《spss教程-相关分析--统计学》.doc

第三节 相关分析 相关分析常用来描述多个变量之间的线性相关程度的大小，在对变量做相关分析之前，往往先对两个变量之间的相关情况进行简单的描述，即用散点图对两个变量之间的关系进行初步考察，然后再进行相关系数的计算与分析。 散点图 （1）数据 下图中是以10名被试身高与体重的数据为例，简单介绍散点图的绘制。将数据输入三列变量，第一列变量subject表示被试编号，第二列变量height表示10个被试的身高测量数据，第三列变量weight表示10个被试题中的测量数据，将数据文件保存为“3-5-1.sav”（图3－3）。 图3－3：数据输入 （2）操作 在SPSS主菜单上选择Graphs/Scatter…，显示散点图（Scatterplot）定义窗口如图3-4。 图3-4：散点图定义窗口 图3-5：Simple Scatterplot定义窗口 SPSS可以绘制四种类型的散点图： ·Simple每个点代表每个记录中两个变量的值； ·Matrix定义一个简单散点图方针，变量的每种组合规定两个方阵； ·Overlay在同一个坐标内画多个散点图； ·3-D每个点代表每个记录的三个变量值，这些点绘在一个可以旋转的三维协调系统中。 这里我们的目的是描述被试身高与体重的关系，只涉及到两列变量，所以选用Simple，点击Define，出现Simple Scatterplot窗口，然后在该窗口定义x轴和y轴，将weight变量选入Y轴（Y Axis）下面的矩形框，将height变量选入X轴（X Axis）下面的矩形框，显示如图（图3-5）。 ①Titles选项 点击对话框下端的Titles…按钮，可以用来定义散点图的名称（如图3-6）： 图3-6：散点图名称的定义 点击continue，返回图3－5，然后点击OK，得到散点图（图3－7）。我们可以用类似于第一章中介绍的方法对所得到的图形进行编辑，这里不再重复。 图3－7：身高与体重关系散点图 从上面的散点图可以看出，随着身高的增加，体重有增加的趋势。 用Correlate语句计算相关系数 2.1.皮尔逊积差相关系数的计算 （1）操作 仍然以上面学生身高与体重的数据为例，来说明如何用SPSS计算积差相关系数。打开文件“3-5-1.sav”，单击主菜单Analyze / Correlate / Bivariate…，打开相关系数定义对话框，将分析的变量height和weight选入右边的变量表列（Variable(s)），如下图3-8所示。并请注意选定下方的复选框Flag Significant Correlations，意为用*标志存在显著性相关的相关系数（关于相关系数显著性检验的内容在后面第五章详细讨论，这里所提到的相关系数检验部分，读者可以先跳过）。 图3－8：变量之间相关系数定义窗口 有关图3－8的说明： ①在相关系数（Correlation Coefficients）定义矩形框中定义所要计算和检验的相关系数的类型： Pearson 计算皮尔逊积差相关系数并作显著性检验。适于两列变量均为正态分布连续变量。 Kendall’s tao-b 计算肯德尔tau-b并作显著性检验。对数据分布没有严格要求。 Spearman 计算斯皮尔曼等级相关系数并作显著性检验。对数据分布没有严格要求。 ②在显著性检验（Test of Significance）矩形框中，定义相关系数的检验类型： Two-tailed 双侧检验 One-tailed 单侧检验 ③另外在该窗口最下方的Flag significant correlations复选框表明选择此项时，用“*”号标明显著性水平。在0.05水平显著的相关系数用单个星号“*”标识，而在0.01水平显著的相关系数用两个星号“**”标识。如果不选择此项，则相关系数检验的显著性不用星号“*”标识。 ④Options选项 在主对话框点击Options 按钮可用来定义变量附加信息的输出，如变量的平均值、标准差和变量的交叉积差、协方差矩阵等，一般只对皮尔逊相关才用这两个选项等，以及处理缺失值的方法（图3－9）。 对于缺失值的处理，SPSS提供两种方法：对删（Pairwise）和列删（Listwise）： ·Exclude cases pairwise表示在计算相关系数时，一对变量中的一个或两个变量有缺失值的观测在分析中被删除。这是一个缺省设置，因为相关系数是依据每对变量具有有效值的所有观测来计算的，对每次计算将使用最大可利用的信息，这将产生依据不同观测数的一组系数； ·Exclude cases listwise表示对任何变量有缺失值的观测将在所有的分析中被永久性删除。 图3－9：定义附加信息和处理缺失值方