SPSS新手教程—相关性分析方法解析

相关性分析旨在分析两组数据之间是否相互影响,彼此是否独立的变动。SPSS内部提供了多种分析数据相关性的方法:卡方检验(Chi-SquareTest),Pearson相关系数计算,Spearman相关系数计算和Kendall的tau-b(K)相关系数计算。这四种分析方法适用于不同的数据类型,下面向大家介绍常用的SPSS相关性分析方法。

1.卡方检验(Chi-SquareTest)

卡方检验(Chi-SquareTest)是由Pearson提出的一种统计方法,在一定的置信水平和自由度下,通过比较卡方统计量和卡方分布函数概率值,判断实际概率与期望概率是否吻合,进而分析两个分类变量的相关性。

卡方检验(Chi-SquareTest)适用于不服从正态分布的数据,两组变量是无序的。使用SPSS进行卡方检验的操作方法,大家可以登录SPSS中文网站进行学习,这里仅作原理性的介绍。如图1是某种药物单独使用和药物与放疗同时使用时,治疗是否有效的卡方检验结果。

个案处理摘要显示了有效数据和无效数据的数量。VAR00001*VAR00002交叉表显示各变量对应的频数,VAR00001列1代表单独使用药物,2代表药物与放疗同时使用,VAR00002行1代表有疗效的人数,2代表无疗效的人数。

行列变量为各为二组,自由度为(2-1)×(2-1)=1,Pearsonχ2值为22.475,显著性数值为0.000小于0.05,有显著性差异,不能接受无关假设,即单独使用药物与药物放疗同时进行有显著性差异。

2.Pearson相关系数计算

Pearson相关系数用于评估两组数据是否符合线性关系,不能用于符合曲线关系的数据,线性相关越强,Pearson相关系数就越接近1(线性递增)或-1(线性递减)。图2为一组数据的线性相关性检验,可以看出,Peason相关系数0.984,表明两者有较强的线性相关性,一般认为<0.3无相关性,0.3~0.7弱相关性,>0.7较强的相关性。

3.Spearman相关系数计算

Spearman相关系数适用于不满足线性关系,且不满足正态分布的数据,如图3所示,实际这是两组随机产生的数据,用Spearman相关系数计算时,结果为0.257,<0.3无相关性,与Pearson相关系数类似,<0.3不相关,0.3~0.7为弱相关,>0.7为强相关。

4.Kendall的tau-b(K)相关系数计算

进行Kendall的tau-b(K)相关分析,需要满足下列3个条件:

1.两个变量是有序分类变量;

2.两个变量相对应的研究对象是一定的。

例如调查工资与学历之间的关系,两个变量学历和收入都是等级变量,符合条件1;两个变量均对应同一研究对象:一个区域内的所有工作的成年人。符合条件2。收入等级分别为1高收入,2中收入,3低收入,学历等级分别为1高学历,2中等学历,3低学历。结果分析如图4所示。相关系数为0.480,有弱的相关性。

对于不同种类的数据,应采用不同的统计方法进行相关性分析,SPSS内置了丰富的统计计算功能,可以充分满足不同统计数据的使用需求。

发表回复

相关推荐

尽调中,如何识别企业实际控制人?

主要结论 实际控制人在不同的法律法规当中,有着不同的概念界定。需要考虑不同的法律法规,与反洗钱的风险控制要求是否相同 ...

· 9秒前

上遊犯罪未經刑事判決確認的洗錢犯罪案件的處理

關鍵詞洗錢罪 上遊犯罪最高人民法院司法解釋第四條 刑法第一百九十一條、第三百一十二條、第三百四十九條規定的犯罪,應當以上...

· 19秒前

恋情溃败,战死现实——《纸上的魔法使》评测

“故事的虚构性是其中不可缺少的部分,虚构乃是小说的本质。”

· 29秒前

三位一体:西班牙大方阵简述(1)

所有资料来源及翻译于: Dr. Pierre Picouet 建立的科普网站,现已失效,需要从Internet archive 挖掘 https://web.archive. ...

· 41秒前

git切換用戶

查看用戶名:git config user.name.切換用戶:git config --global user.name "xxx"切換郵箱:git config --g

· 51秒前