SPSS第八章 相关分析和回归分析.ppt

第8章 SPSS的相关分析和回归分析 主要内容： 概述主要介绍相关分析和回归分析的思想和用途 相关分析主要是分析变量之间的关系以及强弱程度； 偏相关分析介绍是排除了相关分析中其他隐形因素的影响后的变量的净相关关系； 线性回归分析介绍是建立变量间的线性关系 二项回归介绍其他的一些回归方法； 8.1 相关分析和回归分析概述 相关分析和回归分析都是分析事物之间关系的数量分析方法； 事物之间的关系大概可以分为函数关系和统计关系两类，而相关分析和回归分析是用来分析统计关系的数量方法； 8.1 相关分析和回归分析概述 函数关系是一一对应关系，也可以说是一种确定性的关系； 特点之一是一个变量值有另一个变量的值确定； 这种关系很多； 另外一种关系是统计关系； 不是一一对应，而是存在随机的不确定性； 但是两个变量确实存在关系； 8.1 概述 函数关系比较容易确定； 统计关系不是那么直接，它存在强弱、程度的差异； 但是这种关系又是普遍存在的，甚至很多函数关系不能描述的，统计关系都能描述； 8.2 相关分析 相关分析可以通过图形和数值两种方式，有效的揭示事物之间统计关系的强弱程度； 方式有以下几种： 散点图：特点是直观； 相关函数：特点是精确； 8.2.1 散点图 绘制散点图是非常常用而直观的方法； 将数据用点的形式绘在直角平面图上； 通过看图可以可以看出变量间的统计关系以及关系的强弱； 8.2.1.2 绘制散点图的基本操作 8.2.1.2 绘制散点图的基本操作 Simple表示简单散点图； 指定纵轴变量，选入Y Axis框中； 指定横轴变量，选入X Axis框中； 把可作为分组的变量选入Set Markers by框中； 把标记变量选入Label by框中； 8.2.1.2 绘制散点图的基本操作 重叠散点图，多对变量的统计关系散点图； 两个变量为一组， 把已标记的变量选入Label by框中 矩阵散点图 三维散点图； 8.2.2 相关系数 散点图直观，但是不精确； 样本相关函数以数值的方式精确反映两变量相关关系的强弱； 相关函数特点和种类； 介于正负1之间； 大于0表示正相关，小于0表示负相关； 绝对值大于0.8表示有较强线性关系，故国绝对值小于0.3，说明线性关系较弱； 8.2.2 相关行检验和相应统计量 Pearson简单相关函数； Spearman等级相关系数； Kendall T 相关系数； 8.2.1.2 计算相关函数的基本操作 8.2.1.2 基本操作（续） 8.2.3 相关分析应用举例 为研究高等院校人文科学研究中立项课题数要受那些因素影响，收集31个省市自治区部分高校社科研究方面数据，看立项课题数是否与投入具有高职称人数。发表论文数之间是否有相关关系 绘制散点图 计算相关系数 结果说明 从上面看出，课题总数和投入高职称人年数的相关系数为0.994与论文数的相关系数为0.887 两者的检验概率p值都接近0，故认为总体存在线性关系 8.3 偏相关分析 相关系数未必是两事物线性关系强弱的体现，有夸大的趋势； 偏相关系数是在控制其他变量的影响的条件下计算两变量间的相关关系； 步骤： 计算样本偏相关系数； 进行推断 8.3.2 偏相关分析的基本操作 8.3.2 基本操作（续） 8.3.2 偏相关分析的基本操作（续） 将待分析的变量选入Variable 框中； 选择一个或者多个变量到Controlling for 框中作为控制变量； 选择单尾还是双尾检验； 在Options按钮中的Statistics选项中选中Zero-order Correlation，表示输出零阶偏相关系数 8.3.2 偏相关分析应用举例 课题数与论文数的相关性可能受到投入高职称人年数的影响，因此要计算偏相关系数 结果说明 上表表明，课题总数与论文数的净相关系数呈现一种非常弱的负相关关系，与相关系数相差甚远； 原因是投入高职称人年数这个变量的影响，它不仅影响了课题总数，而且对论文数有决定性影响； 8.4 线性回归分析 回归分析是一种基本的并且应用非常广泛的数量分析方法； 它寻求事物（变量）之间的统计关系，侧重考察变量之间的数量变化规律，并通过回归方程的形式描述和反映这种关系； 回归可以分为线性回归和非线性回归两大类，其中线性回归是我们研究最多，应用也最广泛的方法。 8.4.1 回归分析概述 回归，就是研究两个变量或者两组变量之间的关系，也就是某一变量是另外一个变量或者一组变量的函数，回归就是试图找到这种关系，为预测的依据； 如果两个变量的关系是线性的关系，则称为线性回归，如果不是线性的关系，则成为非线性回归； 8.4.1.1 回归线和回归模型 利用样本数据获得回归线通常可采用两种方法：第一、局部平均方法，第二、函数拟合方法 局部平均：核心思想