教案27相关分析.docx
- 文档编号:3328370
- 上传时间:2023-05-05
- 格式:DOCX
- 页数:5
- 大小:27.40KB
教案27相关分析.docx
《教案27相关分析.docx》由会员分享,可在线阅读,更多相关《教案27相关分析.docx(5页珍藏版)》请在冰点文库上搜索。
课程名称:
SPSS统计软件应用 课程性质:
专业必修课授课班级:
16财政1、2
教学内容
第七章相关分析
课次/学时
27/2
教学目的要求
掌握相关分析的基本概念。
掌握绘制各种散点图的方法。
理解散点图的意义。
掌握3种相关系数的概念和解释。
掌握偏相关分析的概念、方法和结果解释。
教学重点
掌握绘制各种散点图的方法。
理解散点图的意义。
掌握3种相关系数的概念和解释。
掌握偏相关分析的概念、方法和结果解释。
教学难点
掌握3种相关系数的概念和解释。
掌握偏相关分析的概念、方法和结果解释。
教学内容
相关的基本概念
1.函数关系和相关关系
函数关系是指事物或现象之间存在着严格的依存关系,其主要特征是它的确定性,即对一个变量的每一个值,另一个变量都具有惟一确定的值与之相对应。
变量之间的函数关系通常可以用函数式Y=f(x)确切地表示出来。
例如,圆的周长C对于半径r的依存关系就是函数关系:
C=2πr。
相关关系反映出变量之间虽然相互影响,具有依存关系,但彼此之间是不能一一对应的。
例如,学生成绩与其智力因素、各科学习成绩之间的关系、教育投资额与经济发展水平的关系、社会环境与人民健康的关系等等,都反映出客观现象中存在的相关关系。
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。
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)。
变量相关的方向通过相关系数r所具有的符号来表示,“+”号表示正相关,即0≤r≤1。
“﹣”表示负相关,即0≥r≥﹣1。
在使用相关系数时应该注意下面的几个问题。
(1)相关系数只是一个比率值,并不具备与相关变量相同的测量单位。
(2)相关系数r受变量取值区间大小及样本数目多少的影响比较大。
(3)来自于不同群体且不同质的事物的相关系数不能进行比较。
(4)对于不同类型的数据,计算相关系数的方法也不相同。
SPSS在简单相关分析中的应用
简单相关分析的基本原理
简单相关分析是研究两个变量之间关联程度的统计方法。
它主要是通过计算简单相关系数来反映变量之间关系的强弱。
一般它有图形和数值两种表示方式。
1、相关图
在统计中制作相关图,可以直观地判断事物现象之间大致上呈现何种关系的形式。
相关图是相关分析的重要方法。
利用直角坐标系第一象限,把第一个变量置于横轴上,第二个变量置于纵轴上,而将两个变量对应的变量值用坐标点形式描绘出来,用以表明相关点分布状况的图形,这就是相关图
2、相关系数
虽然相关图能够展现变量之间的数量关系,但这也只是种直观判断方法。
因此,可以计算变量之间的相关系数。
对不同类型的变量应当采取不同的相关系数来度量,常用的相关系数主要有:
皮尔逊(Pearson)相关系数
常称为积差相关系数,适用于研究连续变量之间的相关程度。
例如,收入和储蓄存款、身高和体重等变量间的线性相关关系。
注意Pearson相关系数适用于线性相关的情形,对于曲线相关等更为复杂的情形,系数的大小并不能代表其相关性的强弱。
它的计算公式为:
利用相关系数r的大小可以判断变量间相关关系的密切程度,具体见表所示。
见PPT课件。
对Pearson简单相关系数的统计检验是计算t统计量,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。
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:
式中:
D是两个变量每对数据等级之差,n是两列变量值的对数。
Spearman相关系数计算公式可以完全套用Pearson相关系数的计算公式,但公式中的x和y用它们的秩次代替即可。
Kendall’s等级相关系数
它是用于反映分类变量相关性的指标,适用于两个变量均为有序分类的情况。
这种指标采用非参数检验方法测度变量间的相关关系。
它利用变量的秩计算一致对数目和非一致对数目。
显然,如果两变量具有较强的正相关,则一致对数目U应较大;但若两变量相关性较弱,则一致对数目U和非一致对数目V应大致相等。
故按照此思想,可得其定义为:
SPSS将自动计算它的相关系数、检验统计量和对应的概率P值。
简单相关分析的SPSS操作详解:
省略
实例分析:
股票指数之间的联系
偏相关分析的基本原理
1.方法概述
简单相关分析计算两个变量之间的相互关系,分析两个变量间线性关系的程度。
但是现实中,事物之间的联系可能存在于多个主体之间,因此往往因为第三个变量的作用使得相关系数不能真实地反映两个变量间的线性相关程度。
例如身高、体重与肺活量之间的关系,如果使用Pearson相关计算其相关系数,可以得出肺活量、身高和体重均存在较强的线性相关性质。
但实际上呢,对体重相同的人而言,身高值越大其肺活量也不一定越大。
因为身高与体重有着线性关系,肺活量与体重有着线性关系,因此得出了身高与肺活量之间存在较强的线性关系的错误结论。
偏相关分析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。
2.基本原理
偏相关分析是在相关分析的基础上考虑了两个因素以外的各种作用,或者说在扣除了其他因素的作用大小以后,重新来测度这两个因素间的关联程度。
这种方法的目的就在于消除其他变量关联性的传递效应。
偏相关系数在计算时可以首先分别计算三个因素之间的相关系数,然后通过这三个简单相关系数来计算偏相关系数,公式如下:
。
上式就是在控制了第三个因素的影响所计算的第一、第二个因素之间的偏相关系数。
当考虑一个以上的控制因素时的公式类推。
偏相关分析的SPSS操作详解:
省略
实例分析:
股票市场和债券市场
教学组织设计
讲授
思考题与作业
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 教案 27 相关 分析
![提示](https://static.bingdoc.com/images/bang_tan.gif)