不同分析方法之间的相关性

❶ 相关性分析方法与原则

（一）相关性分析方法

相关分析是对所抽查分等单元的三个等指数和对应该单元单位面积一年内的作物标准粮实际产量进行回归分析。

海南耕地的标准耕作制度为一年两熟制，所采用的分等单元标准粮实际产量公式为：标准粮=作物 1 单产 × 作物 1 产量比系数＋作物 2 单产 × 作物 2 产量比系数。对于自然质量等指数、利用等指数、经济等指数与实际标准粮产量的关系采用以省或县（市）为单位从分布上进行整体线性回归分析。

（二）相关性分析原则

（1）以标准耕作制度二级区或二级区内的典型单位，如省或县（市）为单位，抽查分等单元。

（2）所抽查的分等单元应有代表性与差异性，能够反映不同地形地貌、土壤、区位、灌排设施和经济发展水平条件的差异。

（3）一般情况下，每个等别应至少抽查 10% 的分等单元，如果个别分等单元数量少且没有代表性，可以低于该比例，甚至不抽查。

（4）作物实际单产应以前三年正常年景的平均产量为基础。

（5）每个二级区或典型县所选分等单元数量不能低于统计学相关分析中样本数量的最低比例要求。

❷ 如何实现两变量之间的相关性分析

1、首先,大家平时理解的变量是单纬的,而不是你说的多维的.因此,对spss而言,X1、X2、X3、Y1、Y2、Y3分别是6个变量.
2、spss的相关性分析中可以分别统计这6个变量间的相关性.通过他们之间相关性的计算,你或许可以得到你所说的X与Y之间的相关性,但这种相关性只是你推测的定性描述而已,是不能定量描述的.
3、主成分分析,目的是将分析对象的多个维度简化为少数几个维度,方便分析,这样做的前提是维度很多且其中的多个维度之间有较强的相关性.而不是你想象的可以把X1、X2、X3降维成一个变量,因为只有三个维度,已经很少了,这三个维度可以做降维分析的可能性几乎没有.
4、回归分析,只有一个因变量,可以有多个自变量,最终算得因变量与自变量间的回归关系.
估计你只是自己想象了一个例子,实际中一般是不会有这样的分析案例的.

❸ 简述变量间的相关分析有哪些方法

《变量间的相关关系》的主要内容为采用定性和定量相结合的方法研究变量之间的相关关系，主要研究线性相关关系．主要概念有“相关关系”、“散点图”、“回归直线和回归直线方程”、“相关系数”等。

变量之间除了函数关系外，还有相关关系。

例：

（1）商品销售收入与广告支出经费之间的关系

（2）粮食产量与施肥量之间的关系

（3）人体内脂肪含量与年龄之间的关系 不同点：函数关系是一种确定的关系；而 相关关系是一种非确定关系。

分类

按相关的形式分为线性相关和非线性相关

1、一种现象的一个数值和另一现象相应的数值在指教坐标系中确定为一个点，称为线性相关。

2、按影响因素的多少分为单相关和复相关

3、如果研究的是一个结果标志同某一因素标志相关，就称单相关。

4、如果分析若干因素标志对结果标志的影响，称为复相关或多元相关。

以上内容参考：网络-相关分析

❹ 因子分析法和主成分分析法的区别与联系

一、方式不同：

1、因子分析法：

通过从变量群中提取共性因子

2、主成分分析法：

通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。

二、应用不同：

1、因子分析法：

主要应用于市场调研领域，在市场调研中，研究人员关心的是一些研究指标的集成或者组合，这些概念通常是通过等级评分问题来测量的。

2、主成分分析法：

人口统计学、数量地理学、分子动力学模拟、数学建模、数理分析等学科中均有应用。

三、联系：

因子分析法和主成分分析法都是统计分析方法，都要对变量标准化，并找出相关矩阵。

(4)不同分析方法之间的相关性扩展阅读

主成分分析首先是由K.皮尔森（Karl Pearson）对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。

因子分析法最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。

❺ 如何分析三种试验方法结果的相关性

分析：
统计学意义（p值）
结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。

如何判定结果具有真实的显着性
在最后结论中判断什么样的显着性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显着性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。

所有的检验统计都是正态分布的吗？
并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

1统计软件的选择
在进行统计分析时，作者常使用非专门的数理统计软件Excel进行统计分析。由于Excel提供的统计分析功能十分有限，很难满足实际需要。目前，国际上已开发出的专门用于统计分析的商业软件很多，比较着名有SPSS(Statistical Package for Social Sciences)、SAS(Statistical Analysis System)、BMDP和STATISTICA等。其中，SPSS是专门为社会科学领域的研究者设计的（但是，此软件在自然科学领域也得到广泛应用）；BMDP是专门为生物学和医学领域研究者编制的统计软件。目前，国际学术界有一条不成文的约定：凡是用SPSS和SAS软件进行统计分析所获得的结果，在国际学术交流中不必说明具体算法。由此可见，SPSS和SAS软件已被各领域研究者普遍认可。建议作者们在进行统计分析时尽量使用这2个专门的统计软件。

2均值的计算
在处理实验数据或采样数据时，经常会遇到对相同采样或相同实验条件下同一随机变量的多个不同取值进行统计处理的问题。此时，多数作者会不假思索地直接给出算术平均值和标准差。显然，这种做法是不严谨的。在数理统计学中，作为描述随机变量总体大小特征的统计量有算术平均值、几何平均值和中位数等。何时用算术平均值？何时用几何平均值？以及何时用中位数？这不能由研究者根据主观意愿随意确定，而要根据随机变量的分布特征确定。反映随机变量总体大小特征的统计量是数学期望，而在随机变量的分布服从正态分布时，其总体的数学期望就是其算术平均值。此时，可用样本的算术平均值描述随机变量的大小特征。如果所研究的随机变量不服从正态分布，则算术平均值不能准确反映该变量的大小特征。在这种情况下，可通过假设检验来判断随机变量是否服从对数正态分布。如果服从对数正态分布，则可用几何平均值描述该随机变量总体的大小。此时，就可以计算变量的几何平均值。如果随机变量既不服从正态分布也不服从对数正态分布，则按现有的数理统计学知识，尚无合适的统计量描述该变量的大小特征。退而求其次，此时可用中位数来描述变量的大小特征。

3相关分析中相关系数的选择
在相关分析中，作者们常犯的错误是简单地计算Pearson积矩相关系数，而且既不给出正态分布检验结果，也往往不明确指出所计算的相关系数就是Pearson积矩相关系数。常用的相关系数除有Pearson积矩相关系数外，还有Spearman秩相关系数和Kendall秩相关系数等。其中，Pearson积矩相关系数可用于描述2个随机变量的线性相关程度（相应的相关分析方法称为“参数相关分析”，该方法的检验功效高，检验结果明确）；Spearman或Kendall秩相关系数用来判断两个随机变量在二维和多维空间中是否具有某种共变趋势，而不考虑其变化的幅度（相应的相关分析称为“非参数相关分析”，该方法的检验功效较参数方法稍差，检验结果也不如参数方法明确）。各种成熟的统计软件如SPSS、SAS等均提供了这些相关系数的计算模块。在相关分析中，计算各种相关系数是有前提的。对于二元相关分析，如果2个随机变量服从二元正态分布，或2个随机变量经数据变换后服从二元正态分布，则可以用Pearson积矩相关系数描述这2个随机变量间的相关关系（此时描述的是线性相关关系），而不宜选用功效较低的Spearman或Kendall秩相关系数。如果样本数据或其变换值不服从正态分布，则计算Pearson积矩相关系数就毫无意义。退而求其次，此时只能计算Spearman或Kendall秩相关系数（尽管这样做会导致检验功效的降低）。因此，在报告相关分析结果时，还应提供正态分布检验结果，以证明计算所选择的相关系数是妥当的。需要指出的是，由于Spearman或Kendall秩相关系数是基于顺序变量（秩）设计的相关系数，因此，如果所采集的数据不是确定的数值而仅仅是秩，则使用Spearman或Kendall秩相关系数进行非参数相关分析就成为唯一的选择。

4相关分析与回归分析的区别
相关分析和回归分析是极为常用的2种数理统计方法，在地质学研究领域有着广泛的用途。然而，由于这2种数理统计方法在计算方面存在很多相似之处，且在一些数理统计教科书中没有系统阐明这2种数理统计方法的内在差别，从而使一些研究者不能严格区分相关分析与回归分析。最常见的错误是，用回归分析的结果解释相关性问题。例如，作者将“回归直线（曲线）图”称为“相关性图”或“相关关系图”；将回归直线的R2(拟合度，或称“可决系数”)错误地称为“相关系数”或“相关系数的平方”；根据回归分析的结果宣称2个变量之间存在正的或负的相关关系。这些情况在国内极为普遍。

相关分析与回归分析均为研究2个或多个随机变量间关联性的方法，但2种数理统计方法存在本质的差别，即它们用于不同的研究目的。相关分析的目的在于检验两个随机变量的共变趋势（即共同变化的程度），回归分析的目的则在于试图用自变量来预测因变量的值。在相关分析中，两个变量必须同时都是随机变量，如果其中的一个变量不是随机变量，就不能进行相关分析。这是相关分析方法本身所决定的。对于回归分析，其中的因变量肯定为随机变量（这是回归分析方法本身所决定的），而自变量则可以是普通变量（规范的叫法是“固定变量”，有确定的取值）也可以是随机变量。如果自变量是普通变量，采用的回归方法就是最为常用的“最小二乘法”，即模型Ⅰ回归分析；如果自变量是随机变量，所采用的回归方法与计算者的目的有关---在以预测为目的的情况下，仍采用“最小二乘法”，在以估值为目的的情况下须使用相对严谨的“主轴法”、“约化主轴法”或“Bartlett法”，即模型Ⅱ回归分析。显然，对于回归分析，如果是模型Ⅰ回归分析，就根本不可能回答变量的“相关性”问题，因为普通变量与随机变量之间不存在“相关性”这一概念（问题在于，大多数的回归分析都是模型Ⅰ回归分析！）。此时，即使作者想描述2个变量间的“共变趋势”而改用相关分析，也会因相关分析的前提不存在而使分析结果毫无意义。如果是模型Ⅱ回归分析，鉴于两个随机变量客观上存在“相关性”问题，但因回归分析方法本身不能提供针对自变量和因变量之间相关关系的准确的检验手段，因此，若以预测为目的，最好不提“相关性”问题；若以探索两者的“共变趋势”为目的，建议作者改用相关分析。

❻ 如何用SPSS检测两组变量之间的的相关性一组变量有30个变量另外一组由9个变量！

无论线性相关还是非线性相关都要满足有两个变量变量里包括一组观测值，且两组变量中的观测值一一对应，所谓相关就是看两变量中这些数一一对应的程度，现在一个变量里9个观测值，那么可以选择另一组中对应的9个观测值进行相关检验。9个和30个没法计算，求相关的软件很多，可用excel 也可用公式自己算e(xy)-e(x)e(y)/(d(x)d(y))^1/2

❼ 相关性分析的概念及方法

相关分析就是根据一个因素（变量）与另一个因素（变量）的相关系数是否大于临界值，判断两个因素是否相关。在相关的因素之间，根据相关系数大小判断两个因素关系的密切程度，相关系数越大，说明两者关系越密切（何晓群，2002）。这种方法从总体上对问题可以有一个大致认识，但却很难在错综复杂的关系中把握现象的本质，找出哪些是主要因素，哪些是次要因素，有时甚至得出错误结论。为此，提出使用数学上的偏相关分析与逐步回归相结合的办法来解决这类问题。

偏相关性分析基本原理是，若众多因素都对某一因素都存在影响，当分析某一因素的影响大小时，把其他因素都限制在某一水平范围内，单独分析该因素对某一因素所带来的影响，从而消除其他因素带来的干扰。比如分析压实作用（或埋深）对孔隙度和渗透率的影响时，便把岩石成分、粒度、胶结类型等都限制在一定范围来单独讨论压实作用，而数学上的偏相关分析恰恰就是解决这类问题的方法，偏相关系数的大小就代表了这种影响程度。结合多因素边引入、边剔除的逐步回归分析方法，也可消除多个因素（自变量）间的相互干扰和多个因素对因变量的重复影响，保留其中的有用信息，挑选出对因变量影响较显着的因素，剔除了一些次要因素，被挑选出的主要因素的标准回归系数和偏回归平方和的大小反映了各参数对因变量（充满度）的影响大小。因此根据各因素（自变量）与因变量间的偏相关系数大小，结合标准回归系数和偏回归平方和，便可以将各因素对因变量的影响大小进行定量排序。其基本步骤如下：

第一步，找出所有可能对因变量产生影响的因素（或参数），同时对一些非数值型参数进行量化处理；

第二步，计算因变量与各参数间的简单相关系数，根据这些简单相关系数的大小，初步分析它们与因变量间的简单相关关系；

第三步，计算因变量与各参数间的偏相关系数、标准回归系数和偏回归平方和；

第四步，根据偏相关系数的大小，再结合标准回归系数和偏回归平方和，综合分析因变量与各参数间的关系密切程度，其值越大，关系越密切，影响越大，反之亦然。

❽ 分析空间相关性的方法主要有哪些

1、聚类分析（Cluster Analysis）
聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。
2、因子分析（Factor Analysis）
因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。
因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，采用不同的共同性□2估值。在社会学研究中，因子分析常采用以主成分分析为基础的反复法。
3、相关分析（Correlation Analysis）
相关分析（correlation analysis），相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。相关关系是一种非确定性的关系，例如，以X和Y分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就是相关关系。
4、对应分析（Correspondence Analysis）
对应分析(Correspondence analysis)也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。
5、回归分析
研究一个随机变量Y对另一个(X)或一组(X1，X2，…，Xk)变量的相依关系的统计分析方法。回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
6、方差分析(ANOVA/Analysis of Variance)
又称“变异数分析”或“F检验”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显着性检验。由于各种因素的影响，研究所得的数据呈现波动状。造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显着影响的变量。这个 还需要具体问题具体分析