【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

这篇具有很好参考价值的文章主要介绍了【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

🤵‍♂️ 个人主页:@艾派森的个人主页

✍🏻作者简介:Python学习者
🐋 希望大家多多支持,我们一起进步!😄
如果文章对你有帮助的话,
欢迎评论 💬点赞👍🏻 收藏 📂加关注+


目录

相关分析与散点图

相关系数 

使用SPSS进行相关分析 

偏相关分析 


相关分析与散点图

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

 相关分析要点

  • 相关分析是分析客观事物之间关系的数量分析方法
  • 线性相关和非线性相关
  • 相关分析最常用的方法
    • 绘制散点图
    • 计算相关系数

【案例】—— 绘制体重与腰围的散点图,观察相关性

操作步骤:

①选择菜单【图形】----> 【旧对话框】----> 【散点图/点图】

②选择“简单分布”,并点击【定义】按钮

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

③分别在"Y轴"与“X轴”选择“腰围”、“体重” 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

④点击“确定”,得到散点图 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

由图可以粗略得知,体重与腰围之间存在较强的正相关关系

⑤当散点图中的点很密集时,会在一定程度上影响图形观察效果。可对散点图进行调整,在SPSS查看器窗口中选中相应的散点图双击鼠标,进入SPSS的图表编辑器窗口。选择菜单【选项】----> 【分箱元素】子菜单进行数据点合并

⑥如果希望得到拟合线,可以再编辑该散点图,选中【元素】菜单 下的【总计拟合线】子菜单,并选择回归线。 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

⑦最终效果 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

相关系数 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

相关系数基础知识

  • 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步骤
    • 1.利用样本数据计算样本相关系数r
      • 样本相关系数r反映了两变量间线性相关程度的强弱
      • 对不同类型的变量应采用不同的相关系数指标
      • 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 在负的线性相关关系;r=0表示两变量不存在线性相关关系
    • 2.对样本来自的两总体是否存在显著的线性关系进行推断
      • 原假设H0 :两总体无显著线性关系,存在零相关
      • 检验统计量:对不同类型的变量应采用不同的检验统计量
      • 计算检验统计量的观测值和对应的概率P值
      • 决策

相关系数的种类

Pearson简单相关系数:用来度量两数值型变量间的线性相关关系 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

 式中,n为样本量;xi和yi分别为两变量的变量值

Pearson简单相关系数的检验统计量为t统计量,其数学定义为:

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

 式中,t统计量服从n-2个自由度的t分布

  • Spearman等级相关系数:主要用来度量定序型变量间的线性相关关系。如:不同年龄段与不同收入段
  • Kendall τ相关系数

采用非参数检验方法度量定序型变量间的线性相关关系

使用SPSS进行相关分析 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

【案例】—— 计算体重与腰围的相关系数前面已经通过绘制散点图得知体重与腰围之间存在较强的正相关关系,为更准确地反映两者之间线性关系的强弱,采用计算相关系数的方法。由于这两个变量均为数值型变量,因此采用简单相关系数。

操作步骤:

①选择菜单【分析】----> 【相关】----> 【双变量】

②选择参加计算相关系数的变量到【变量(V)】框中,由于腰围与体重均为数值型变量,所以在【相关系数】框中选择“皮尔逊”相关系数

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

③点击“确定”,分析结果如下 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

        由分析结果可知:体重与腰围间的皮尔逊相关系数为0.853,说明两者之间存在正的强相关性,其相关系数检验的概率P值近似为0,因此,应拒绝相关系数检验的原假设,认为两总体不是零相关,认为体重与腰围存在显著的线性相关性。另外,表中相关系数右上角的两个星号**表示显著性水平α为0.01时拒绝原假设。 

偏相关分析 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

偏相关分析介绍

        偏相关分析用于分析当两个变量都与第三个变量相关时,将第三个变量的影响剔除,只分析另外两个变量之间的线性相关性。

        比如,研究身高与肺活量之间的关系,身高与肺活量都同体重有关系,如果不考虑体重的影响,就会得到身高越高,肺活量越 大,这显然是不准确的。因此,当存在可能会影响两变量之间的相关性的因素时,就需要使用偏相关分析,以得到更加科学的结论。

偏相关系数的取值范围及大小的含义与相关系数相同 

 【案例】 体重与腰围之间存在相关性,直觉认为这种相关性会受到体内脂肪比重的影响。为此,可将脂肪比重(体脂率)作为控制变量, 对体重和腰围作偏相关分析。

操作步骤:

①选择菜单【分析】----> 【相关】----> 【偏相关】

②选择参与分析的变量到【变量(V)】框中,选择一个或多个被控制的变量到【控制(C)】框中

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

③点击“确定”,分析结果为: 

【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

        由分析结果可知:在体脂率作为控制变量的条件下,体重和腰围的偏相关系数为0.709,呈现一定的正相关,而且偏相关系数检验的概率P值小于显著性水平α,应拒绝偏相关系数检验的原假设,认为体重与腰围存在显著的线性相关性。文章来源地址https://www.toymoban.com/news/detail-429120.html

到了这里,关于【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • SPSS--如何使用分层分析以及分层分析案例分享

         分层分析: 将资料按某个或某些需要控制的变量的不同分类进行分层,然后再估计暴露因子与某结局变量之间关系的一种资料分析方法 。 分层分析的最重要的用途是评估和控制混杂因子所致的混杂偏倚。通过按混杂因子分层,可使每层内的两个比较组在所控制的混杂

    2024年02月12日
    浏览(33)
  • SPSS中系统聚类操作案例

    示例: 一啤酒生产商想了解当前啤酒市场情况,并判断时下最受欢迎的啤酒品牌,收集了多种啤酒在售价、热量、钠含量、酒精含量等方面的数据。运用系统聚类法对各项数据进行分析,并给出: (1)所有样本的归类情况表(群集成员表); (2)所有样本的树状图; (

    2024年02月06日
    浏览(25)
  • 因子分析的过程(使用SPSS,提供部分公式的LATEX代码)

    因子分析与主成分分析相类似,同样用于降维,但因子分析具有更好的可解释性(因为相较于主成分分析,因子分析多了一个因子旋转),因此更适合降维,在这个程度上讲,因子分析是主成分分析的推广和扩展 需要进行特别讲述的是这里的因子和试验设计里的因子(或因素

    2024年02月05日
    浏览(26)
  • 苹果电脑MacBook M1芯片安装SPSS(数据分析工具)教程详细介绍:保姆级教程!!!

    特别强调:在安装过程中请逐一对照安装步骤,操作可以慢一点但是不要出错,避免出现一系列报错或者无法打开软件的情况。 首先准备好两个安装文件,一个是后缀为 dmg 的安装包,一个是 pojie 文件。首先在下面附上安装文件链接(点击即可): 链接: 百度网盘 提取码:

    2023年04月22日
    浏览(152)
  • R语言数据分析笔记——方差分析(单因素方差分析、双因素方差分析)在Excel、SPSS、R语言中的操作)

    前言:本文为个人学习笔记,为各大网站上的教学内容之综合整理,综合整理了①方差分析的基础知识、②方差分析(单因素方差分析、双因素方差分析)在Excel、SPSS、R语言中的操作),尽量标明出处。另因能力所限或有纰漏之处,故仅供参考,欢迎交流指正。 基本概念 指

    2024年02月05日
    浏览(39)
  • 向量与矩阵 导数和偏导数 特征值与特征向量 概率分布 期望方差 相关系数

    标量(scalar) :一个单独的数。 向量(vector) :⼀组有序排列的数。通过次序中的索引,我们可以确定每个单独的数。 矩阵(matrix) :具有相同特征和纬度的对象的集合。⼀个对象表⽰为矩阵中的⼀⾏,⼀个特征表⽰为矩阵中的⼀列,表现为⼀张⼆维数据表。 张量(ten

    2024年02月03日
    浏览(32)
  • 机器学习——时间序列ARIMA模型(四):自相关函数ACF和偏自相关函数PACF用于判断ARIMA模型中p、q参数取值

    自相关函数反映了同一序列在不同时序的取值之间的相关性。 公式: A C F ( k ) = ρ k = C o v ( y t , y t − k ) V a r ( y t ) ACF(k)=rho_{k}=frac{Cov(y_{t},y_{t-k})}{Var(y_{t})} A CF ( k ) = ρ k ​ = Va r ( y t ​ ) C o v ( y t ​ , y t − k ​ ) ​ 其中分子用于求协方差矩阵,分母用于计算样本方差。求出

    2023年04月24日
    浏览(44)
  • 【SPSS】SPSS之相关系数矩阵(Pearson)

    使用 SPSS 的双变量相关分析菜单,采用皮尔逊相关系数,同时命令软件【标记显著性相关性】。 点击“文件”-“导入数据”-“Excel” 读取Excel文件-点击“确定” 点击“分析” “分析”-“相关”-“双变量” 导入变量,点击确定 我们把得出的矩阵复制到word里,并删除掉【显

    2024年02月11日
    浏览(32)
  • Spark项目实战,详细操作图文详解(基于Spark MLlib的鸢尾花聚类项目实战、基于Spark GraphX的航班飞行网图分析)

    目录 一、基于MLlib的鸢尾花聚类项目实战 1.1 项目背景 1.1.1 背景 1.1.2 数据 1.2 项目实战步骤(图文详解) 二、基于GraphX的航班飞行网图分析 2.1 项目背景 2.1.1 背景 2.1.2 数据 2.2 项目实战步骤(图文详解) 1.1.1 背景 数据iris.txt以鸢尾花的特征作为数据来源,(数据集包含150个

    2024年02月03日
    浏览(45)
  • npm install 相关过程及分析

    注意:镜像源就是在这个文件中配置的 优先级: 每个项目的配置文件( /path/to/my/project/.npmrc ) 每个工作区的配置文件(包含  pnpm-workspace.yaml  文件的目录) 每位用户的配置文件(  ~/.npmrc  ) 全局配置文件(  /etc/npmrc  ) 注意:npm/pnpm 检查的是 package-lock.json,yarn检查的

    2024年02月20日
    浏览(31)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包