相关分析步骤(共5页).doc

精选优质文档-倾情为你奉上相关分析步骤相关分析双变量相关分析检验是否符合正态分布（K-S检验）偏相关分析不需检验距离分析不需检验X/Y度量（S）序号（O）名义（N）度量（S）Pearson相关系数Spearman等级相关系数/序号（O）Spearman等级相关系数Spearman等级相关系数Kendall 系数/名义（N）/卡方值Pearson卡方值（Chi-Square）Pearson相关系数K-S检验是否必须符合正态分布Spearman等级相关系数不需检验Kendall 系数不需检验一 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N505151正态参数a,b均值1.441.332.25标准差.733.8161.197最极端差别绝对值.406.462.192正.406.462.192负-.274-.342-.147Kolmogorov-Smirnov Z2.8703.3021.372渐近显著性(双侧).000.000.046a. 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。0.0460.05，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】（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）.612.166N505050个人年收入Pearson 相关性.0741.419*显著性（双侧）.612.002N505050家庭年收入Pearson 相关性.199.419*1显著性（双侧）.166.002N505050*. 在 .01 水平（双侧）上显著相关。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1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）.640.558df04949年龄相关性-.0671.000.204显著性（双侧）.640.151df49049个人年收入相关性.084.2041.000显著性（双侧）.558.151.df49490个人年收入打折消费比相关性1.000-.086显著性（双侧）.551df048年龄相关性-.0861.000显著性（双侧）.551.df480a. 单元格包含零阶 (Pearson) 相关。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。三 距离分析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。专心-专注-专业