图形→散点图→简单散点图分析→回归分析→线性回归分析分析实例

**. Correlation is significant at the 0.01 level (2-tailed).

分析结论

进食量和体重增量的相关系数为0.940，P<0.01， 有统计学意义。
来自百度文库. 秩相关系数



适用情况：不服从双变量正态分布、分布未知、 等级资料。 Spearman等级相关用rs表示两变量的相关关 系的密切程度及相关方向。 基本思想：将两变量分别从小到大编秩，对秩 次进行前述的相关分析。

SPSS分析过程

分析 → 相关分析 → 相关分析 相关系数复选框：Spearman
Correlations 进食量 体重增量 1.000 .899** Spearman's rho 进食量 Correlation Coefficient . .000 Sig. (2-tailed) 10 10 N .899** 1.000 体重增量 Correlation Coefficient .000 . Sig. (2-tailed) 10 10 N **.Correlation is significant at the 0.01 level (2-tailed).

分析 →相关分析 → 偏相关分析 变量框：price、mpg 控制框：weight
Correlations Control Variables Weight (lbs.) Price Price Mileage (mpg) 1.000 -.068 Correlation . .567 Significance (2-tailed) 0 71 df -.068 1.000 Mileage (mpg) Correlation .567 . Significance (2-tailed) 71 0 df
实习15 相关分析与回归分析
学习目标

能用SPSS做简单相关分析 能用SPSS做简单回归分析
主要内容
15.1 相关分析简介 15.2 简单相关分析 15.3 偏相关分析 15.4 简单回归分析
15.1 相关分析简介
一些基本概念


直线相关：研究两个变量是否存在直线相关关 系，以及关系的密切程度 正相关、负相关、完全相关 相关系数：表示相关的密切程度与相关方向的 指标，取值范围：[-1, 1]。
Correlations Price
Price
Pearson Correlation Sig. (2-tailed) N Mileage (mpg) Pearson Correlation Sig. (2-tailed) N Weight (lbs.) Pearson Correlation Sig. (2-tailed) N **.Correlation is significant at the 0.01 level (2-tailed).
相关系数的检验方法

样本相关系数r 是总体相关系数ρ 的估计值， 需进行假设检验。 H0：ρ＝0，两变量间无直线相关关系 H1：ρ≠0，两变量间有直线相关关系 在SPSS中，直接给出最终的P值。
积差相关系数的适用条件



积差相关系数适用于线性相关的情形，且各自 均服从正态分布。 样本中存在的极端值对积差相关系数的计算影 响极大，要慎重考虑和处理，必要时可以对其 进行剔除，或者加以变量变换。 工具：散点图、直方图、K-S检验等。
体重增量 .750 **
.003 10
体重增量 Correlation Coefficient
Sig. (2-tailed)
.750 **
.003
1.000
.
N
**. Correlation is significant at the 0.01 level (2-tailed).
10
10
适用于两个变量均为有序分类的情况！
Mileage (mpg) Weight 1 -.469 ** .000 74 74 -.469 ** 1 .000 74 74 .539 ** -.807 ** .000 .000 74 74
(lbs.) .539 ** .000 74 -.807 ** .000 74 1
74
分析实例

SPSS分析过程
散点图可以用来发现异常值！
分析实例

数据文件是corr.sav
分析实例

相关分析用于进行两个/多个变量间的相关分析 SPSS分析过程

图形 →散点图 → 简单散点图 分析 → 相关分析 → 双变量相关分析
分析实例
Correlations 进食量 进食量 Pearson Correlation Sig. (2-tailed) N 体重增量 Pearson Correlation Sig. (2-tailed) N 10 .940** .000 10 10 1 体重增量 .940** .000 10 1
15.3 偏相关分析
方法原理


控制其它变量影响的情况下，分析两个变量之 间的关系。 偏相关系数：揭示两变量之间的真实联系。
分析实例


例15.2：分析汽车价格和每加仑汽油可行驶公 里数的相关关系。教材中的auto.sav。 分析：汽车的自重可影响每加仑汽油可行驶公 里数。
利用相关分析得到3个变量两两之间的相关关系：
SPSS中的相关分析过程

双变量相关分：变量之间的两两相关 偏相关分析：对其他变量控制后的两两相关 距离：同一变量内部观测值或不同变量间的相 似性和不相似性
15.2 简单相关分析
1. 积差相关系数（Pearson相关 系数）的计算 1 l ( x x) n 1
n 2 xx i 1 i
1 n 2 l yy ( y y ) i n 1 i 1 1 n l xy ( xi x )( yi y ) n 1 i 1 l xy r l xx l yy l xx、l yy 和l xy 都是离均差积和 所以r又称为积差相关系数
注：积差相关系数严格上仅适用于两变量呈线性相关时。

结论

进食量和体重增量的Spearman相关系数为0.899， P<0.01，有统计学意义。
Kendall’s 等级相关系数
Correlations Kendall's tau_b 进食量
进食量 1.000 Correlation Coefficient
Sig. (2-tailed) N . 10