学习笔记|秩相关分析|Spearman相关分析|Kendall相关分析|规范表达|《小白爱上SPSS》课程:SPSS第十九讲:秩相关分析怎么做?

这篇具有很好参考价值的文章主要介绍了学习笔记|秩相关分析|Spearman相关分析|Kendall相关分析|规范表达|《小白爱上SPSS》课程:SPSS第十九讲:秩相关分析怎么做?。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。

学习目的

SPSS第十九讲:秩相关分析怎么做?

软件版本

IBM SPSS Statistics 26。

原始文档

《小白爱上SPSS》课程
#统计原理

秩相关分析

前面我们学习过线性相关分析,已知线性相关分析针对的是符合正态性分布的连续型变量,然而在科学研究中,有些数据不符合正态性分布,有些数据也并不连续,只能用定序尺度来度量,这些数据该如何处理呢?此时,就要运用到秩相关分析了。让我们一起来学习如何运用秩相关分析吧。
秩相关分析,又称等级相关分析,是将两样本值按数据的大小顺序排列位次,以每个个体的位次代替实际数据而求得的一种统计量。它是反映等级相关程度的统计分析指标,常用的等级相关分析方法有Spearman相关分析和Kendall秩相关分析等。
其计算公式如下,若不太理解此公式,只要感受下公式之美,然后飘过…
twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall
d代表X,Y的秩差。

一、实战案例

小白记录了篮球比赛前10名的名次和平均投篮命中率,见下表。试问名次与投篮命中率有无关系?
读数据:

GET 
  FILE='E:\E盘备份\recent\小白爱上SPSS\小白数据\第十九讲 秩相关.sav'. 

twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall

二、统计策略

针对上述案例,扪心七问。
Q1:本案例研究目的是什么?
A:关联分析。
Q2:分析的组数是多少呢?
A:两组数据。
Q3:本案例属于什么研究设计?
A:调查研究
Q4:有几个变量?
A:有两个变量。名次和平均投篮命中率。
Q5:变量类型是什么?
A:名次属于等级资料,命中率是连续性变量。
Q6:组内两变量数据服从正态分布么?
A:由于该项研究其中一个变量为等级资料故无需检验另一连续变量的正态性,直接采用秩相关分析。
Q7:组内双变量关系是否为线性关系?
A:需要检验。
概括而言,如果数据满足以下条件,则采用秩相关分析。
twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall

三、SPSS操作

Step1:操作方式:“分析——相关——双变量——”;
Step2:由于有一个变量为等级变量,故选择Spearman;twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall
命令行:

NONPAR CORR 
  /VARIABLES=名次 命中率 
  /PRINT=SPEARMAN TWOTAIL NOSIG 
  /MISSING=PAIRWISE.

四、结果解读

twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall
Spearman相关分析结果显示,r=-0.818, P=0.004, 具有统计学意义,不支持原假设(变量之间不存在相关性),表明篮球排名名次与命中率之间存在相关关系。
秩相关分析也可以选择Kendall相关分析。
命令行:

NONPAR CORR 
  /VARIABLES=名次 命中率 
  /PRINT=KENDALL TWOTAIL NOSIG 
  /MISSING=PAIRWISE.

结果如下:twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall
Kendall相关分析表示,r=0.644, P=0.009,具有统计学意义,表明篮球排名名次与命中率之间存有相关。

五、规范表达

规范报告有多种方式,本公众号只提供一种方式供参考。

1、规范图表

(1)本例只有两个变量之间相关,建议采用散点图呈现结果更直观。
命令行:

GRAPH 
  /SCATTERPLOT(BIVAR)=名次 WITH 命中率 
  /MISSING=LISTWISE.

twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall
通过图表构建器添加线性拟合线:

* 图表构建器. 
GGRAPH 
  /GRAPHDATASET NAME="graphdataset" VARIABLES=名次 命中率 MISSING=LISTWISE REPORTMISSING=NO 
  /GRAPHSPEC SOURCE=INLINE 
  /FITLINE TOTAL=YES. 
BEGIN GPL 
  SOURCE: s=userSource(id("graphdataset")) 
  DATA: 名次=col(source(s), name("名次")) 
  DATA: 命中率=col(source(s), name("命中率")) 
  GUIDE: axis(dim(1), label("名次")) 
  GUIDE: axis(dim(2), label("命中率")) 
  GUIDE: text.title(label("包含拟合线的简单散点图 /  命中率 按 名次")) 
  ELEMENT: point(position(名次*命中率)) 
END GPL.

twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall
(2)若有多个变量之间两两相关,则采用相关矩阵表呈现(详见上一讲的相关矩阵表)
命令行(默认采用皮尔逊方法计算相关系数):

CORRELATIONS 
  /VARIABLES=名次 命中率 
  /PRINT=TWOTAIL NOSIG 
  /MISSING=PAIRWISE.

twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall
命令行(SPEARMAN方法计算相关系数):

NONPAR CORR 
  /VARIABLES=名次 命中率 
  /PRINT=SPEARMAN TWOTAIL NOSIG 
  /MISSING=PAIRWISE.

twotailnosig,SPSS,学习,笔记,算法,SPSS,Spearman,Kendall

2、规范文字

Spearman相关分析结果显示,r=-0.818, P=0.004,具有统计学意义,表明篮球排名名次与命中率之间存在相关关系。

六、划重点:

1.秩相关分析,又称等级相关分析,是将两样本值按数据的大小顺序排列位次,用每个样本的个体的位次代替实际数据而求得的一种统计量
2.秩相关分析主要针对两种情况:双变量至少有一个非正态分布的定量资料、至少一个变量为等级资料。
3.常用的等级相关分析方法有Spearman相关分析和Kendall秩相关分析等,通常采用Spearman相关。
4.不服从正态分布的定量资料可选择秩相关。定量资料采用Spearman分析会损失信息,降低检验效能,减少阳性的可能。文章来源地址https://www.toymoban.com/news/detail-861479.html

到了这里,关于学习笔记|秩相关分析|Spearman相关分析|Kendall相关分析|规范表达|《小白爱上SPSS》课程:SPSS第十九讲:秩相关分析怎么做?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

  • 数学建模:相关性分析学习——皮尔逊(pearson)相关系数与斯皮尔曼(spearman)相关系数

    目录 前言 一、基本概念及二者适用范围比较 1、什么是相关性分析 2、什么是相关系数 3、适用范围比较 二、相关系数 1.皮尔逊相关系数(Pearson correlation) 1、线性检验 2、正态检验 3、求相关系数 2、斯皮尔曼相关系数(Spearman correlation) 1、秩相关系数 2、使用条件 3、求相

    2024年01月17日
    浏览(43)
  • Spearman 相关性分析法,以及python的完整代码应用

    Spearman 相关性分析法是一种针对两个变量之间非线性关系的相关性计算方法,同时,它不对数据的分布进行假设。该方法的基本思想是将两个(也可以多个)变量的值进行排序,并计算它们之间的等级相关性(Spearman 相关系数)。Spearman 相关系数的范围在 -1 到 1 之间,取值为

    2024年02月09日
    浏览(45)
  • 数学建模学习笔记(20)典型相关分析

    典型相关分析概述 :研究两组变量(每组变量都可能有多个指标)之间的相关关系的一种多元统计方法,能够揭示两组变量之间的内在联系。 典型相关分析的思想 :把多个变量和多个变量之间的相关化为两个具有代表性的变量之间的相关性。对于一组变量来说,最简单的代

    2024年02月10日
    浏览(40)
  • Pearson相关系数和Spearman相关系数的区别

      参考资料前两个博客讲解的非常详细,因本人想要自己梳理下,才有此文,请直接跳转即可。 (1)简单来说   协方差:变量具有 同增、同减 的趋势。趋势越接近,则相关性越大,反之越小。   相关系数:协方差的标准化,把数值控制在[-1,1]的区间表示。方便比较

    2023年04月14日
    浏览(43)
  • 肯德尔(Kendall)相关系数概述及Python计算例

    目录 1. 何谓相关(correlation)? 2. 肯德尔相关  3. 肯德尔相关的假设 4. 计算公式及代码示例 4.1 Tau-a 4.2  Tau-b                  相关是指一种双变量分析(bi-variate analysis)技术,用于分析两个(随机)变量之间相互关联的强度和方向。相关系数的值域范围为[-1,1],其中绝

    2024年02月19日
    浏览(41)
  • 肯德尔秩相关系数(Kendall‘s Tau)排名

    肯德尔秩相关系数(Kendall’s Tau)是一种用于衡量两个排列之间相似性的统计指标,它考虑了元素之间的顺序关系而不考虑具体数值。该系数被广泛用于排序、排名和比较不同实验结果的相关性等领域。 具体而言,肯德尔秩相关系数衡量了两个排列之间逆序对(倒置对)的数

    2024年02月11日
    浏览(42)
  • 数学建模冲国奖之——Person相关系数和Spearman相关系数

      目录 一、简介 二、Person相关系数 三、相关性可视化 四、皮尔逊相关系数的理解误区 五、对皮尔逊相关系数的两点总结 六、Person系数习题 七、Person系数假设检验适用前提 八、Spearman相关系数 九、Spearman相关系数假设检验  十、两者适用性 本讲我们介绍两种最常用的相关

    2024年02月06日
    浏览(36)
  • python数据处理——计算相关系数矩阵(Spearman)

    计算相关系数矩阵,原始数据如下: 计算相关系数矩阵代码如下: 计算结果保存到工作表,打开结果如下:  

    2024年02月16日
    浏览(45)
  • 斯皮尔曼(spearman)相关系数python代码实现

    斯皮尔曼等级相关系数 (简称 等级相关系数 ,或称 秩相关系数 ,英语:Spearman\\\'s rank correlation coefficient或Spearman\\\'s ρ)。一般用 或者 表示。它是衡量两个变量的相关性的无母数指标。它利用单调函数评价两个统计变量的相关性。若数据中没有重复值,且当两变量完全单调相

    2024年01月18日
    浏览(35)
  • 表达矩阵任意两个基因相关性分析 批量相关性分析 tcga geo 矩阵中相关性强的基因对 基因相关性 ecm matrisome与gpx3

    使用场景 1.已经确定研究的基因,但是想探索他潜在的功能,可以通过跟这个基因表达最相关的基因来反推他的功能,这种方法在英语中称为 guilt of association,协同犯罪 。 2.我们的注释方法依赖于TCGA大样本,既然他可以注释基因,那么任何跟肿瘤相关的基因都可以被注释,

    2024年02月01日
    浏览(59)

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