如何选择数据分析方法.ppt

1、A,1,如何选择数据分析方法?,吴喜之,A,2,数据和目的相结合的出发点,1.相关分析及回归类模型（相关、简单的回归、Logistic回归、对数线性模型、方差分析和一般线性模型）2.经典多元分析内容（主成分分析、因子分析、聚类分析、判别分析、对应分析）,A,3,主要涉及的相关问题,什么是相关？列联表中定性变量的相关(Fisher但列联表也会带有定量变量作为协变量。,A,14,二维列联表的检验,研究列联表的一个主要目的是看这些变量是否相关。比如前面例子中的收入和观点是否相关。这需要形式上的检验,A,15,二维列联表的检验,对于上面那样的二维表。我们检验的零假设和备选假设为H0:观点和收入这两个变

2、量不相关;H1:这两个变量相关。这里的检验统计量在零假设下有（大样本时）近似的c2分布。当该统计量很大时或p-值很小时，就可以拒绝零假设，认为两个变量相关。实际上有不止一个c2检验统计量。包括Pearsonc2统计量和似然比（likelihoodratio）c2统计量；它们都有渐近的c2分布。根据计算可以得到（对于这两个统计量均有）p-值小于0.001。因此可以说，收入高低的确影响观点。,A,16,Pearsonc2统计量,似然比c2统计量,Oi代表第i个格子的计数，Ei代表按照零假设（行列无关）对第i格子的计数的期望值,A,17,二维列联表的检验,刚才说，这些c2统计量是近似的，那么有没有精

3、确的统计量呢？当然有。这个检验称为Fisher精确检验；它不是c2分布，而是超几何分布。对本问题,计算Fisher统计量得到的p-值也小于0.001。既然有精确检验为什么还用近似的c2检验？这是因为当数目很大时，超几何分布计算相当缓慢（比近似计算会差很多倍的时间）；而且在计算机速度不快时，根本无法计算。因此人们多用大样本近似的c2统计量。而列联表的有关检验也和c2检验联系起来了。,A,18,Fisher精确检验,A,19,SPSS:Weight-Describ-crosstab-exact,A,20,下面为SPSS对于table7.savs数据产生的下面二维列联表相关分析的输出,A,21,两个

4、定量变量的相关,如果两个定量变量没有关系，就谈不上建立模型或进行回归。但怎样才能确定两个变量有没有关系呢?最简单的办法就是画出它们的散点图。,A,22,例1有50个从初中升到高中的学生.为了比较初三的成绩是否和高中的成绩相关,得到了他们在初三和高一的各科平均成绩(数据:highschool.sav),从这张图可以看出什么呢?,A,23,问题是,怎么判断这两个变量是否相关?如何相关?相关的度量是什么?进一步的问题是能否以初三成绩为自变量，高一成绩为因变量来建立一个回归模型以描述这样的关系，或用于预测。,A,24,四组数据(每个有两个变量的样本)的散点图,A,25,几种相关的度量,Pearson相

5、关系数,又叫相关系数或线性相关系数。它一般用字母r表示.Kendallt相关系数(Kendallst)这里的度量原理是把所有的样本点配对,看每一对中的x和y是否都增加来判断总体模式.Spearman秩相关系数,它和Pearson相关系数定义有些类似,只不过在定义中把点的坐标换成各自样本的秩.它们各自都有以不相关为零假设的检验,即p-值小则相关.但各自的相关含义不尽相同.现在再来看例1的数据(highschool.sav).关于初三和高一成绩的相关系数的结果是Pearson相关系数，Kendallt和Spearman秩相关系数分别为0.795,0.595和0.758。,A,26,SPSS的相关分

6、析,相关分析(hischool.sav）利用SPSS选项：AnalizeCorrelateBivariate再把两个有关的变量(这里为j3和s1)选入，选择Pearson，Spearman和Kendall就可以得出这三个相关系数和有关的检验结果了(零假设均为不相关)。,A,27,例子,x=-20:20y=x2,A,28,例子,x=-20:20y=x2,A,29,例子,x=1:41y=x5,A,30,例子,x=1:41y=x5,A,31,多个（定性或定量）变量间的关系,比如关于高等学校的数据的一些指标包括:定量变量（在校生人数、研究生比例,教师人数、教师占雇员的比例、教师学生比例、SCI和SSCI文章数目和引用数目、科研项目数和科研总经费）和定性变量（所属于分类、所在地区分类）等,A,32,在许多变量之中,比如，可得任何一个变量和其余变量（无论定量还是定性）之间的定量关系（回归或线性模型）或者多个（定量）变量之间的定量关系(因而可以建立模型，进行预测和各种推断)（典型相关分析、对应分析）也可以利用其中一些（定量）变量