经典实用的spss课件 九、相关与回归.ppt

积差相关系数，又称Pearson相关系数：定量描述线性相关程度好坏的常用指标，只适用于两变量呈线性相关时。 特点： 相关系数r 是一个无单位的量值，且-1 r 1； r 0 为正相关，r 0 为负相关； ?r ? 越接近于1，说明相关性越好；越接近于0，相关性越差。 Spearman等级相关系数：当数据不满足条件双变量正态时。 浙江大学医学院流行病与卫生统计学教研室 沈毅 简单相关与回归 内容提要 相关分析简介 简单相关分析 偏相关分析 Distance 过程 简单回归分析 小结 相关分析简介 在医学科学研究中，常常要分析两个变量之间的关系，例如身高和体重、年龄和血压、体温和脉搏、药物剂量和疗效等问题，因此涉及到研究两个变量的相互关系。这时就涉及到两个变量之间的相关与回归。 相关分析简介 连续变量的相关指标（最常见） Gamma统计量：描述有序分类变量数据联系强度的指标，以下指标都是基于Gamma统计量衍生出来的。 Kendall‘s Tau-b：反映两个有序分类变量的一致性。 Kendall‘s Tau-c： 对Kendall‘s Tau-b进行了校正。 相关分析简介 有序变量的相关指标 列联系数：基于?2值得出 Phi and Cramer‘s V：也是基于?2值得出 Lambda 系数：用于反映自变量对因变量的预测效果 不确定系数 相关分析简介 名义变量的相关指标 Eta Kappa 值 OR、RR等 相关分析简介 其他相关指标 相关分析简介 实际上，在Crosstabs 过程的statistics 子对话框 中提供了非常整齐的相关分析指标体系，如左图。 除了Crosstab过程的statistics 子对话框外，SPSS还在statistics菜单的correlation中提供了几个更专业的相关分析过程： Bivariate 过程：最常用 Partial 过程：专门进行偏相关分析 Distances 过程：一般不单独使用，而用于因子分析、聚类分析和多维尺度分析的预分析 相关分析简介 例1 某医院研究某种代乳粉的营养价值是用大白鼠做试验，得大鼠进食量和体重增量间的关系的原始数据如下，试分析两者有无直线相关关系。（数据文件见corr.sav） 158 120 145 186 167 134 180 130 158 165 体重增量weight 820 639 679 934 787 690 867 720 780 820 进食量feed 10 9 8 7 6 5 4 3 2 1 动物编号 进食量和体重增量的数据 简单相关分析 首先绘制散点图，结果如下： 简单相关分析 ①两变量间存在线性相关趋势 ②没有发现明显的异常值 简单相关分析 选入希望进行相关分析的变量 选择相关分析指标 简单相关分析 简单相关分析 结果分析 Pearson相关系数为0.940，且具有统计学意义，表明feed和weight有非常密切的关系，随着feed的增加，weight也随之增加。 简单相关分析 利用上述对话框可以计算秩相关系数，即spearman相关系数，对原始数据分布不作要求，利用两变量的秩次关系作线性相关分析，适用范围更广，但效能也较低。 简单相关分析 结果分析 对上面的例子计算秩相关系数的结果显示，秩相关系数为0.899，P 值0.001。 简单相关分析 上述对话框可用于计算kendall’s等级相关系数，适用于两变量均为有序分类的情况。 简单相关分析 结果分析 对上面的例子计算等级相关系数，结果显示，等级相关系数为0.750，P 值＝0.003。 注意本例并未违反计算积差相关系数的适用条件，这里仅仅是作为演示用。 大家可以发现，对相同的数据，秩相关系数和等级相关系数的绝对值均比积差相关系数小，为什么？ 简单相关分析 显然，这是由于在秩变换或数据按有序分类处理时损失信息所导致的。 前面介绍的相关分析是分析两个计量资料间的关系，在计算积差相关系数、Spearman 相关系数和Kendall’s相关系数的时候，都没有考虑第三方的影响，这就导致可能对事物的解释出现偏差。下面以一个例子对此作进一步的说明。 偏相关分析 例2 某地29名13岁男童身高（x1,cm）、体重（x2,kg）及肺活量的实测数据文件为partial.sav。试计算其简单相关系数。当体重固定时，计算身高与肺活量的偏相关系数，并做假设检验。 偏相关分析 偏相关分析 偏相关分析 选择需要在偏相关分析时进行控制的变量。 选择Zero-order correlations 复选框，则可以给出包括协变量在内所有变量两两相关的系数阵。 偏相关