相關(guān)分析correlationanalysis(編輯修改稿)
2024-11-16 14:31 本頁面
【文章內(nèi)容簡介】 ； Y軸放依變項(xiàng) ?例： X軸為教育程度， Y軸為目前薪資 （ dataset: employee） ?由散佈圖可以很明顯地看出兩變數(shù)之相關(guān)程度。再由相關(guān)程序求出兩變數(shù)之相關(guān)係數(shù) ?程序 2 ?分析 ?相關(guān) ? 雙變數(shù) 教育程度(年)2220181614121086目前薪資140000120200100000800006000040000202000由散佈圖可以很明顯地看出教育程度與目前薪資有正線性相關(guān)。為測量兩變數(shù)之線性相關(guān)程度，以相關(guān)程序求出兩變數(shù)間之相關(guān)係數(shù)。 相關(guān)1 . 0 0 0 . 6 6 1 **. . 0 0 04 7 4 4 7 4. 6 6 1 ** 1 . 0 0 0. 0 0 0 .4 7 4 4 7 4P e a rs o n 相關(guān)顯著性 ( 雙尾)個數(shù)P e a rs o n 相關(guān)顯著性 ( 雙尾)個數(shù)教育程度( 年)目前薪資教育程度( 年) 目前薪資在顯著水準(zhǔn)為0 . 0 1 時 ( 雙尾) ，相關(guān)顯著。* * . 依 Pearson相關(guān)係數(shù)可知，教育程度和目前薪資的相 關(guān)係數(shù)為為 ， P值為 。當(dāng)顯著水準(zhǔn)為 ，可以得到教育程度與目前薪資有顯著相關(guān)的結(jié)論。 ?相關(guān)係數(shù) ? 對於定量、常態(tài)分配的變數(shù)而言，請選擇「 Pearson」相關(guān)係數(shù)。 ? 如果資料不是常態(tài)分配，或已依類別排列，請選擇「 Kendall‘s taub」或「 Spearman」，以便測量等級排列之間的關(guān)聯(lián)。 ? Spearman’s Rho（ ?）等級相關(guān)係數(shù)（順序變項(xiàng)） ? Kendall‘s taub （ ?）等級相關(guān)係數(shù)（ concordant和諧） ? 相關(guān)係數(shù)範(fàn)圍的值在 1 (一百分比負(fù)關(guān)聯(lián) ) 到 +1 (一百分比正關(guān)聯(lián) ) 之間。其中，數(shù)值 0表示沒有任何線性關(guān)係。 ? 在解析結(jié)果時，請不要因?yàn)轱@著的相關(guān)，而逕下任何跟因果相關(guān)的結(jié)論。 ?Concordant：若某一觀察值的兩個變項(xiàng)值皆大於 (或皆小於另一觀察值時 )，則稱此對觀察值為「一致」 (Concordant)。 ?Discordant：若一觀察值的第一變項(xiàng)值大於另一觀察值，而第二變項(xiàng)值小於另一觀察值時，則稱此對觀察值為「不一致」(discordant)。 ?Tied：若兩觀察值的一個變項(xiàng)或兩個變項(xiàng)值相等時，則稱此對觀察值相等 (tied)。 相關(guān)係數(shù) ?皮爾森相關(guān)（ Pearson） ?由於 Pearson樣本相關(guān)係數(shù)（ ?）之機(jī)率分配會依配對隨機(jī)變數(shù)（ X,Y）之機(jī)率分配而變，所以沒有固定的分配，因此在做假設(shè)檢定時，一般是假設(shè)（ X,Y）具有二元的常態(tài)分配。 ? Pearson相關(guān)係數(shù)之大小，可看出兩變項(xiàng)關(guān)係的密切程度。相關(guān)係數(shù)愈高，兩變項(xiàng)之關(guān)係愈密切，愈低表示愈不相關(guān)。 ?Spearman’s
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1