【SPSS】相关分析和偏相关分析详细操作过程(附案例实战)

🤵‍♂️ 个人主页:@艾派森的个人主页

✍🏻作者简介:Python学习者
🐋 希望大家多多支持,我们一起进步!😄
如果文章对你有帮助的话,
欢迎评论 💬点赞👍🏻 收藏 📂加关注+


目录

相关分析与散点图

相关系数 

使用SPSS进行相关分析 

偏相关分析 


相关分析与散点图

 相关分析要点

  • 相关分析是分析客观事物之间关系的数量分析方法
  • 线性相关和非线性相关
  • 相关分析最常用的方法
    • 绘制散点图
    • 计算相关系数

【案例】—— 绘制体重与腰围的散点图,观察相关性

操作步骤:

①选择菜单【图形】----> 【旧对话框】----> 【散点图/点图】

②选择“简单分布”,并点击【定义】按钮

③分别在"Y轴"与“X轴”选择“腰围”、“体重” 

④点击“确定”,得到散点图 

由图可以粗略得知,体重与腰围之间存在较强的正相关关系

⑤当散点图中的点很密集时,会在一定程度上影响图形观察效果。可对散点图进行调整,在SPSS查看器窗口中选中相应的散点图双击鼠标,进入SPSS的图表编辑器窗口。选择菜单【选项】----> 【分箱元素】子菜单进行数据点合并

⑥如果希望得到拟合线,可以再编辑该散点图,选中【元素】菜单 下的【总计拟合线】子菜单,并选择回归线。 

⑦最终效果 

相关系数 

相关系数基础知识

  • 相关系数以数值的方式精确地反映了两个变量间线性相关的强弱程度
  • 利用相关系数进行变量间线性关系的分析步骤
    • 1.利用样本数据计算样本相关系数r
      • 样本相关系数r反映了两变量间线性相关程度的强弱
      • 对不同类型的变量应采用不同的相关系数指标
      • 相关系数r的取值在-1~1之间,r>0表示两变量存在正的线性相关关系;r<0表示两变量存 在负的线性相关关系;r=0表示两变量不存在线性相关关系
    • 2.对样本来自的两总体是否存在显著的线性关系进行推断
      • 原假设H0 :两总体无显著线性关系,存在零相关
      • 检验统计量:对不同类型的变量应采用不同的检验统计量
      • 计算检验统计量的观测值和对应的概率P值
      • 决策

相关系数的种类

Pearson简单相关系数:用来度量两数值型变量间的线性相关关系 

 式中,n为样本量;xi和yi分别为两变量的变量值

Pearson简单相关系数的检验统计量为t统计量,其数学定义为:

 式中,t统计量服从n-2个自由度的t分布

  • Spearman等级相关系数:主要用来度量定序型变量间的线性相关关系。如:不同年龄段与不同收入段
  • Kendall τ相关系数

采用非参数检验方法度量定序型变量间的线性相关关系

使用SPSS进行相关分析 

【案例】—— 计算体重与腰围的相关系数前面已经通过绘制散点图得知体重与腰围之间存在较强的正相关关系,为更准确地反映两者之间线性关系的强弱,采用计算相关系数的方法。由于这两个变量均为数值型变量,因此采用简单相关系数。

操作步骤:

①选择菜单【分析】----> 【相关】----> 【双变量】

②选择参加计算相关系数的变量到【变量(V)】框中,由于腰围与体重均为数值型变量,所以在【相关系数】框中选择“皮尔逊”相关系数

③点击“确定”,分析结果如下 

        由分析结果可知:体重与腰围间的皮尔逊相关系数为0.853,说明两者之间存在正的强相关性,其相关系数检验的概率P值近似为0,因此,应拒绝相关系数检验的原假设,认为两总体不是零相关,认为体重与腰围存在显著的线性相关性。另外,表中相关系数右上角的两个星号**表示显著性水平α为0.01时拒绝原假设。 

偏相关分析 

偏相关分析介绍

        偏相关分析用于分析当两个变量都与第三个变量相关时,将第三个变量的影响剔除,只分析另外两个变量之间的线性相关性。

        比如,研究身高与肺活量之间的关系,身高与肺活量都同体重有关系,如果不考虑体重的影响,就会得到身高越高,肺活量越 大,这显然是不准确的。因此,当存在可能会影响两变量之间的相关性的因素时,就需要使用偏相关分析,以得到更加科学的结论。

偏相关系数的取值范围及大小的含义与相关系数相同 

 【案例】 体重与腰围之间存在相关性,直觉认为这种相关性会受到体内脂肪比重的影响。为此,可将脂肪比重(体脂率)作为控制变量, 对体重和腰围作偏相关分析。

操作步骤:

①选择菜单【分析】----> 【相关】----> 【偏相关】

②选择参与分析的变量到【变量(V)】框中,选择一个或多个被控制的变量到【控制(C)】框中

③点击“确定”,分析结果为: 

        由分析结果可知:在体脂率作为控制变量的条件下,体重和腰围的偏相关系数为0.709,呈现一定的正相关,而且偏相关系数检验的概率P值小于显著性水平α,应拒绝偏相关系数检验的原假设,认为体重与腰围存在显著的线性相关性。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/17160.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

java的spi机制使用场景讲解和具体使用

八股文背多了&#xff0c;相信大家都听说过一个词&#xff0c;SPI扩展。 有的面试官就很喜欢问这个问题&#xff0c;SpringBoot的自动装配是如何实现的&#xff1f; 基本上&#xff0c;你一说是基于spring的SPI扩展机制&#xff0c;再把spring.factories文件和EnableAutoConf…

C++(多态上)

目录: 1.多态的概念 2.多态的定义和实现 3.虚函数构成重写的特例 4.剖析一道非常经典的题 5.剖析多态的原理 ------------------------------------------------------------------------------------------------------------------------- 1.多态的概念 概念:通俗来说&#…

Word2vec原理+实战学习笔记(二)

来源&#xff1a;投稿 作者&#xff1a;阿克西 编辑&#xff1a;学姐 前篇&#xff1a;Word2vec原理实战学习笔记&#xff08;一&#xff09;​​​​​​​ 视频链接&#xff1a;https://ai.deepshare.net/detail/p_5ee62f90022ee_zFpnlHXA/6 5 对比模型&#xff08;论文Mod…

Python使用AI photo2cartoon制作属于你的漫画头像

Python使用AI photo2cartoon制作属于你的漫画头像 1. 效果图2. 原理3. 源码参考 git clone https://github.com/minivision-ai/photo2cartoon.git cd ./photo2cartoon python test.py --photo_path images/photo_test.jpg --save_path images/cartoon_result.png1. 效果图 官方…

(22)目标检测算法之 yolov8模型导出总结

yolov8模型导出总结 不断更新中… 几种部署情况: onnxxmlengine官网说明:https://github.com/ultralytics/ultralytics/blob/main/docs/modes/export.md导出参数: onnx 参数解析format: 导出的模型形式:onnx xml engine ... imgsz: 设置模型的输入尺寸大小,默认640*640 ke…

磁盘和固态磁盘

磁盘和固态磁盘 磁盘的物理结构 ​ 磁盘的表面由一些磁性的物质组成&#xff0c;可以用这些磁性物质来记录二进制数据。磁盘的盘面被划分成一个个磁道&#xff0c;这样一个“圈”就是一个磁道。同一磁盘上不同磁道上记录的信息量相同&#xff0c;因此内侧磁道上的数据密度较大…

STM32F429移植microPython笔记

目录 一、microPython下载。二、安装开发环境。三、编译开发板源码。四、下载验证。 一、microPython下载。 https://micropython.org/download/官网 下载后放在linux中。 解压命令&#xff1a; tar -xvf micropython-1.19.1.tar.xz 二、安装开发环境。 sudo apt-get inst…

【Java笔试强训 14】

&#x1f389;&#x1f389;&#x1f389;点进来你就是我的人了博主主页&#xff1a;&#x1f648;&#x1f648;&#x1f648;戳一戳,欢迎大佬指点! 欢迎志同道合的朋友一起加油喔&#x1f93a;&#x1f93a;&#x1f93a; 目录 一、选择题 二、编程题 &#x1f525;计算日期…

玩着3dmax把Python学了-01

3ds Max 2022以前的版本要借助Python的api来实现Python编程达到编辑绘图脚本的功能&#xff0c;但是好消息来了&#xff0c;3ds Max 2022 起&#xff0c;MaxPlus 不再作为 3ds Max 的 Python API 包含在内。而是3ds Max 将 Python 3.7 的标准版本包涵其中了&#xff0c;位于 [3…

Filter 过滤器

Filter过滤器介绍 这里我们讲解Filter的执行流程&#xff0c;从下图可以大致了解到&#xff0c;当客户端发送请求的时候&#xff0c;会经过过滤器&#xff0c;然后才能到我们的servlet&#xff0c;当我们的servlet处理完请求之后&#xff0c;我们的response还是先经过过滤器才…

基于SpringBoot的线上日志阅读器

软件特点 部署后能通过浏览器查看线上日志。支持Linux、Windows服务器。采用随机读取的方式&#xff0c;支持大文件的读取。支持实时打印新增的日志&#xff08;类终端&#xff09;。支持日志搜索。 使用手册 基本页面 配置路径 配置日志所在的目录&#xff0c;配置后按回车…

2023亚马逊云科技研究,数字化技能为中国企业和员工带来经济效益

在中国&#xff0c;信息技术在个人、企业和宏观经济层面都推动着重大变革。为了研究这些变化所带来的影响&#xff0c;盖洛普咨询公司(Gallup)和亚马逊云科技开展了关于数字化技能的调研。 研究表明&#xff0c;数字化技能正在为中国企业和在职人员带来巨大的经济价值&#x…

一文带你入门C++类和对象【十万字详解,一篇足够了】

本文字数较多&#xff0c;建议电脑端访问。不多废话&#xff0c;正文开始 文章目录 ———————————————【类和对象 筑基篇】 ———————————————一、前言二、面向过程与面向对象三、结构体与类1、C中结构体的变化2、C中结构体的具体使用3、结构体 --&…

程序环境和预处理

目录 一 程序的翻译环境和执行环境 二 详解编译链接 2.1 翻译环境 2.2 编译本身也分为几个阶段 2.3 运行环境 三 预处理详解 3.1 预定义符号 3.2 #define 3.2.1 #define 定义标识符 3.2.2 #define定义宏 3.2.3 #define 替换规则 3.2.4 #和## 3.2.5 带副作用的宏参…

告别被拒,如何提升iOS审核通过率(上篇)

iOS审核一直是每款移动产品上架苹果商店时面对的一座大山&#xff0c;每次提审都像是一次漫长而又悲壮的旅行&#xff0c;经常被苹果拒之门外&#xff0c;无比煎熬。那么问题来了&#xff0c;我们有没有什么办法准确把握苹果审核准则&#xff0c;从而提升审核的通过率呢&#x…

Centos7快速安装Kibana并连接ES使用

Elasticsearch 提供了一个名为 Kibana 的官方可视化界面。Kibana 是一个开源的数据可视化和管理工具&#xff0c;用于 Elasticsearch。它提供了丰富的功能&#xff0c;如仪表板、图表、地图等&#xff0c;帮助您更好地理解、搜索和可视化存储在 Elasticsearch 中的数据。 在 C…

【软考备战·希赛网每日一练】2023年5月5日

文章目录 一、今日成绩二、错题总结第一题 三、知识查缺 题目及解析来源&#xff1a;2023年05月05日软件设计师每日一练 一、今日成绩 二、错题总结 第一题 解析&#xff1a; 有返回消息的就是同步消息&#xff1b;不需要等待返回消息就可以去做其他事情的请求消息就是异步消息…

从零基础到网络安全专家:全网最全的网络安全学习路线

前言 网络安全知识体系非常广泛&#xff0c;涉及的领域也非常复杂&#xff0c;有时候即使有想法和热情&#xff0c;也不知道从何入手。 为了帮助那些想要进入网络安全行业的小伙伴们更快、更系统地学习网络安全知识&#xff0c;我制定了这份学习路线。本路线覆盖了网络安全的…

网络协议与攻击模拟-03-ARP协议

ARP 协议&#xff08;地址解析协议&#xff09; 一、 ARP 协议 将一个已知的 IP 地址解析为 MAC 地址&#xff0c;从而进行二层数据交互 是一个三层的协议&#xff0c;但是工作在二层&#xff0c;是一个2.5层协议 二、工作流程 1、两个阶段 ARP 请求 ARP 相应 2、 ARP 协议…

Java 基础入门篇(三)—— 数组的定义与内存分配

文章目录 一、数组的定义1.1 静态初始化数组1.2 动态初始化数组1.3 数组的访问 二、数组的遍历三、数组的内存图 ★3.1 Java 的内存分配3.2 数组的内存图3.3 两个数组变量指向同一个数组对象 四、数组使用的常见问题补充&#xff1a;随机数 Random 类 一、数组的定义 数组就是…
最新文章