皮尔逊相关
适用于研究两个连续性资料之间的相关性。应用条件为两组数据都必须符合正态分布,或者是近似于正态分布。
1.分析---描述----探索,选择含有正态检验的正态图,就可以进行正态性检验,看w检验与w检验的p值均大于0.05,即可进行正态分布。如果d检验与w检验的结果存在矛盾,那就按照样本量大小,选择d。检验样本量小时,选择w检验。
2.然后再对变量进行散点图的分析判断是否有线性趋势,之后我们再进行相关分析。
3.点击分析相关双变量,就可以进行分析。
皮尔逊相关性系数是用来判断相关性的大小,显著性水平则是为了证明相关系数的真实性,显著性水平大于0.05,就证明前面的皮尔逊相关系数是假的,并不存在。只有p小于0.05时,前面的皮尔逊相关系数才有意义。它的绝对值越大,相关性越强,0.8到1为高度相关,0.6到0.8为强相关,0.4到0.6为中等相关,相关0.2到0.4弱相关,0到0.2为极弱相关或无相关。
当上述皮尔逊相关的条件不符合及有变量,不是符合正态分布时或者两个变量中至少有一个为等级变量时,就可以使用斯皮尔曼相关。步骤与上述一样,肯德尔系数是非参数相关仅用于双变量均为等级资料。
目的就是为了扣除第三个因素的影响,研究x与y之间的关系分析,分析相关偏相关,需要勾选零阶相关性,此时就可以看到扣除前后的影响关系。p小于0.05才可以考虑
偏相关的散点图可以通过普通的散点图进行做图,也就是说我们做的是残差散点图。得到残差散点图之后,我们要利用描述功能得到x与y均值,利用计算变量得出原始x和y数据,然后就可以计算出偏相关的散点图
首先将自变量与因变量一一对应,使用线性回归分析,保存--未标准化残差。利用生成的残差+自变量各自的均值就可以进行作图了
SPSS中的偏相关只针对皮尔逊有效。如果是斯皮尔曼的话则需要进行程序编码的修改。MONPAR CORR Y X Z /MISSING=LISTWISE /MATRIX OUT(*) RECODE rowtype_('RHO'='CORR') PARTIAL CORR Y X BY Z /MISSING=LISTWISE /MATRIX IN(*).
典型相关
的操作步骤,为分析 相关 典型相关 将各自因素放入
结果上可以看到
Canonical Correlations
典型相关性,他会给出很多典型相关性的数值,那么这是要查看显著性哪个小于0.05就代表这个数值是真的。那么我们就知道了典型相关系数的数值,这个数值我们要按照典型相关系数大小来进行对比,看一下是高度相关中度相关还是强相关还是弱相关还是无关。
Set 1 Standardized Canonical Correlation Coefficients
Set 1 Unstandardized Canonical Correlation Coefficients
另外,如果研究变量的单位相同,就看非标准化系数。研究变量单位不同,就看标准化系数。根据标准化系数,我们可以写出方程式。
Proportion of Variance Explained
已解释的方差比。比如集合一乘以集合二,我们就可以知道集合一,可以用集合二解释多少比例
距离相关