ch10第十章 相关分析课件

第十章相关分析简单相关分析偏相关分析距离分析10.1相关分析概述

相关分析中，变量y与x处于平等地位。相关关系可以通过绘制散点图和计算相关系数来描述和测定。散点图可以直观描述两个变量间的大致关系，可以看出关系形态和联系的紧密程度。相关系数可以准确测定两个变量间的线性相关关系。相关系数比较：1.皮尔逊相关系数Pearson适合计量资料简单相关系数的测定2.斯皮尔曼相关系数Spearman适合等级资料，测两个等级变量3.复相关系数计量资料，一个因变量与多个自变量的相关系数4.偏相关系数计量资料，测定多元回归中，其他自变量固定不变，单个变量同因变量间的相关系数10.2二元相关分析

二元相关分析是最常用的相关分析工具，可以对多个变量计算相关系数矩阵。能够计算的相关系数包括Pearson相关系数、Spearman相关系数和Kendall协和系数。1.Pearson简单相关系数2.Spearman等级相关系数

U、V代表两个变量等级

当两个变量数据分别很不均匀时，用Spearman相关系数能更好地描述两个变量间的相关关系。10.2二元相关分析得到输出结果。以矩阵形式输出相关系数，并进行了显著性检验。Pearson相关系数为0.741，显著。Spearman等级相关系数为0.806，更加显著。10.2二元相关分析练习1：根据刚才的体重和肺活量数据，继续分析体重、肺活量和身高三者的相关关系。练习2：请打开职工信息.sav，试分析当前工资、初始工资、教育年限和工作时间之间的联系。10.3偏相关分析

当分析两个变量间相关关系时，往往会有其他变量的影响夹杂在其中，使得计算出的相关系数难以体现两个变量间的真实相关关系。比如伦敦股票指数与英国奶牛喂养数间相关系数高达0.8以上，其实是二者都受到一个共同变量即经济发展GDP的影响而形成的一种虚假相关。这种虚假相关对我们分析问题有很大的副作用，使我们不能抓住问题的实质和核心。偏相关分析可以在分析两个变量的相关关系时，指定其他有影响的协变量，然后将协变量对二者的影响消除，得到真实的相关结果。10.3偏相关分析

前面我们分析了身高、体重和肺活量三者间具有很强的相关关系，但这这些联系是否都是直接联系呢？用偏相关分析测定首先测定身高和肺活量间是否有直接本质联系Analyzecorrelatepartial

分析变量为身高、肺活量控制变量(协变量)体重单击Option选ZeroOrderCorrelations(零阶相关系数)得到直接相关系数矩阵和偏相关系数。

10.3偏相关分析2.偏相关系数控制变量Controllingfor..体重肺活量身高肺活量1.0000.0609(0)(9)

P=.P=.859身高.06091.0000(9)(0)

P=.859P=.(Coefficient/(D.F.)/2-tailedSignificance)"."isprintedifacoefficientcannotbecomputed10.4距离分析

在偏相关分析中，计算两个变量的相关关系时，需要控制其他“次要”变量的影响，但如果变量多到了无法一一关心、研究的地步，这些变量都代表了一定的信息，但又彼此重叠，如经济类指标。此时可以进行聚类分析，按一定的方法分类，但指标太多时，聚类分析做起来也比较头痛。可以用距离分析先对变量进行初步研究。

距离分析就是按各种统计测量指标计算各个变量（或案例）间的相似性或不相似性（距离），以帮助分析复杂的数据。距离分析不会进行检验，即不会给出P值，而只给出各变量/案例间的距离大小，有用户进行判断。10.4距离分析结果为：用欧几里得距离测量，美国、法国和韩国裁判间评分距离小，比较类似，中国、罗马尼亚、俄罗斯裁判也抱成团，体育爱好者与专业裁判评分差距较大。距离分析－空间感知图计算出各样本点或各变量间的距离后，可以进一步作出空间感知图。如果已知各城市间的距离，是否可以在地图上标出各城市的位置呢？当然标法可能有多种。多维尺度分析－MDS可以作出空间感知图，来直观表示各样本点或变量间的关系。类似于对应分析。距离分析－空间感知图Analyze－>scale->multid