第11讲散点图、相关系数案例.ppt

* 三、二元变量分析 SPSS操作及案例分析 散点图的其他应用 （1）在散点图中设置散点标记。 * 三、二元变量分析 SPSS操作及案例分析 散点图的其他应用 （2）在散点图中设置散点标签。 SPSS操作及案例分析 散点图的其他应用 （3）在散点图中添加拟合线。 * 三、二元变量分析 1.双击该图区 SPSS操作及案例分析 散点图的其他应用 （4）计算相关系数。 Analyze→Correlate→Bivariate... * 三、二元变量分析 解释： 1.Sig.=0.0410.05，拒绝H0假设，表明两变量之间是相关的。 2.由于r=0.2290.3，为微弱正相关。 * 三、二元变量分析 SPSS操作及案例分析 例二：在有氧训练中，人的耗氧量y(毫升/分*千克体重)是衡量人的身体状况的重要指标，它与多项指标有关。为了研究人的耗氧量与多项指标之间的关系，对31名测试者进行测试。8-Bivariate.sav 现以人的耗氧量y为因变量，多项指标中之一1.5英里跑所用时间x3为自变量，通过散点图和相关系数，分析研究耗氧量y与1.5英里跑所用时间x3之间的相关关系。 * 三、二元变量分析 SPSS操作及案例分析 结果分析： 从散点图中可以看出，耗氧量y与1.5英里跑所用时间x3之间存在较强负相关的关系，即1.5英里跑所用时间增加，耗氧量会随之降低。 伴随概率P=0.0000.01，说明两变量之间是明显相关关系；在相关系数表中，r =-0.832，说明两变量之间高度负相关。 * 三、二元变量分析 SPSS操作及案例分析 结果分析： 拟合线。 * 三、二元变量分析 SPSS操作及案例分析 例三：利用例二的数据，分析因变量y(人的耗氧量)，与自变量x1、x2、x3、x4、x5、x6之间的关系。8-Bivariate.sav 与耗氧量有关的因素 年龄x1(岁) 体重x2(次/分) 1.5英里跑所用时间x3(分) 静止时心跳速率x4(次/分) 跑步时心跳速率x5(次/分) 跑步时最大心跳速率x6(次/分) * 三、二元变量分析 SPSS操作及案例分析 结果图： * 三、二元变量分析 SPSS操作及案例分析 结果分析： 从相关系数计算结果来看： (1)耗氧量y与1.5英里跑所用时间x3、静止时心跳速率x4、跑步时心跳速率x5相关程度较高，其中耗氧量与1.5英里跑所用时间的r =-0.832，伴随概率P=0.0000.01，属于明显相关；其他两项r =-0.436，r=-0.420，伴随概率P分别等于0.014和0.019大于0.01，但小于0.05属于低度相关； (2)上述三个变量与耗氧量之间的关系都属于负相关。 结论： 跑步速度快、静止时心跳速率慢、跑步时心跳速率慢的人，耗氧量大；反之，耗氧量小。 * 三、二元变量分析 SPSS操作及案例分析 操作步骤： 操作步骤：Analyze →Correlate →Bivariate… 数据文件：8-Bivariate.sav * 偏相关分析 * 四、偏相关分析 概念 在多元相关分析中，由于受到其他变量的影响，在计算某两个变量之间的相关系数时，得到的结果往往不能真实反映变量之间的相关关系 所以在多元相关分析中，通常将其他变量固定(控制)，而计算某两个变量之间的相关系数，称为偏相关系数。 偏相关分析用于计算变量之间的偏相关系数，可以判断自变量对因变量的影响程度，舍弃影响较小的自变量，保留影响较大的自变量，从而更准确地判断变量之间的相关关系和相关程度。 可以结合协方差分析理解 * 四、偏相关分析 SPSS操作及案例分析 例四：以数据文件“8-Cars.sav”为例，分析在油耗不变的情况下、汽车马力(horse)和加速度(accel)的偏相关系数。 * 四、偏相关分析 SPSS操作及案例分析 结果分析 汽车马力和加速度的偏相关系数为-0.622，有效样本数为389，显著性水平为0.000，这两个变量的偏相关系数小于0.01，属于显著负相关关系。 结论： 在油耗量不变的情况下，汽车发动机功率越大，汽车加速到某个速度的时间越短。 * 四、偏相关分析 SPSS操作及案例分析 同样是上述例子 （1）不排除油耗量的影响 汽车马力和加速度的相关系数为 -0.701，显著性水平为0.000 （ 即