正相 关，而相伴概率值 Sig.=0.005<0.05，因此 应拒绝零假设（H0:两 变量之间不具相关性）， 即说明儿子身高是受父 亲身高显著性正影响的。
? 当-1 ≤ r<0，表明变量之间存在负相关关系；
? 当|r|=1时，表示其中一个变量的取值完全取决于另一个变量， 二者即为函数关系；
? 当r=0时，说明变量之间不存在线性相关关系，但这并不排除 变量之间存在其它非线性相关的可能。
根据经验可将其相关程度分为几种：当|r|≥0.8时视为高度相 关；当0.5≤|r|<0.8时视为中度相关；当0.3 ≤ |r|<0.5时视为低度相 关；当|r|<0.3时说明变量之间的相关性很弱。
某种顺序关系（等级、方位或大小等）。定序变量的相关系数 用斯皮尔曼（Spearman）相关系数和肯德尔（Kendall's ）相 关系数来衡量。
Spearman相关系数及Z统计量
n
?6 Di2
r
?
1?
i?1
n(n2
?
1)
Z ? r n?1
Kendall's等级相关系数 及Z统计量
? ? (U ? V) 2
由一个或几个变量的值确定另一个变量的值，即当自变量 x取某 一值时，因变量 y的值可能会有多个。这种变量之间的非一一对
应的、不确定性的关系，称之为相关关系。
(2) 相关分析基本概念
衡量事物之间，或称变量之间线性相关程度的强弱并用适 当的统计指标表示出来，这个过程就是相关分析。相关系数是 衡量变量之间相关程度的一个指标，总体的相关系数用ρ表示， 样本的相关系数用r表示。
?第1步 分析：身高是定距变量，考虑用Pearson相关系数来 衡量。 ?第2步 数据的组织：分成两列，一列是父亲的身高，另一 列是儿子的身高。
7.2二元变量相关分析
?第3步 选择菜单“分析→相关→双变量”，打开如图7-1所 示的对话框，将“father”和“son”两变量移入“变量”框 中；“相关系数”选择Pearson；在“显著性检验”中选择 “双侧检验”；
7.2二元变量相关分析
(4) SPSS实现举例
【例7-1】为了分析父亲与儿子身高之间的相关性，现抽样了 12对父子的身高，数据如下表。请对其进行相关性分析（显著 性水平取α ＝0.05）。
父亲身高 65 63 67 64 68 62 70 66 68 67 69 71
儿子身高 68 66 68 65 69 66 68 65 71 67 68 70
? 构造检验统计量：由于不同的相关系数采用不同的检验统计量， 因此在相关分析时，不同的过程需要构造不同的检验统计量；
? 计算检验统计量的观测值及对应的概率 p值； ? 对两总体的相关性进行推断：如果检验统计量的概率 p值小于 给定的显著性水平，应拒绝零假设，即认为两总体之间存在显著性 线性关系；反之，应接受零假设。
第七章
相关分析
主要内容
7.1 相关分析简介 7.2 两变量相关分析 7.3 偏相关分析 7.4 距离分析
7.1相关分析简介
(1) 函数关系与相关关系
变量之间的关系可以分为两种：一种是函数关系，另一种是 相关关系。函数关系是一一对应的确定性关系，比较容易分析 和测度。可是在现实世界中，变量间的关系往往并不是简单的 确定性关系，也就是说，变量之间有着密切的关系，但又不能
7.2二元变量相关分析
?第2步 对样本来自的两总体是否存在显著的线性关系进行推断： 由于存在抽样的随机性和样本数量较少等原因，通常样本相关 系数不能直接用来说明样本来自的两总体是否具有显著的线性 相关性，需要通过假设检验的方式对样本的总体进行统计推断。
? 提出零假设 H0：即两总体无显著的线性关系；
主要内容
7.1 相关分析简介 7.2 两变量相3 偏相关分析
(1) 基本概念
偏相关分析的任务就是在研究两个变量之间的线性相关关 系时控制可能对其产生影响的变量，这种相关系数称为偏相关 系数。偏相关系数的数值和简单相关系数的数值常常是不同的， 在计算简单相关系数时，所有其他自变量不予考虑。
相关关系的种类 1 按涉及的变量分：简单相关和复相关 2 按表现形式分： 线性相关和非线性相关 3 按变化方向分： 正相关和负相关 4 按相关程度分：不相关、低度相关、显著
相关、高度相关和完全相关
4
主要内容
7.1 相关分析简介 7.2 两变量相关分析 7.3 偏相关分析 7.4 距离分析
7.1二元变量相关分析
7.2二元变量相关分析
?第4步 主要结果及分析。
Pearson 相关性
显著性（双侧）
父亲 身高
平方与叉积的和
协方差
N
Pearson 相关性 显著性（双侧）
儿子 身高
平方与叉积的和 协方差
N
*. 在 0.05 水平（双侧）上显著相关。
父亲身高 1
84.667 7.697
12 .703 * .011 40.333 3.667
(1) 基本概念
二元变量的相关分析是指通过计算变量间两两相关的相关 系数，对两个或两个以上变量之间两两相关的程度进行分析。 根据所研究的变量类型不同，又可以分为二元定距变量的相关
分析和二元定序变量的相关分析。
(2) 统计原理
?二元定距变量的相关分析 ：定距变量又称为间隔（interval） 变量（即连续属性变量），变量值之间可以比较大小，可以用 加减法计算出差异的大小。
n(n ? 1)
Z ? ? 9n(n ? 1)
2(2n ? 5)
7.2 二元变量相关分析
(3) 分析步骤
?第1步 计算相关系数r：利用样本数据计算样本相关系数，样
本相关系数反映了两变量间线性相关程度的强弱。相关系数的
取值范围界于-1与1之间，即-1≤r≤1
? 当0<r ≤ 1，表明变量之间存在正相关关系；
Pearson简单相关系数及t统计量 n
? ( xi ? x)( yi ? y)
r?
i?1
n
n
? ? (xi ? x)2 ( yi ? y)2
t ? r n? 2 1? r2
i?1
i ?1
7.1二元变量相关分析
?定序变量的相关性分析 ：定序变量又称为有序（ordinal）变
量、顺序变量、等级变量，它取值的大小能够表示观测对象的