spss均值比较(编辑修改稿)

spss均值比较(编辑修改稿)内容摘要：

的统计指标表示出来的过程为相关分析。 可根据研究的目的不同，或变量的类型不同，采用不同的相关分析方法。 本章介绍常用的相关分析方法：二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析和距离相关分析。 相关分析的基本概念 任何事物的变化都与其他事物是相互联系和相互影响的，用于描述事物数量特征的变量之间自然也存在一定的关系。 变量之间的关系归纳起来可以分为两种类型，即函数关系和统计关系。 当一个变量 x取一定值时，另一变量 y可以按照确定的函数公式取一个确定的值，记为y = f(x)，则称 y是 x的函数，也就时说 y与 x两变量之间存在函数关系。 又如，某种商品在其价格不变的情况下，销售额和销售量之间的关系就是一种函数关系：销售额 =价格 销售量。 函数关系是一一对应的确定性关系，比较容易分析和测度，可是在现实中，变量之间的关系往往并不那么简单。 相关系数的取值范围在 −1和 +1之间，即−1≤r≤+1。 其中：  若 0＜ r≤1 ，表明变量之间存在正相关关系，即两个变量的相随变动方向相同；  若 −1≤r ＜ 0，表明变量之间存在负相关关系，即两个变量的相随变动方向相反； 为了判断 r对 ρ 的代表性大小，需要对相关系数进行假设检验。 （ 1）首先假设总体相关性为零，即 H0为两总体无显著的线性相关关系。 （ 2）其次，计算相应的统计量，并得到对应的相伴概率值。 如果相伴概率值小于或等于指定的显著性水平，则拒绝 H0，认为两总体存在显著的线性相关关系；如果相伴概率值大于指定的显著性水平，则不能拒绝 H0，认为两总体不存在显著的线性相关关系。 在实际中，因为研究目的不同，变量的类型不同，采用的相关分析方法也不同。 比较常用的相关分析是二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析和距离分析。 二元定距变量的相关分析 二元变量的相关分析是指通过计算变量间两两相关的相关系数，对两个或两个以上变量之间两两相关的程度进行分析。 根据所研究的变量类型不同，又可以分为二元定距变量的相关分析和二元定序变量的相关分析。 在二元变量的相关分析过程中比较常用的几个相关系数是 Pearson简单相关系数、Spearman和 Kendall39。 s tuab等级相关系数。 定义：二元定距变量的相关分析是指通过计算定距变量间两两相关的相关系数，对两个或两个以上定距变量之间两两相关的程度进行分析。 定距变量又称为间隔（ interval）变量，它的取值之间可以比较大小，可以用加减法计算出差异的大小。 例如， “ 年龄 ” 变量、 “ 收入 ” 变量、 “ 成绩 ” 变量等都是典型的定距变量。 统计学上的定义和计算公式 Pearson简单相关系数用来衡量定距变量间的线性关系。 如衡量国民收入和居民储蓄存款、身高和体重、高中成绩和高考成绩等变量间的线性相关关系。 计算公式如下。 Pearson简单相关系数计算公式为 对 Pearson简单相关系数的统计检验是计算 t统计量，公式为 t统计量服从 n−2个自由度的 t分布。 SPSS中实现过程  研究问题 某班级学生数学和化学的期末考试成绩如表 61所示，现要研究该班学生的数学和化学成绩之间是否具有相关性。 表 61 学生的数学和化学成绩 人 名 数 学 化 学 hxh yaju yu shizg hah smith watet jess wish laly john chen david caber marry joke jake herry  实现步骤 图 61 在菜单中选择“ Bivariate”命令 图 62 “Bivariate Correlations”对话框（一） 图 63 “Bivariate Correlations： Options”对话框 结果和讨论。