【SPSS】简单相关分析 |
您所在的位置：网站首页 › 简单相关分析的spss操作流程 › 【SPSS】简单相关分析 |
【SPSS】简单相关分析
 马克思说联系是普遍的，世界上一切事物都处于普遍联系之中！相关就是联系的一种。谈到相关，肯定是至少两个变量间的关系，一个变量是无所谓相关的。根据两个变量的类型不同，在考察相关时用到的相关指标也会不同。一般相关系数在0~1或者-1~1之间，绝对值越大，相关性越强，如有正负号，正负号仅代表相关的方向。 （1）两个名义变量（定性资料/无序分类资料）：列联系数C、Phi和Cramer’s V、λ（lambda）、不确定系数。当然，如果分组变量为有序变量，指标变量为无序变量也应归入此类；（2）两个等级变量(有序分类资料）：γ（Gamma）、τa（Kendall’Tau-a）、τb（Kendall’Tau-b）、τc（Kendall’Tau-c）、Somer’s d；（3）两个连续变量（定量资料）:Pearson相关系数（积差相关系数）、Spearman相关系数。Pearson相关分析要求两连续变量服从双变量正态分布，如果条件不满足则可以使用Spearman相关，另外Spearman相关系数也可用于以下两种情况：①一个变量为连续变量，另外一个变量为等级变量；②两个变量均为等级变量；（4）名义变量与连续变量：η（Eta）；（5）其他：kappa、OR/RR、McNemar。在SPSS中，好多菜单可以实现相关分析，比如在【1】相关：Analyze>>Correlate>>Bivariate… 【2】交叉表统计量：Analyze>>Descriptive Statistics>>Crosstabs… [Statistics…]按钮打开对话框如下
【3】线性回归：Analyze>>Regression>>Linear… [Statistics…]按钮：选中Covariance matrix可获得自变量间的相关系数。选中Part and partial correlations可获得0介相关、部分相关和偏相关，自变量与因变量的0介相关是等同两者的Pearson相关。  示例：某地方病研究所调查了8名正常儿童的尿肌酐含量（mmol/24h）。【1】数据录入：共三个变量：id，age，Uc，具体略。 【2】构建散点图大体考察线性趋势及异常点：Graphs>>Chart Bulider，选择散点图/点图（Scatter/Dot），双击散点图（Simple Scatter），将age拖入横坐标X-Axis？，将Uc拖入纵坐标Y-Axis？，OK。散点图结果显示：age和Uc大体呈线性，也无明显的异常点。
【3】双变量正态分布：SPSS中并未给出多元正态分布的检验方法，可采用STATA或者R进行检验，可参考文章《多元正态分布的检验》、《多元正态分布检验的R实现方法》。 以R为例，采用mshapiro.test {mvnormtest}命令代码如下： library(foreign) #调用程序包foreign tvDescriptive Statistics>>Explore… 将年龄和尿肌酐含量选入因变量框，[Plot…]选中带检验的正态分布图。 结果显示，不论KS还是SW检验，两个变量P均>0.05，数据均成正态分布。
【4】简单相关分析：Analyze>>Correlate>>Bivariate… 将要分析的变量肺活量和胸围选入变量窗口； 相关系数默认是Pearson，我们同时选中Spearman； 默认双尾检验和标注显著的相关； [Options…]中选中均值和标准差、离均差交叉乘积和协方差。
相关分析显示，尿肌酐含量和年龄积差相关系数（即Pearson相关系数）是0.882，P=0.004 |
【本文地址】
今日新闻 |
推荐新闻 |