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。
粉丝3529获赞1.9万

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性相关,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,十名学生的所 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?所以我们选用四 pm 相关,这是这个例子,那么大家要记住四 pm 相关,既然它的应用范围这么广,对数据的整体分布状态也不作要求,那么它是有缺点的啊,它是有代价的,也就是它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,这是大家记住的啊,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,也就是二指,再一个呢就是他的批指,也就是显著性括号双尾这一行批指, 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,好,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,我们同样的两个变样的相关分析,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, 在斯皮亚曼相关分析当中,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 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样的分布不作要求啊,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,他属于非参数的统计方法,非参数统计方法, 所以他应用范围啊要广,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,我们基本上使用皮咬逊相关还是斯皮尔慢相关呢? 好,记住,在现实的研究当中,我们其实基本上还是使用皮尔熊强光,因为皮尔熊强光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。

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!

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。

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,上次给大家介绍了相关性分析,这次给大家介绍一下相关性的结果展示。首先我们看到的这张图是最基础的相关性分析。结果展示图表示的是两个基因表达之间的相关性。图中的散点表示的是样本, x 轴和 y 轴表示的是基因的表达量。 蓝色线表示线性回归的拟合曲线,阴影部分表示的是百分之九十五执行区间。红色数字表示的是相关性的结果以及批值。这张图与上张图类似,不同的是这张图中增加了基因的表达情况以及基因表达中位数的信息。 图中的条形图表示的是基因表达的频数,上方的条形图对应的是 x 轴的基因,右侧条形图对应的是外轴基因。虚线表示的是基因表达的中位数数值。虚线对应 x 轴基因,水平,虚线对应外轴基因。还 还有这种相关性的结构展示图大家也会遇到。不同颜色表示的是相关性的强弱。圈的大小表示相关性绝对值的大小,绝对相关性的绝对值越大,圈也越大。星号表示的是批值。 一个信号表示 p 小于零点零五,两个信号表示 p 小于零点零一。三个信号表示 p 小于零点零零一。四个信号表示 p 小于零点零零零一。此外,这种图也是相关性分析中常用的展示方式。 条形图表示的是数据 dj 的分布情况,散点图表示的是 dj 与 dm 的相关性。散点图 数字表示的是 dj 与 dm 的相关性分析结果,信号表示批值。最后,在做到一些特定的相关性分析时,例如基因表达与免疫细胞精锐之间的相关性,还有一些其他的展示方式,如下 下面这两张图,这张图可以清楚的看到基因与每一种免疫细胞精润之间的相关性。颜色表示相关性的强弱,信号表示相关性的批值。 这种图除了可以看到基因与免疫细胞精神之间的相关性,还可以展示免疫细胞彼此之间的相关性。大家可以把图中的 n、 p、 k 等指标看成是免疫细胞, spaces、 零一、零二等指标看成是基因。 不同颜色的线条表示的是基因与免疫细胞之间的相关性。皮质大小线条的粗细表示的是基因与免疫细胞的相关性强弱。不同颜色的方块表示的是免疫细胞之间的相关性强弱。至此,今天的分享就结束了,感谢大家的关注,我们下期见。

我看大家对这个相关系数都比较感兴趣啊,今天就是加更一起,当我们有了这个插件以后,呃,就是你把数据导进来,不用在意这个是 x 还是 y, 这个没有关系的。然后我们点这个 cracklation plot, 然后我们要今天要做的是一个 x y 步轴的,所以我们要选这个 use different variables for x y 啊, x 轴,比如说咱们就选一二三吧,那么就把这个四五六 给他点掉了,然后你再说 y y, 我们就把这个四五六弄成 y, 嗯,然后是皮尔逊,咱们就选皮尔逊分析就好了。然后这个呢,你可以自己去选,我喜欢用这个,呃, u s sip, 是,是吧?然后我们可以看一下。 嗯哦,就是这样的,这个之所以这都是一特别不好,那就说明我这个编的这个数据实在是太不好了,咱们给他稍微改一下。嗯 嗯,好,我们改一组数据啊,我们再试一下,还是刚才的这个, ok 呦, ok 了,你看这样出来的效果就特别好了。这个 y, 呃,这个 x 轴和这个 y 轴它是不一样的数字 啊,你真正的数据一般做出来会比这个好看的多哈,我这个因为是自己编的数据,所以就也就是只能达到这个效果。

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,这一节课我们来学习斯皮尔曼等级相关的相关知识点。 首先我们说等级相关呢,它是用来描述等级变量之间线性关联程度的一系列的统计指标, 这等级变量呢,可以是有两列,也可以呢是有多列。那么我们这一节课呢,所讲到的斯皮尔曼等级相关呢,主要呢是针对于两列数据的情况,它适用于两列等级的变量, 并且呢不要求这两列数据呢总体上呈现正态分布,也不要求样板量呢必须大于三十。 那么在实际中呢,他和基差相关来比的话,他的条件呢要弱很多。那么我们说呢,如果说呢,基差相关的条件没有办法满足,可以把这两列数据呢转化为等级数据来计算司匹尔曼等级相关来描述 数据之间的关联程度的高低。但是呢,如果说呢,这个数据呢,他是满足计算机差相关条件的,那我们的首选呢还是计算机差相关, 因为基差相关呢,是在连续数据的基础上来处理的,而斯皮尔曼等级相关呢,是要把数据转化为等级的数据, 在数据转换过程中呢,会有信息的损失,这个是在实际应用中呢,应该注意的一点。 那么我们下面来看斯皮尔曼等级相关呢,他是如何来计算的?对于斯皮尔曼等级相关,他最基本的公式呢就是首先呢把两列数据呢转化为等级的数据,或者说呢原始得到的数据呢,就是等级的数据, 分别用 rx 和 ry 来表示这两列变量的等级数据, 那么呢对应的等级求差值,我们可以把它的差值呢记为 d, 然后斯皮尔曼等级相关系数的计算呢,就是一减去,那么分子上呢是六倍的 c x, d 的平方,也就是对应 等级差值的平方和乘以六,这是分子上,那么分母上呢,是 n 乘以 n 的平方,减一 n 呢,这个地方呢指的是乘对数据的个数,也就是说呢样板量的大小。 用这样的公式呢,对于数据,我们就可以计算得到他的斯皮尔曼等级相关,下面呢我们来看一个 计算斯皮尔曼等级相关的例子,这里呢我们想要探究的是十个高三学生,他的学习潜能测验的分数和自学能力测验分数之间的相关, 那么我们来看一下数据的特点。对于学习潜能测验, x 呢是一个原始的连续的数据,而对于自学能力测验的分数呢,这里呢是一个转换成的等级排名的顺序的 数据。那么对于这两列数据之间的相关的话,很显然呢,他不满足计算机差相关的条件,我们就转换为来计算他的斯皮尔曼等级相关。那么根据刚才前面的公式呢,我们首先呢要把 学习能力测验的分数呢转化为等级数据,然后呢求他对应等级数据的差值的,然后带入前面的公式就可以了。 在一般的统计分析的软件里面呢,都提供了斯皮尔曼等级相关的计算的结果,我们直接来看 spss 所得到的斯皮尔曼等级相关的输出的结果,我们可以看到呢, 这两列数据之间的相关呢是零点七四九,那么我们就可以看到了啊,这 这两列数据之间呢,他们是存在一个高的相关的,这就是关于这个斯皮尔曼等级相关的这样的一个例子, 那么在这里呢,还需要特别强调的一点呢,是关于相关系数的,他前面的正号和符号,那么在前面我们就知道这个正号和符号呢,分别来描述呢,他的这个 相关的一致性是一个变量增大,另外一个变量也是增大的趋势呢?还是一个变量增大,另外一个变量呢,是减小的这样的一个趋势。那么在等级相关里面呢,要特别注意的, 他这个正负号呢,和你排等级的这个顺序呢是有关系的,所以在使用的过程中呢,还要特别注意,是把最高的值转化为等级一呢,还是把最低的 值转化为等级一,这个时候呢,可能会影响到斯皮尔曼等级相关系数呢,他的一个正负号,那么这个呢,在解释的时候呢,也是要注意的一点, 那么这一节课呢,我们主要就是讲到了两列等级数据资料,他们之间关联程度描述的一个统计指标,斯皮尔曼等级相关这一节课的内容呢,就到这里,谢谢大家。

要给大家讲的是如何做正态性检验以及如何做相关性分析。首先我们要选择相关性 分析的分析方法呢?有两种,一个是皮尔逊相关系数,一个是斯皮尔曼相关系数。皮尔逊相关系数呢,是适用于正态分布条件下才可以使用这个相关系数,那么斯皮尔曼相关系数呢?就可以不考虑数据是否正态。那么首先第一个问题就是我们要考虑我们的数据是否是正态的。那么在 spas 里面怎么检验我的数据是正态的呢? 有两种检验方法,一个是 ks 检验,一个是 qq 图检验。首先我们看到 ks 检验如何实现。打开我们之前所讲到的数据,我们这里有三个亮表,再给大家说明一下我的数据。三个亮表,这里是求的是总和每个亮表的总和。 点击分析,点击非参数检验右对话框,再点击单样本 k s, 然后把俗话检验的变量放在右边检验分布,点击正态 分布,然后再点击确定。这个时候我们 k s 检验的结果就出来了,可以看到我的显著性都是小于零点零五的,这说明什么呢?首先我们要了解 k s 检验它的原假设是什么。它的原假设是说数据都来自正派分布,那么这里 p 值是小于零点零五的,我们就要拒绝原假设,就说明我的数据并不是来自正态分布的,对不对?所以我们倒过去看,我们就不能用皮尔逊相关系数了,这个时候我们要用斯皮尔曼相关系数。好。 接着我们进行四匹尔曼相关系数的相关分析。点击分析,点击相关,然后双变量将我所要检验的变量放入右边相关系数,这里可以选,那我们就选择了四匹尔曼相关系数, 其他的不用管,都选择双尾以及标记显著性相关性,因为这个时候他就会在右上角给我们打上星星。点击确定好。我们可以看到这三个变量的相关关系。首先我们来看第一行这个 x w x g 这个变量与他自己的相关性是一,与其他两个变,与其他两个变量相关性是零点九一四和零点五二四,他们的 p 值都是小于零点零五,就说明他们都是非常显著的。只是说 x w x g 与 q g 这个变量呢,相关性会更高一些,因为他的相关系数更大,更接近于一。 与第三个这个变量的相关性会稍微低一些,但是他们都是显著相关的。就这样来解读说明这三个变量都有显著的正向相关关性,因为如果是负向的话,它这里的 correlation 就会是负数,但这也是正数,所以它是正相关。 好。 cpu 们相关细数就给大家介绍到。这里还有一个正态性的检验,大家也看到了,我这里写了是 qq 图检验。 qq 图检验呢,它是比较直观, 但是也比较主观的一种方式,不推荐大家用这种方式,但是但是给大家介绍一下这种方式,推荐大家使用 k s 检验哈。 k s 检验在刚才已经介绍说明了。好,这个时候我们来做一下 qq 图点击分析点击描述 键点击 qq 图,把要检验的变量放在右边检验分布,这里可以选,我们选择正态,其他的不用管。点击确定好。这个图如何来看呢?我们就是看这个图,它是否这些数据点是否落在四十五度线周围。第一个是比较看起来还比较落在四十五度线周围的, 因为他这个就比较主观。你看第二个图,他离四十五度线有的点就比较远了,你看这个垂直距离就比较大了,那么他就不符合了。所以有的时候你可能会把第一个图判断为他是正态分布,第二三个图你觉得他不是, 但是我们用 ks 验的话,就可以直接从量的角度来说明他并不是正态分布的。所以三个变量的相关性都需要用四片慢相关性来做呀。好, 项目列表数据已经进行到了相关分析的这一步,相关分析就给大家介绍完毕了,那么下一步就是重中之重回归分析。回归分析涉及到的点面都很多啊,希望大家接下来在关注的 视频,然后我再会给大家详细的去讲解怎么样做回归分析,以及做回归分析需要注意一些什么问题。然后大家有问题也可以私信我,我看到了都会一一回复的。好,谢谢大家。

手把手教你看相关分析结果。比如下图标红的零点六六零六两个星号代表工资与教育程度,在零点零一水平上呈显著相关关系。零点六六零六代表二者之间的 pierce 相关系数为零点六六零六大于零。综上说明,二者之间呈现 显著的正向相关关系,相关系数的取值范围在负一亿之间。一般判断标准如下, 你学会了吗?

相关性分析是写论文中非常重要的一个手段,不要再只会写文字了,简单实用的可视化,所有专业 试用例子,我们这有年龄、体重、身高,写码复制的数据分别有六个班级,实际上是可以无限多的,现在我们将数据导入,进入图片可视化。说到图片,最近我发现了一个非常好用的迅捷图片转换器,里面的智能证件照特别的好用,各种尺寸都有底色,还能随意更换。还包括各国护照模板, 各类考试模板,比如四六级教师资格证,普通话等。还有就是快要毕业的同学在做简历时一定用得上。这样的图看的非常的高大上,红色代表正相关,绿色代表副相关,椭圆越窄或者是扇形越多,代表着相关性越强。 这样的图放在你的论文里,一定能提高你的论文水平,你学会了吗?这里是正在读博的大学长,关注我,带你开心读研!

大家好,今天来教大家怎么用 orange 来做相关稀释图,也就是 correlation plot。 那么首先打开这个 orange 的软件,我用的是二零二一版本,是在淘宝买的,然后在这里左上角创建一个新的项目, 然后创建之后就会出现这个表格,让你输入相关的数据, 我这里已经有现成的数据了,也就是这样,比如我想要探讨不同样本之间 的基因表达的相关性系数,那我可以把第一列把基因填进去,然后每一列后面的每一列从第二列开始是一个独立的样本, 这些数字就是每个基因在相应的样本的表达值。 那么输入这个数据之后,我就点这个右边这个 correlation pro, 也就相关系数图。 那么有的同学会发现,一开始这个相关系数图的功能不是默认就有的,需要去添加,但是 也有的版本或者软件会出现点这个添加,添加不了,那么我也咨询了在淘宝买的那个店主,他就发了这个 origin 的 a p p 给我,上面有各种 a p p 就可以 把它拉过去,你要安装哪个就把它拉过去,就可以添加了, 它就添加到这里了。那么我这个版本已经安装了这个 correlation plot, 也就是 输入了你想要分析的数据之后,按一下这个相关系数分析,然后左 边这里选择全部,注意选择全部之后把这个俊基因去掉,也就是把第一列的要去掉,去掉之后呢,其他的都是选中的状态了。 然后右边的上方可以选择三种计算方式,包括 person 以及另外两种相关系数的计算方法,那么我这里选择 person, 然后这些是默认的一些参数,我首先点击这个打勾, 预览一下它的效果是怎么样的,你看从这个预览图可以看出, 他就是分析了不同样本之间的基因表达的一个相关相关性, 我们可以试一下其他参数是有什么不一样,这个是里面的这个形状的,呃,具体的一个形状,比如 cycle 就是圆圆圈, 这个是这样的椭圆形,然后选择 color, 就是根据颜色来区分, 这个是一个相关系数,这个是图形与 这个相关系数的结合。你看这里就可以看出,其实有的同学就会发现他右上的这个三角形跟左下的这三角形是一样的,只不过他 就是以不同的形式来表现,他这个相关系数对应的就是上面的这些图形的大小。我们也可以换一下位置,比如现在就是上面是系数,下面是圆, 这里也可以改变上方的一个形状,比如把上方的圆 改成椭圆或者颜色 label 就是它的标签,就是那个每个方框里面要显示什么,这个是相关系数, 这个是显示 p 值, 这个是显示 这个不显著的标记,这个是显示显著的标记, 显数的标记,这里默认的是零点零五,也就小于零点零五的他就打一颗星。那么我们想要有不同的 p 值层是怎么样呢?比如小于零点零一, 还有小于零点零零一,那么我就在零点零五这里首先打一个空格,输入零点零一, 他就会多了一些框,他就出现了两颗星,两颗星就表示是小于零点零一,如果还想加多小于零点零零一的,就再敲一个空格,输入零点零零一, 这样他就会出现有些方框,他是三颗星的就表示小于 p 值小于零点零零一,两颗星表于表示 p 值小于零点零一, 一颗星的表示 p 值小于零点零五,那么其他的大家 就可以自己去尝试,喜欢怎么样的就调成怎么样的。比如我个人是比较喜欢这里选择 color, 就是用颜色来表示, fun 就是我刚说的,其实下面的一半跟上面一半是一样的,那么我不需要重复,我就可以选择这样一半或者在上方,当然我个人是比较喜欢这个三角在下方的, 那么这样我就是我个人比较喜欢的效果了,只显示一半,然后啊不同的星星数量表示不同的一个 p 值的范围,那么我就点击 ok, 点击 ok 之后呢这些可以调整字体的格式,默认的是 over, 一般都不用修改,你可以修改一下它的字体的大小, 你看这个字体跟图形之间有一定的间隙,你可以淡季一下,之后他就全部选中了,你可以往上移, 这边也是一样的,可以往右边挪一点,还有这个也是可以往这边挪动的, 那么这样子就可以做出一个相关。 我刚刚双击了这个轴,那么他弹出一个框,这些可以设置更多的细节, 这些我就不一一说了,因为最常用的操作就是我刚刚所说的了。 然后我们可以把图片输出 这里设置保存的路径,比如我保存在桌面 这里,你可以命名 这里选择图形的格式。我个人一般比较喜欢 pdf, 因为它是一个时量图,你选择 pdf 之后,它输出的就是一个时量图,然后点击, ok, 我们来到桌面看一下,那么这个就是我们刚刚生成的图片, 你看适量图的好处就是不管放多大,他都是非常清晰的。 好了,那么今天就讲解到这里。