本文介绍了SPSS中的相关分析，包括相关关系的分类、相关系数及其计算，特别是Pearson、Kendall和Spearman相关系数的适用条件。通过腰围、体重、脂肪比重的例子展示了双变量相关分析的步骤，包括散点图绘制、正态性检验、相关系数计算和显著性检验，得出腰围与体重、脂肪比重与体重存在显著线性相关性的结论。
什么是相关分析？
相关分析属于数据分析流程前端的探索性分析，探究变量间关系及性质，能够简单有效说明两变量间存在什么关系，这些关系的常见描述语句有：线性相关、正相关、负相关等。其结果在于指导下一步采取何种方法，是数据挖掘之前的基础工作；
相关关系的分类
相关关系从不同的角度有不同的分类方式。首先是按照相关关系强度划分：完全相关，弱相关和不相关。也能按照相关关系的方向分类：正相关和负相关。以上两种是最常用的分类方式。除此之外，还有两种分类方式，需要重点介绍。
- 按照相关关系形态划分，可以分为线性相关和非线性相关。在直角坐标系里，两个变量的观测值的分布大致在一条直线上，那么这两个变量之间的相关关系是线性关系；如果在直角指标系内，两个变量的观测值分布是一条曲线，那么它们之间的相关关系是非线性相关。
- 按照变量的个数划分，可以分为单相关，复相关和偏相关。单相关是两个变量之间的关系，这两个变量一个是因变量，一个是自变量。两个变量的相关关系分析也被称为二元变量相关分析。复相关是指三个或三个以上的变量之间的关系，即一个因变量对两个或两个以上自变量的相关关系。偏相关综合了单相关和复相关的特点，当一个变量与多个变量相关，但是只关心其中一个因变量与自变量的关系，需要屏蔽其他因变量对自变量的影响，这样的相关关系就叫做偏相关。
相关系数
要想更精确地描述变量间的相关关系，就要计算相关关系的相关系数。计算相关系数一般需要大样本，样本容量最好大于30个，这样才能比较准确反映两个变量间的
最低0.47元/天 解锁文章
2591
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
