一双变量相关分析（Pearson、Spearma、Kendall ）
1 判断使用哪种相关系数，例检验是否满足使用Pearson相关系数的前提要求王庸晋
2计算样本的相关系数r
按变量类型选择对应的相关系数种类，名义，度量，有序。
一般认为，当相关系数的绝对值大于0.8时，两变量具有较强的线性关系（Linear Relationship）；而相关系数的绝对值小于0.3时，两变量间的线性关系较弱。
3 对两个样本来自的总体是否存在显著的线性关系进行判断
显著性检验来证明相关系数的大小是否显著。
1检验是否满足使用Pearson相关系数的前提要求
（1）【分析】——【非参数检验】——【单样本K-S检验】
（2）结果分析
单样本Kolmogorov-Smirnov 检验
年均衣着消费个人年收入家庭年收入
N 50 51 51
正态参数a,,b均值 1.44 1.33 2.25
标准差.733 .816 1.197
最极端差别绝对值.406 .462 .192
正.406 .462 .192
负-.274 -.342 -.147 Kolmogorov-Smirnov Z 2.870 3.302 1.372
渐近显著性(双侧) .000 .000 .046
a. 检验分布为正态分布。
.
根据数据计算得到。
H0：样本服从总体的正态分布。0.046＜0.05，拒绝原假设。
单样本检验的结果显示变量不服从正态分布，可以用Pearson相关系数检验变量之间的线性相关程度。
2 双变量相关分析
（1）【分析】→【相关】→【双变量】
刘茂才
（2）结果分析
相关性
年均衣着消费个人年收入家庭年收入年均衣着消费Pearson 相关性 1 .074 .199 显著性（双侧）.612 .166
朱虹N 50 50 50 个人年收入Pearson 相关性.074 1 .419**显著性（双侧）.612 .002
N 50 50 50 家庭年收入Pearson 相关性.199 .419** 1 显著性（双侧）.166 .002
N 50 50 50 **. 在.01 水平（双侧）上显著相关。
连平中学
附有“* *”的相关系数表明在0.01的水平上相关显著。
P值大于显著性水平0.01，则接受原假设，两者相关。
二偏相关分析
xcel1先对各变量进行两两相关分析，计算变量之间的皮尔逊积差相关系数.
2进行偏相关分析，计算在控制其他变量的影响时，两个变量之间的相关程度。
1 【分析】→【相关】→【偏相关】
被试的两个变量选入右侧的变量框中，第三方变量选入右侧的控制变量框中。
2 结果分析
相关性
控制变量打折消费比年龄个人年收入-无-a打折消费比相关性 1.000 -.067 .084
显著性（双侧）. .640 .558
df 0 49 49 年龄相关性-.067 1.000 .204
显著性（双侧）.640 . .151
df 49 0 49 个人年收入相关性.084 .204 1.000
显著性（双侧）.558 .151 .
df 49 49 0 个人年收入打折消费比相关性 1.000 -.086
显著性（双侧）. .551
df 0 48
年龄相关性-.086 1.000
显著性（双侧）.551 .
df 48 0
a. 单元格包含零阶(Pearson) 相关。
海尔大王子冰箱H0：两者不相关。
上表中的上半部分输出的是变量两两之间的简单相关系数，打折消费比与年龄之间相关系数为-0.067；
表下半部分是偏相关分析的输出结果，第一行为偏相关系数，第二行为相伴概率；第三行为统计检验的自由度。剔除个人年收入的影响，打折消费比与年龄之间相关系数为-0.086.所以，在显著性水平下，打折消费比与年龄之间相关性不高。
1 “分析”→“相关”→“距离”
距离分析根据距离测度含义的差异，可以分为两种：相似性测度（Sinilarities）和不相似性测度（Dissimilarities）。
变量间距离是进行不相似性度量，个案间距离是进行相似性度量。
2 结果分析
不相似性测度以距离表示，距离的特征值越小越相似，距离越大差别越大；
相似性测度以相似系数表示，相似系数的特征值越大越相似，值越小差别越大。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议