哈喽,大家好,今天分享一下如何用 s p s s 进行皮尔逊相关分析。皮尔逊相关分析它主要是适用于两个定量变量之间是否存在相关关系。 假如说我们现在有收入和消费两个变量,然后我们想看一下收入和消费之间是否存在显著的相关关系,这个时候我们就可以用皮尔逊相关分析。 我们首先把数据复制一下,然后打开一个新的 spss 文件,再把数据粘贴进来, 然后点击分析相关双变量,再把收入和消费两个变量放到这个变量框里面,这里相关系数就使用默认的 pr 讯相关系数,然后点击确定,这个就是收入与消费的相关分析结果表格。这里面我们可以看到收入和消费的 pr 讯相关系数为零点九八五, 对应的显著性 p 值等于零点零零零,这个 p 值是小于零点零五的,那就说明收入和消费之间存在显著的相关关系。如果这个 p 值是大于零点零五,那就说明收入和消费之间他是不存在显著相关关系的。 然后再来看一下皮尔逊相关性,皮尔逊相关性也就是相关系数,这里收入和消费的相关系数为零点九八五,也就是说收入和消费之间存在显著的正相关关系, 然后这个相关程度也是较强的。嗯,如何判断他的相关是正相关还是负相关?那主要看这个相关系数是大于零还是小于零,如果他大于零,那就是正相关,如果他小于零,就是负相关。 如果这个相关系数的绝对值越接近于一,那就说明这两个变量之间的相关程度越强。如果这个相关系数他的绝对值越接近于零,那就说明这两个变量之间的相关程度越弱。 以上就是皮尔逊相关分析的操作步骤和结果的解读。
粉丝1.5万获赞7.0万

各位小伙伴们大家好呀,我是想看雪的瓜,今天这期视频主要是想分享另外一个 spass 数据处理,它的一个分析就是皮尔逊相关关系它的一个分析, 顾名思义,相关关系就是两个和两个以上的变量之间相互依存的关系,而相关分析也就是针对相关关系的一种方式分析方法。 要注意啊的一点就是他这个相关关系并不等同于因果关系,相关性表示等号两边的一个变量会同时发生改变,而因果关系他也就是一个因素会导致另外一个因素发生变化。 还要注意一个是相关关系,一个是因果关系是不一样的哈啊,后面好的 就是我们前面讲了一下啊,为什么要做他的一个相关关系分析,接下来我们就啊操作一下是如何做他的一个皮尔逊相关关系 啊。首先的话就是跟之前一样,我们在变量仕途进行啊设置他的一些参数,比如说这里我已经把他名称已经设定好了,小数位数也设定好了,因为我的数据要求是六位,然后 大家也可以跟根据自己一个实验跟数据进行一个调整,然后我提前把数据啊复制好进来了,然后我然后接下来进行操作,然后把它选择 选择分析,选择相关,选择双变量,然后把你这比如说我这里有六个,把它多 放到变量里面,除了主别,然后如果你的主别是一个温度,你也可以把他的一个温度放到里面,如果是时间也可以放到里面,然后进行两两之间他的一个相关性的一个分析, 然后下面的话相关系是我选择皮尔逊,因为我们这边这里讲的是皮尔逊相关性分析嘛。另外如果你也想进行肯德尔是斯皮尔曼相关性分析也是可以的。进行接下来下面的一个选择,然后我这个显著性的检验,我选的是双卫。然后 另外要注意一点就是下面要标记显著性相关线,这也有利我们看我们数据进行一个更好的一个明确的一个分析,然后我们点着确定,接下来我们就出了一个这样的一个表格 啊,很明显你可以看得到他就是在对角线,他有一条横线相隔开,他就是为了分分开,比如说我这个油含量,他跟油含量,他不论是怎么样,他都是相关性是一吗?水分含量跟水分含量也是一, 要具体的话我们只看一个一一行或者一列进行一个分析,比如说我要看有含量, 我的油含量跟水分含量他的一个相关性是怎么样的?可以看得出来他是一个负零点九一步的一个负相关关系啊,负相关的一个呃系数,而且他这个相关系也是比较显著的,你可以看下面啊。 再或者我们再看一下离子键跟他一个轻键之间一个相关性是怎么样的,比如说 我这个离子,我们我们动作表,我们就看离子键对应过来的一个轻键,他们两两之间一个相关性的一个分析,他一个系数是怎么样的。后面的话我们可以把这些数字进行一个啊,双击复制出来,然后进行一个列表,可以表示他的一个 啊。 p 二性相关性是怎么样的啊?此此外的话我们也可以啊,换那个热土来表示他的一个相关性啊,今天的内容主要是讲这么多,好,谢谢。

sbss 操作步骤讲解系列第二十课相关分析 相关分析研究变量之间的相关关系的分析方法常有三种分析方法,皮尔逊相关系数法、斯皮尔曼相关分析和肯德尔相关分析法。 第一步,将数据导入 spss 中后并复制后点击分析相关双变量。 第二步,进入图中对话框中,先将变量放入对应变量框中,根据变量的类型进行分析。方法,连续变量与连续变量使用皮尔逊相关分析法。分类变量与分类变量的关系采用斯皮尔曼或肯德尔相关分析方法。若需要看描 描述统计结果,点击选项,勾选平均值和标准差,点击继续确定,然后相关分析的描述统计相关分析的结果就出来了。 然后将相关分析结果粘贴复制表格中进行整理,只需保留对角线上一侧的相关数据即可。个案数和显著性双尾删除。 观看完记得点赞关注哟,可带坐指导学习交流!

那接下来我们先看一下重要的操作步骤哦,然后我们再开始详细的讲解喽。大家好,我是大师姐,今天我们来学习相关性分析的操作。 我们为什么要做相关性分析,就是为了看变量之间有没有相关关系,同时要看是正相关呢还是负相关。 操作一,点击分析,然后点相关,最后点双变量,然后我们把变量选到框里面,最后把皮尔逊也给勾上就行。两个变量一横一竖的交叉点就为他们的相关系数。 第一步, s i g 必须小于零点零五才证明有相关关系。然后看 皮尔逊相关系数,大于零为正相关,小于零为负相关。我们的案例得出,教师教学氛围跟物质氛围成正相关关系。用动画讲 space, 有数据分析问题记得找大师姐,记得点赞收藏加关注哦!

六十秒教你学会 spss 相关性检验,可代做指导。第一步,我们先将数据导入 spss 软件中并进行复制后点击分析相关,点击双变量。 第二步,进入图中对话框后,将我们需要分析的变量放入变量框中,点击确定我们需要的相关性检验的结果就出来了。 第三步,将相关检验的结果粘贴复制到 excel 表格中进行整理,可参照图中所示结果整理进行整理。 第四步,将我们整理好的结果粘贴复制到沃尔顿党中并进行文字解释。看表格的制作可以参照图中解释汉制作。

相关性分析结果怎么看?这是原始数据,这是 spss 的分析结果。 c 值低于零点零五或者零点零一就表示有显著性差异,相关系数绝对值越大,相关程度越高。 算了,太麻烦了,直接用这个。

大家好,我是陈老师,欢迎大家收看杏花开医学统计课程,我们将每周在微信公众号中更新最实用的医学统计文章及视频案例教程, 帮助大家轻松掌握医学统计学方法和统计软件的操作。我们的微信公众号是 xhk 三四五,欢迎大家关注。今天我们要讲到的是皮尔逊相关性分析,一般来讲最常用的相关性分析呢,有这么三种, 主要是皮尔逊相关性分析,肯德尔相关性分析以及斯皮尔曼相关性分析,这么三种是最常见的相关性分析的方法。呃,除了这么三种之外呢,可能还有一些偏相关分析,或者是距离分析,或者是典型相关分析,这么几种呢,可能是 不太常用的,如果,如果有朋友需要了解更多的 spss 里面有关相关性分析的方法,可以联系我们的客服进行领取。我我们的文字教程,我们在长期的工作中整理了一套详细的教程,这一套教程包含了大量的医学统计学方法分析结果的说明, 以及详细的这个配套的数据。而且我们的这个教程呢,也是持续更新的,有需要的朋友可以联系我们的客服进行领取。我们的客服 qq 是三三零幺八八八二零零。好,关于相关性分析,我们今天着重要讲到的是皮尔逊相关性分析。 首先陈老师会介绍一下皮尔逊相关性分析的前提条件,其实呀,任何一种统计学方法我们都不是盲目的使用的,每一种统计学方法都有 自己的特性以及自己适应的这个数据。我们拿到一个统计学方法,我们第一最要了解的就是这个统计学方法能够实现哪样一种统计目的。比如说像这个我们今天要讲到的皮尔逊相关性分析,顾名思义,我们必然研究的是变量之间的关联或者是联系。 比如说我们在医学研究中,为了探究某些疾病的发生与哪些因素有关,或者是这个生化指标与哪样一些因素有关等等。这样一些相关性分析, 我们的目的是研究相关性的,那么我们其实可以很本能的就想到这个皮尔逊相关性分析,但是呢,不一定是所有的数据都能够选择皮尔逊皮尔逊相关性分析的,皮尔逊相关性分析对数据有一定的要求, 皮尔逊相关分析仅仅只能针对这个连续数值型的且正态分布的变量。也就是说,呃, 这辆车老师刚才讲到的,我想研究呃这个疾病的发生与哪样一些因素有关,那么第一反应我就是要做相关性分析,但是呢,我能不能选择皮尔逊相关分析,这个还未知, 因为我要看看我的研究基于我的研究目的,我搜集到的数据是否是正态的,如果服从正态分布的数据,我想研究他们之间的关联性,我才可以选择皮尔逊相关性分析。 好,这个同学一定要记住啊,皮尔逊相关性分析他要求是连续数值型且服从正态分布的数据我们才能够使用。 或者是现在陈老师可以给大家一句汇总的话,就是当我们要研究两列正态分布的变量之间有没有关联性,我们才可以选择皮尔逊相关性分析。 比如说我刚才举的例子,我要探讨某种疾病的发生与其余的因素有没有关系。首先这个疾病是否发生,它是一个二分类变量, 再进一步,呃与哪样一些因素有关?这样一些因素我们不确定这个因素它是分类的变量,或者是连续的呃,或者是呃连续但是非正态的变量,或者是等级变量。像这样一些东西我都没有确定的时候, 我单单的只知道我想探讨疾病的发生和哪些因素有关,我们一定不能盲目的选择皮尔逊相关性分析。好,其实同学可以看一下啊,告 同学一个小窍门,就是每一个统计学方法,每一个变量,他对原始数据的要求,我们怎么查呢?其实可以进入这个,比如说我要查找相关性分析的这个对原始数据的要求的话,我们可以点分析进入相关性双变量这么一个界面里面, 然后打开这个界面之后,我们点右下角的帮助 好,点了帮助之后呢,自动的他就会弹出一个这个呃, spssibm 的一个说明书啊,我们来看看, 你看像这假定,假定写的很清楚,皮尔逊相关性的这个呃相关性的系数是假定每对变量是二元正态分布的。好,呃,就是关于这个说明 书呢,也是这个 spss 软件的一个说明书啊,同学可以这个,今天陈老师就要演示一下这种说明书的用法,帮助同学以后选择统计学方法的时候,如果不太清楚原始数据,不太清楚每一种 每一种统计学方法对原始数据有哪样一些要求的话,可以直接点击这个方法的界面右下角的一个帮助,来看看这个 sbss 软件的说明书里面给出来的一种标准说法。 好,说了这么多,陈老师只是想告诉大家我们的研究目的定了,数据类型定了,我们才能够根据啊目的和数据类型选择合适的同学方法。好, 刚才呢,陈老师是从非常严谨的理论的角度来考虑,皮尔逊相关性分析必须要求数据是服从正态分布的,但 是一般在实际情况中,其实啊,只要是这种像这种什么年龄体重只 bmi 还有这个血压的数据的话呢,他其实如果是轻微的偏态,或者是不是那种,呃,不是那种很明显的这种, 不是那种很明显的分类,也就是说像这种一看就是这种连续数值性的变量,其实我们都是可以选择皮尔逊相关性分析的。

哈喽,大家好,我是到这里,今天呢我们来学习相关分析,相关分析呢,他是揭示客观事物之间的一个关联性,确定他们之间有无关系。如果有相关关系呢,我们根据相关系数来判断他的相关程度以及方向。 我们来看一下这个相关序数的范围,如果取值在零点零零到零点二之间,他们的相关性呢是非常低的。如果在零点二到零点四之间呢,相关性是低的。 如果在零点四零到零点六零呢,它是存在相关的,如果是零点六零到零点八零呢?相关性高,如果在零点八零到一之间呢,相关性是非常高的。我们通过这个相关系数的分析呢,我们可以了解变量之间的一个贡献性程度, 如果说相关系数非常高,那则表示具有较高的贡献性问题,也就是说这两个变量具有一致性,或者趋近于一个变量。 好,我们来看个例题,我想探究每周的学习时间和学分之间是否有关联,关联程度如何?也就是说每周的学习长短和学分的高低是不是有关系呢?我们来进行这个相关分析。如何进行相关分析呢?我们首先打开 spas 软件, 好,这是我代言到的十五位这个每周学习时间以及学分的取的情况,我们来验证一下他俩是否有相关关系呢?首先点击分析 相关双变量。好,我们将这两个变量呢选中之后导入到变量 当中,相关系数呢,我们就默认 prc 相关系数即可。然后这里呢,直接点击确定好这个相关性的结,结果就出来了,我们可以来看一下每周的学习时间和每周的学习时间,他的相关性是一,因为他俩是一个变量,所以相关性很高啊,贡献。 然后我们再来看一下每周的学习时间和学分零点六八,好,他具有相关性,对吧?但是他是不是有显著性的呢?我们来看这个 p 值小于零点零五的,也就是有显著的,也就是说他俩存在相关关系的。 好,这就是这个相关性的一个分析。那如何在文章当中去体现呢?我们一起来看一下。好,我们把这个表格呢进行简单的一个修正。好,每周学习时间,每周学习时间,他的相关系数是一,学分与学分之间相关系数是一, 这个呢?哎,相关系数为零点六八,相关系数是否显著呢?我们就要看有几颗星,对吧?两颗星是小于零点零五的,也就是说它具有相相关关系的。如果说 p 值是大于零点零五的话呢,它即使相关系数 再高或者再低呢,它都没有相关关系的,我们需要通过 p 值来判断它是否有相关关系,然后再通过这个数值的大小呢,判断相关的大小, 然后再根据前面的正负呢来判定他是正向相关还是负相相关。好,显然一见呢,我们这个是正向相关,也就是说这个学分的高低呢,跟每周学习时间的长短是有正向相关关系的,这样进行解读即可。好,今天的相关分析呢,就讲到这里。

在心理与教育领域中,有时会出现不能使用皮尔性相关分析的情况,那么有哪种情况呢?第一个是数据不是等距或者等比的数据, 那么第二个是数据不确定是否来自于正太的总体,因为我们知道你要使用皮尔逊相关,那么他的总体是要成正态分布的。 第三呢,我们都知道皮尔逊相关啊,他要求是大样本,也就是我们的样本数要大于等于三十,那么如果样本数很少呢?小于三十呢?所以啊,在心理与教育领域中,经常会出现这样的一些情况,那么我们又该怎么分析他的相关性呢?这里面就有 与皮尔逊相关相对应的叫做斯皮尔曼相关,也叫做等级相关,那么这是大家要记住斯皮尔曼相关使用的三种情况。那么比如说举个例子,十名学生的 数学成绩名次和语文成绩的名次,他们的排位是否具有一致性啊,也就是他们的排名是否具有一致性。那么这里面我们做一个分析,就是同一组背式十个学生,那么他有成对的数据,数学的排名和语文的排名,而且排名啊,他的数据类型是顺序型,那么顺序型的这样的一个 数据呢?所以我们选用斯皮尔曼相关,这是这个例子,那么大家要记住斯皮尔曼相关,既然他的应用范围这么广,对数据的整体分布状态也不作要求,那么他是有缺点的啊,他是有代价的,也就是他的精确度是降低了的, 因为同一组能使用基差相关计算的资料,若改用等级相关来计算,他就会损失一部分的信息啊,这就是他精确度降低的原因。所以我们就要得出一个结论,是什么呢?就是凡是我们可以用皮尔逊来 计算的资料,我们就不要用斯皮尔曼相关来计算好,这是大家记住的哈,凡是我们达到了用皮尔逊相关来分析,就不要用斯皮尔曼。所以有的学生在用 sps 进行分析的时候,反正就是多打把钩是吧?反正就多选一个,没有坏处。那么你要知道这背后的原因就是斯皮尔曼相关,它的精确度是不如皮尔逊的 好,是这一点。接下来我们看到怎么去看 sbss 导出的这样的一个结果,那么这个呢,比较简单,比较基础,我简要的说一下,那么主要这个表格啊,看的就是他的一个是相关性啊,也就是 r 二指,再一个呢就是他的 p 指,也就是显著性括号双尾这一行 p 指, 那么批值小于零点零五呢,这个系数啊,就会标记一个星号,如果小于等于零点零一呢,就会标记两个星号,无论他标记一个星号还是两个星号,都说明有相关性,也相关性显著,就是这一点啊,比如说 在这里年龄啊,年龄和他这个总指数的一个相关性啊,负零点二幺九,这是他的相关系数,那么批值呢?批值是零点零零,零点零零,那就是极限注是吧?那么就是这一点,就是很简单哈,一个是相关系数,一个是呢批值好, 这是关于怎么看这个结果。再一个呢,我们同样的两个变量的相关分析,我们用了两个表来做一个对比,上面这个是皮尔逊相关,下面这个呢是斯皮尔曼相关的一个结果,那么大家可以发现, 在斯皮尔曼相关分析当中,他的相关系数是负零点二一三,在这里,那么他的显著信括号双尾的这一行可以看到零点零零零,其实对于我们这个分析来说,好像两个 相关分析没有什么很大的差别,对吧?他都能得出一个显著相关的结论。那么这里面呢,要看到一点的是有 有一个规律啊,就是斯皮尔曼相关他的相关系数的绝对值,绝对值是要小于皮尔逊的相关性的绝对值,你看这里是零点二一三,那上面呢是零点二一九, 对吧?说明斯皮尔曼他的相关系数啊,一般来说是小于皮尔逊的相关系数的。好,这是这样的一个规律。好,第二个你要记住的是我们斯皮尔曼他的相关性,他的精确度要更低啊,更低。 好,最后呢,我们说两句话,第一个就是斯皮尔曼的相关系数对原始变的分布不作要求啊,这就是说他的应用的情况很范围更广,对吧?他对数据不作要求,他应用的范围肯定更广,他属于非仓数的统计方法,非仓数统计方法, 所以他应用范围呀要广,当然非参数统计方法呢,他的精确度就要比参数统计方法要低。好,那么最后呢,大家注意的一点是,那么皮养性相关,他要求 数据成正态分布,但是呢,在理想情况下,我们都知道数据现实中是很难成完全的正态分布的,所以我们不能对于数据有过高的要求,过分苛刻的要求, 那么结论就是在现实的研究当中,我们基本上使用皮卡逊相关还是斯皮尔曼相关呢?好,记住,在现实的研究当中,我们其实基本上还是使用皮卡逊相关,因为皮卡逊相关其实他的这种稳定性还是比较好的, 也就是你数据稍微有一点点偏态,他是不影响你得出的这个结论的。这个是大家要知道的一点,也是一个技巧。好,今天的分享就到这里。

好,那么皮尔逊相关性分析的这个第二个分析步骤是,第一个分析步骤就是看看个案,那么第二个分析步骤是哪一个?我们首先应该分析显著性, 为什么呢?因为这个显著性只有小于零点零五,我们才认为两个变量之间存在相关关系。如果显著性大于零点零五,那么两个变量之间连关联性都没有了。 如果两个变量之间连关联性都没有的话,那么这个皮尔逊相关性分析的这个系数我们根本就不用分析了,直接不考虑, 直接就当他是零,无论他是多少,我们通通不看。也就是说我们一定要基于这个显著性水平小于零点零五,认为两个变量之间存在显著的相关关 之后,我们才有资格再来进行皮尔逊相关性分析的这个呃,皮皮尔逊的系数分析。因为你想一下,如果这个显著性大于零点零五,那么二者之间连关联都没有的话,那么这个皮尔逊系数根本就没有存在的意义了,我们不用看的, 也就是说只有显著性水平小于零点零五了,证实了两个变量之间存在了显著的相关关系之后,我们才有资格继续考察这个相关关联的性,这个相关的关联性到底有多大?比如说像我们这 年龄和体重指数,他的这个显著,他们进行皮尔逊相关性分析的这个显著性水平 p 等于零点零零幺,小于零点零五,那就证明年龄和体重指数之间存在 显著的相关关系,那么我们得到了他们之间存在显著相关关系的这个结论之后,我们还需要更进一进一步的考察他俩之间到底是什么样的相关关系。这个时候我们再来分析皮尔逊相关系数, 发现年龄和体重指数之间的相关系数是零点二七六,是大于零的,那 就说明年龄和体重指数之间存在着显著的正相关关系,那就意味着年龄越高,体重指数就越高,或者是体重指数越高,年龄就越高,反正二者是这个年龄和体重指数是同升同降的 好,呃,如果关于这个,嗯,这个这个是正相关,所以就是同生同嫁。呃,这个关于如果是富相 关的话呢,那就是一个升一个减了。关于这个副相关的案例呢,这个同学可以联系陈老师这的这个客服领取相关的教程啊。我们的客服 qq 是三三零幺八八八二零零, 我们因为陈老师除了视频的讲解之外呢,还做了一套包含所有的医学统计方法分析医学统计方法的这个分析结果的说明的模板以及配套的数据,可以供大家学习,并且是持续更新的啊。嗯,这个大家可以联系我们的客服 呃, qq 是三三零幺八八八二零零,领取我们的这个数据分析的教程啊。好,这个呢就是年龄和体重指数之间的关系。现在其实陈老师可以举一个比较详细的例子啊,就是说,呃,就是说显著性水平小于零点零 零五了,那就证明年龄和体重指数之间才有资格被连一根,嗯,被连一根这个绳子, 也就是说显著性水平小于零点零五,就意味着年龄和体重指数之间有关连,那么我们就可以在二者之间连一根绳子,那么至于连的这个绳子,他是正向的绳子还是负向的绳子,就取决于这个皮尔逊相关系数是大于零还是小于零了。 好,这个完了之后呢,我连的这一根绳子是粗绳子还是细绳子,那么就取决于这个皮尔逊相关系数的绝对值有多大了。 这个时候同学可以看一下我们杏花开医学统计的微信公众号啊,就是这一个视频配配套的这个医学医学公众号的文字模板,陈老师写到了这个相关系数 r 的这 这个数值的绝对值在零点八到一之间的时候是表示的极强相关。好,然后呢,零点六到零点八八,零点六到零点八是表示的强相关,然后零点四到零点六是中等相关,而零点二到零点四之间的时候表示的是弱相关。 你看我们这的是零点二七六,他是在零点二到零点四之间的,表示的是弱相关。所以呢,这个年龄和体重指数之间存在着一种显著的弱相关关系。 或者是再说完整一点,年龄和体重指数之间存在着显著的正向的弱相关关系。 好,这个同学,其实如果不太好理解的话,你就可以理解,年龄和体重指数之间牵了一根细细的绳子, 就表示年龄和体重指数之间存在着显著的弱项相关关系。好,我们再来看看,像我们这有一个相关系数比较大的,你看这个收缩压和舒张压,他的相关系数首先显著, 第二相关系数的绝对值是零点八五四,然后呢零点八,并且他的数值也是零点八五四大于零,然后呢他的这个绝对值在零点八到一之间,那么这个呢,存在着就是极强的相关关系。 好,今天呢,我们讲到的主要就是相关性分析啊,如果有没有听懂的同学呢,可以在我们的杏花开医学统计微信公众号里面留言给我,我会针对大家, 我针对大家的提问集中进行解答。我们的微信公众号是 x h k 三四五,今天我们的课程就讲到这里,我们将持续 更新更多更实用的医学统计教程,欢迎大家关注我们的微信公众号, xhk 三四五,品质源于专业,服务源于真心,感谢大家的收看,下期再见!

好,这个呢,是陈老师刚才介绍的四 pm 制相关,如果有同学还想了解其他的一些相关,比如说这个皮尔逊线性相关的话呢,可以关注陈老师上一期的杏花开医学统计微信公众号, 如果还有同学还想了解什么偏相关,想提前了解偏相关的话呢,可以联系我们的客服领取一套完备的医学统计教程。 我们在长期的医学工作中整理了一套详细的教程,这一套教程包含了大量的医学统计学方法分析结果说明的详细模板以及配套的数据,并且持续更新, 有需要的朋友可以联系我们的客服进行领取,我们的客服 qq 是三三零幺八八八二零零。好呃,刚才陈老师讲到的是斯皮尔曼的一些呃相关的原理,现在陈老师有一个非常 重要的东西要讲解,就是斯皮尔曼他对数据也是有一定的适应条件的,但是斯皮尔曼相关,斯皮尔曼等级相关,相对于皮尔逊现行相关而言的话呢,他对数据的这个原始数据的适用条件的要求可能会适当的放宽一点, 因为皮尔逊相关,皮尔逊线性相关,他是属于参数范围内的,因此对原始数据的要求比较高,比如说一定是要求正态分布的, 但是斯皮尔曼等级相关,他是属于非参数类的检验,所以呢,斯皮尔曼等级相关呢,他除了要求变量是等级之外呢,是那种严谨的等级变量之外,对于那种非正态或者是偏态很呃很严重的那种呃连续资料, 也是可以选择斯皮尔曼的,也就是说那种呃连续数值型的变量他非正态无法满足皮尔逊线性相关的条件的时候,我们可以退而求其次,而对其选择斯皮尔曼等级相关 好,这个是一种。第二种就是呃,一般来讲的话呢,只要这个变量的分布形态未知,也就是说他只要是非正态的,或者是我不知道他是怎么样的一种分布,我都可以选择斯皮尔曼相关。因为他是一种非参数类的检验,靠排序、排质、次排 还名字来运算相关系数,所以基本上他是适用于所有的数据的,所有的变量类型的。那么可能有同学会问程老师,他既然适用于所有的变量类型,那为什么还会有皮尔逊相关呢?可能你们会觉得斯皮尔曼非参数智 相关,他可以替代所有的相关系数,为什么还会有皮尔逊这种参数类的线性相关呢?主要啊,还是因为皮尔逊线性相关,他是参数类的检验,他的能效性和准确度都会比斯皮尔曼这样一类非参数检验的能效和准确度要高。 所以呢,当我们可以明确数据服从正态分布的时候,还是建议大家使用皮尔逊现行相关 好。刚才陈老师讲到的两点,第一个是如果连续数值型的变量,他非正态的话,可以选择斯皮尔曼等级相关, 如果原始数据是等级资料的话,我们也可以选择斯皮尔曼等级相关。如果总体的分布或者是这个变量的分布我们根本就不知道的时候,当然我们还是要选择斯皮尔曼相关。总的来讲,斯皮尔曼它的应用范围是非常非 非常广的,但是呢,呃,应用范围非常广,他让度出来的条件就是他的能效性和准确性可能略微低于皮尔逊现行相关。好,今天呢,陈老师就以这样一套安利数据来跟大家演示并讲解斯皮尔曼等级相关。好,首先我们来看一下 我们这的这个数据工作强度和失眠症状,他的阿拉伯数字。好,我们这样来看啊, 我们来看他对应的这个,呃,对应的这个值,标签这个值负值。我们先来看这个工作强度, 这个工作强度他是按照阿拉伯数字一二三四五六七,逐步代表着工作强度逐步递增。一,这个阿拉伯数字是最小的,他就代表着未未上班。二呢,也是比较小的阿拉 阿拉伯数字代表着非常轻松,然后随着阿拉伯数字的逐步增大,表示这个工作强度越来越大。注意啊,呃,我们这个呢,陈老师在前几期的新华开医学统计里面已经讲过了, 就是我们在把数据录入到 spss 里面进行编码的时候,这个,呃,这个程度的递增的这样一个状态,一定要和阿拉伯数字的递增是要吻合匹配的。 好,这个是非常关键的,像我们这一次就遵循了,就是这个,呃,数字越来越大,表示工作强度越来越越来越高。 好,其次,这个失眠的症状,从这个阿拉伯数字比较小的,就是说从未失眠,偶尔失眠。呃,你看这个,一阿拉伯数字最小,他对对应的是从未失眠。二呢,是阿拉伯数字。呃,嗯,比较小的话 二,二,这个阿拉伯数字稍微大一点,表示这个失眠的严重程度就稍微高一点,也就是说这个阿拉伯数字越来越大,表示的失眠严重程度越来越高。 阿拉伯数字一二三四五六逐步增大,表示着失眠的严重程度越来越高。这个工作强度也是的啊。


大家好,我是军磊。呃,上一个视频呢,我们主要介绍了验证性因子分析的一些操作和技巧啊。这一节课呢,我们介绍一个,呃,非常常见的,也是非常简单的一个检验,叫相关性检验。 相关性检验的啊,顾名思义他是来进来展示两个变量之间的这个相关性。嗯, 通常而言呢,我们会在我们的假设检验之前啊,一般是在我们的模型检验之前啊,去看一下我们变量与变量之间的这个相关性达到一个什么样的程度。呃, 一般我们去做这个相关性检验呢,会用到两种细数,就是我们的皮尔森 和斯皮尔曼。呃,这两种系数呢,大家可以这样来记啊,就是 p 二三相关系数啊,是应用在我们的连续变量上,像身高啊,这种啊, 是连续变量。而而斯皮尔曼这种相关系数呢,是应用在一种有序变量。什么叫有序变量?就是说,呃,比如说年级啊,大一、大二大三的这种,在一和大一和大二之间他无法再细分的这种啊,叫有有序变量啊,这种呢?呃, 但是有的同学可能会看到有些教科书上讲啊,就是要先做正态检验啊。呃,我们这里说一下,就是在我们的问卷分析当中啊,就是默认这个数据是正态分布的。呃呃,你说这个有什么依据啊?就没有什么依据 默认他是职台分布的啊,你说合理不合理其实是不合理的,但是我们就是这样来去呃认为的,认为他是职台分布就不要去做那个制裁检验了。嗯,如果你的老师 要求你去做这个侦探检验啊,那你那到时候去做一下就可以了啊。嗯,好,我们先去呃看一下这个表格,看实力。 嗯,这种表格呢是我们啊常用的一种形式。呃,大家看 这里是有一个均值和变杀,如果,呃你你前面已经做过描述性统计分析了啊,这里的均值和变杀可以不放啊,可以不放。如果是你前面没有做啊,你这里可以放一下, 也有的是,呃,把这两列去掉呢,这个相关,这就这是整个的这个相关性检验。嗯,我们来看一下具体是怎么操作。现在呢有这样一个数据,这样一个数据, 我们就检验下面这些啊,变量之间的这个相关性啊。如果是个量表数据呢?我们这个数据,呃因子数据是由量表这些题目计算的到的,比如说 a 一和 a 六,他就代表了这个情感关怀, 如果我们想计算欠还槐,就直接用 a 一到 a 六之间的这个均值就可以了啊。这里也很简单,就直接点击转换计算变量,然后比如说这里是因子一,然后我们在这里点上上, 然后从 a two a 六,然后这样,然后再除以 除以六。好,那这样一个变量我们就计算出来了,然后你一个一个计算好了,再做一下相关性。好,我们相关性怎么做呢?就点击分析,分析里面有一个相关,相关相关里面有一个双面量。双面量呢,这里会有 介绍啊。啊?斯皮尔曼和皮尔轩,那这个呢?这个,呃一般他是用不到的啊,如果用到的时候呢?特别啊,特别少,特别少。那这个表格我们应该怎么样去描述呢?啊?我们来看。呃这个纸 这只是代表了啊情感和期许之间的相关性。嗯首先这个新号呀新号他是代表了一个显著性。显著性是什么意思呢?就是代表这两者之间有没有这个相关性 如果不显著我们就不谈了因为他没有我们就不急用不继续往下去。呃讲了如果他们俩之间显著。好我们再看他这里面这个数字如果是正的就代表正相关如果是负的就代表负相关。负相关如果这个值呢 啊越大他就他绝对值,越大就他们之间的相关性程度就越高 ok 呃一般是这样的一般是小于零点三呢我们就把它看成是一种弱相关。弱相关。呃零点三到零点零点六之间呢我们把它称为中等 等强度的相关。零点六以上呢啊把它称为一种强相关。当然这种划分的依据呢。呃不是 这种划分呢不是那么严格有的时候是零点四以下是弱相关,有的是零点五以下是弱相关,有的是零点五以上是强相关啊这个呢你可以根据啊你们导师的习惯去进行描述啊。啊没有那么严格 至少保证啊我个人是比较习惯上这样零点三以下看来是一种弱强关的因为我当时学的时候老师就是这样跟我说的。嗯好我们来看怎么描述啊。就是说啊轻干与社会期许之间社会期许之间具有显示的正相关啊就是先描述这个信号然后呢 他们俩之间这个皮尔三相关系数是零点三幺四啊这里是零点三幺四啊具有中等强度的相关性。 如果我们之前呢啊没有做这种描述性统一分析啊,可以在这里再把他们俩,他再把这个变量之间这个均值和变差给介绍一下啊,介绍一下, 好,我们就呃借着一个数据来看一下这个怎么做啊?首先我们这是下面这些都是量表题目, 那这亮点题目啊,要先把它计算成这个维度的一个数据,一般呢我们是要用这个均值来去计算的啊,均值计算也很简单,比如说我们这个 a 一到 a 六是代表了我们这个情感关怀,然后我们点击这转换,转换里面有一个计算变量 啊,这里是我刚才写了一个实点,比如这里是因子机,因子机呢,用一个萨姆函数啊把包起来,然后从 a 一到 a 六就算他们的盒, 然后除以他们这个呃题目的数,题目的数量啊,就可以了。 嗯,计算完这个呃维度之后呢,我们就点击这个分析,分析里面有一个相关,相关里面有个双面量,然后我们就看到我们呃计算好的这些维度,我们只需要把,比如说我们把这些计算好的放在这里, 然后就点击啊 p 二三,因为我们通过量表的这个题目啊,求均句得到之后,他就是一个连续的变量,所以一般是我们是用 p 二三相关啊,这个是四 p 二慢,这个呢我们一般是用不到的啊,一般是用不到的, 我们点击确定好这个数据他就出来了,出来之后呢,我们还是老样子,我们把这个数据刻位到 exca 表格里,如果我们是需要用到军事和变事差的,我们可以再通过分析流入性统计里面的描述,去把我们的这个军事变事差求一下。好,我们这里也求一下, 然后我们把它把这个抠出来放一边,然后这个表格的制作也很简单,我们就这样一个一个的把下面这两列删掉, 删掉, 然后呢我们把这个给清清,除掉,清除,然后点击复制,然后这里复制一下,这里复制, 这里复制一下,这里复制也没有了,然后我们删掉。好,这个也删掉。嗯,插入两列,把我们的卷纸和变声插放过来。 好,然后把这个删掉,这个调整为三位。好,这带着形象我们就不用给他调整了,这个零了啊。嗯,这叫均值。 在哪?插好,然后我们到这部其实这个表格已经差不多了,然后我们给他再润色一下,调整为送体, 然后这样,嗯,然后我们来加一个粗调整,为时候的把这边这些都去掉,把这边这个去掉。 好,那这样一个数据呢?就是我们要这个相关性的表格,然后我们再去描述他就可以了。好,今天的视频就到这里。嗯,谢谢大家。

大家好,我是李博志,接下来我跟大家分享的是 spss 文件分析与三面表制作调节教育分析。前面呢我们介绍了人口诀、变量描述、近焦度简易因子分析、 基本描述、统计相关性分期以及多元鉴定、回归分期、中介金额分期。接下来呢我们介绍调节金额分期,调节金额分期呢,我们这里主要是针对 自变量和调节变量均是连续变量的情况。呃,我们主要做这三步,第一步呢就对自变量调节变量进行中心化, 第二步呢就是计算他的交互项。第三步呢是做关于自变量调节变量和交互项的一个回勾模型,呃检验这个呃交互项的一个 回归技术,如果显著呢,就说明调节教育是显著的。好,我们通过一组数据呢来具体做一下, 还是我们前面的万变数据,我们这里假设呢的字变量呢是 a, 然后调节变量呢是 b, 然后音变量呢是 y, 控制变量呢来自性别、年龄、 最高权力这三个人口接变量啊。首先呢,我们根据这个步骤呢,对自变量和调节变量进行中心化。我们先来看一下自变量和呃调节变量的一个均值 啊,这边呢均值是四点零六,调节面料均值是三点六零。然后我们呢就 对它呢进行一个呃中间化处理,转换计算变量。 这里呢 z x 呢是呃中间化或者截屏量,但呢是可以减去这个四点零六 决定,然后我们再计算中间画后的控制电量, j w b 减这个三点六零 确定。然后呢,我们再来计算 z f z w 的交互项, 假设交互匠呢是 int 两个做成绩, 这是它的一个交互窍,这样呢,我们就可以做做回归分机了, 本期回归渐进,然后音变量呢是 z, 然后控制变量呢是机敏,年龄和学历,然后自变量呢是 z, f, z, w 和交互价。 呃,这样呢,我们直接确定就可以了啊,我们可以看到呢,呃,这个魔镜二方呢是零点三六二,魔镜显著性呢是,呃十一点五五,但那皮值呢是小于零点零一, 说明这个模型呢是减住的。我们再来看这个模型,呃,这变量呢是 x 对 y 呢是减住的。呃,调节变量是减住的。这个交互相呢是不减住的,也就是说他这个 呃调节教育呢就是不显著。如果调节教育显著呢,我们还需要进行他的一个简单节律分析,这里呢不显著,我们就只制作他的一个单间表,把这个表格呢复制到 excel 里面。 呃,这里面还是渐渐渐变的,这一系列标题可以用它。 然后模型呢还是可以展示二方, f 和 p, r 方呢是零点三六二, 然后 f 呢是十一点五五,然后 p 呢就是零点零零,然后保留单位角度。 呃,如果这个模型还需要做一架那个呃贡献金转换的话呢,可以把 vr 给我加上,这里面就既然不做 贡献并诊断了, 把它复制到 word 里面,然后进行字号的调整,然后字体的调整, 边界大小的布局,然后再调整一下张家边 上下一点五。 bu 可以加个表头表格 调节要结果,然后用前面的格式呢隔出 pra 一下。 好,这样呢就是比较一个呃粗糙的一个调节性的结果呢,基本上就 就出来了,我们通过判断这个交互效呢来看这个调节效应是否减度啊。然后呢我们再进行 z f z w 注制一下, z x 呢是标准化或者 x, z w 是 标准挂后的一个调节变量,然后这印是,呃,这两个的成绩也就他的交向, 这是调节效应的一个概念表制制作。呃,关于其他方面的数据分析问题呢,大家如果有疑问的可以联系我们,这是我们的联系方式。好,谢谢。