相关分析correlationanalysis

相关分析correlationanalysis内容摘要：

； Y軸放依變項 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之相關程度。 再由相關程序求出兩變數之相關係數 程序 2 分析 相關  雙變數 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。 為測量兩變數之線性相關程度，以相關程序求出兩變數間之相關係數。 相關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 相關顯著性 ( 雙尾)個數P e a rs o n 相關顯著性 ( 雙尾)個數教育程度( 年)目前薪資教育程度( 年) 目前薪資在顯著水準為0 . 0 1 時 ( 雙尾) ，相關顯著。 * * . 依 Pearson相關係數可知，教育程度和目前薪資的相 關係數為為 ， P值為。 當顯著水準為 ，可以得到教育程度與目前薪資有顯著相關的結論。 相關係數  對於定量、常態分配的變數而言，請選擇「 Pearson」相關係數。  如果資料不是常態分配，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聯。  Spearman’s Rho（ ）等級相關係數（順序變項）  Kendall‘s taub （ ）等級相關係數（ concordant和諧）  相關係數範圍的值在 1 (一百分比負關聯 ) 到 +1 (一百分比正關聯 ) 之間。 其中，數值 0表示沒有任何線性關係。  在解析結果時，請不要因為顯著的相關，而逕下任何跟因果相關的結論。 Concordant：若某一觀察值的兩個變項值皆大於 (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值大於另一觀察值，而第二變項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或兩個變項值相等時，則稱此對觀察值相等 (tied)。 相關係數 皮爾森相關（ Pearson） 由於 Pearson樣本相關係數（ ）之機率分配會依配對隨機變數（ X,Y）之機率分配而變，所以沒有固定的分配，因此在做假設檢定時，一般是假設（ X,Y）具有二元的常態分配。  Pearson相關係數之大小，可看出兩變項關係的密切程度。 相關係數愈高，兩變項之關係愈密切，愈低表示愈不相關。 Spearman’s。