双变量统计及spss应用专业内容课件.ppt

《双变量统计及spss应用专业内容课件.ppt》由会员分享，可在线阅读，更多相关《双变量统计及spss应用专业内容课件.ppt（37页珍藏版）》请在三一办公上搜索。

1、双变量统计及spss应用,1,高等教育,一、交互分类和X2检验,（一） X2检验的作用（二） X2检验的基本假定和原假设1.基本假定（1）样本用随机方法取得 （2）两个变量是定类变量；或一个定类，一个定序。2. 关于总体的情况，X2检验的研究假设（H1）和原假设（H0即虚无假设）分别为： 研究假设 H1 ：X与Y相关（总体中） 原假设 H0 ：X与Y不相关（总体中）,2,高等教育,（三） X2检验的步骤,3,高等教育,（四）交互分类与X2检验的spss应用1.进行交互分类的基本过程1）打开交互分类对话框单击分析-描述统计-交叉表2）确定需要进行分析的变量,4,高等教育,源变量,放入此框的变量在

2、交互分类表中以行的形式出现一般将因变量放入此处。,将自变量放入列,放控制变量，可以放1个，也可以放多个,5,高等教育,3）选择统计量,卡方：对行变量和列变量的独立性进行卡方检验,6,高等教育,4）其它选择默认项例子：性别和生活,7,高等教育,自己选择几个定类变量操作下。,8,高等教育,二、相关测量法及检验,（一）两个定类变量（或定类与定序）：1.基本原理：如果两个定类变量相关，以一个变量的值来预测另一个变量的值，可以减少多少误差。 2.值介于0-1间，0表示不相关，1表示全相关，数值越大，相关程度越强。3. 测量有两种测量形式对称形式：即两个变量的关系是对称的，不分自变量和因变量（两个变量可能

3、相互影响），如家长的教育期望和子女的教育期望。非对称形式：即一个是自变量X，一个是因变量Y,X影响Y，但Y不影响X。,9,高等教育,如性别和就业取向间的相关系数是0.27，用性别预测青年的就业取向，可以削减27%的比例。4.假设检验： X2检验研究假设 H1:X与Y相关虚无假设：H0:X与Y不相关,10,高等教育,（二）两个定序变量：Gamma(通常用G表示)1.G系数适合于分析对称关系2.值在-11之间，即表示相关的程度，也表示相关的方向，并且具有消减比例误差的意义。如青年的学历水平和工资等级之间的G为0.28，表示正相关，以一个变量的相对等级来预测另一个变量时，可以削减28%的比例误差。,

4、11,高等教育,3.假设检验：Z检验和t检验研究假设 H1:总体中G0(或0（或0 ），采用一端检验； H1 是G0时，采用两端检验。,12,高等教育,（三）两个定距变量：r(皮尔逊积矩相关系数)1. r系数分析对称关系2. r2,称为决定系数，能够消减误差比例。如工人的工龄和工资等级的r为0.81，表示二者之间具有较强的正向相关关系，即工龄越长，工资等级越高。 r2 为0.76，表示用工龄来预测工人工资等级时候，可以削减76%的误差。,13,高等教育,假设检验：F检验或t检验研究假设 H1:r0（即相关）虚无假设：H0:r=0（即不相关）,14,高等教育,（四）定类与定距变量（或定序与定距）

5、：相关比率（E2）1. E2 ,相关比率，又称eta平方系数，根据自变量的每个值来预测因变量的均值，取值范围0-1，具有消减误差比例的意义。2.非对称测量3.相关比率开方后，得到相关系数E,是相关系数，没有负值。如性别与学生的英语成绩之间的相关比率E2是0.17，表示以性别预测学生的英语成绩，可以减少17%的误差，性别和英语成绩间的相关系数是0.41.,15,高等教育,3.假设检验：F检验或t检验如性别和英语成绩研究假设 H1:12（相关,即男女生的英语平均成绩不同）虚无假设： H0:1=2 （即不相关，即男女平均成绩相同）,16,高等教育,几种主要相关测量法及检验法,变量测量层次 相关测量法

6、 假设检验法 定类-定类 定类-定序 卡方检验 定序-定序 G Z检验或t检验 定类-定距 定序-定距 E2 定距-定距 r F检验或t检验,17,高等教育,三、相关测量和检验的spss应用,SPSS提供了多种相关测量和检验的过程1.在分析菜单下：描述统计交叉表2.在分析菜单下：相关分析，有三个子命令。,18,高等教育,（一）交叉表中的两变量相关分析,1.打开数据，依次单击分析-描述统计-交叉表2.统计值选项中，选择相关测量法。,19,高等教育,定类变量选项栏，测量定类变量的关系强度。包括四个值，选择其中的一个，就会输出相应的值,用于检验交互分类表中，行变量和列变量是否独立,定序变量选项栏,测

7、量定序以上层次变量之间的相关系数,一个定类(或定序)，一个定距,20,高等教育,3.单击继续，回到上一级对话框4.单击确定，在输出结果窗口看到结果,21,高等教育,实际操作,1.定类和定类（定类和定序） （对称和非对称）和卡方检验性别和地区,P=0.9160.05,表示总体中二者不相关。,22,高等教育,对称测量和非对称测量的值均为0，说明二者不相关。,23,高等教育,2.定类和定序：性别和职业,24,高等教育,“对称的”表示两个变量对称测量的值（0.116），即以两个变量相互预测，可以削减11.6%的误差。标准差为0.015，T值为7.031，显著性检验水平（近似值sig.）为0.000.“

8、职业类别因变量”表示职业类别为因变量时候的值（0.04），即以性别预测职业。“被调查者性别因变量”表示性别为因变量时候的值（0.233）。研究者根据统计的需要决定采取对称测量还是非对称测量。,25,高等教育,3.定序和定序：G测量（对称测量）和t检验职业和生活,二者正相关，相互预测可以减少23.85%的误差比例。T值为5.442，对应的sig.为P=.0000.01,表示总体中二者相关。,26,高等教育,4.定类与定距：E2 （非对称测量）和t检验 性别与教育年限,当教育年限为因变量时，E值为0.1，表示性别与教育年限间的相关系数为0.1,t检验：比较均值单样本T检验,27,高等教育,5.定序

9、与定距：E2 和t检验职业与声望,职业和声望的相关系数为0.753t检验，比较均值单样本t检验,28,高等教育,6.定距与定距： r 和t检验年龄与声望,相关系数为0.007,T值为0.255，P=0.7990.05，拒绝研究假设。,29,高等教育,教育年限与声望,30,高等教育,（二）相关命令中的双变量分析,分析相关双变量操作过程打开此命令，弹出选择要分析的变量选择相关测量法,双变量分析主要提供定序以及以上层次的测量,31,高等教育,Pearson系数，适用于定距及以上层次变量相关的测量,Kendalls tau-b:肯德尔b系数,适用于两个定序变量的测量。Speaman:斯皮尔曼相关系数，

10、适用于定序变量的测量。,双侧检验，即对称相关分析单侧检验，即非对称相关分析,如选此项，系统在输出结果时，在相关系数的右上方使用“*”表示显著性水平为0.05,用“*”表示显著性水平为0.01，默认为相关系数值右上角标注“*”,32,高等教育,“选项”，选择输出的统计量,输出结果中显示变量的均值和标准差,33,高等教育,实例操作,年龄与声望（定距和定距），选择Pearson系数，选择双端检验。,34,高等教育,Pearson相关性是相关系数，由此“被调查者年龄”一列对应的第一个数据为1，表示“被调查者年龄”与“被调查者年龄”的相关系数，因为是同一个变量，所以完全相关。 “被调查者声望等级”对应的

11、是0.007，表示其和“年龄”的相关系数为0.007.对应的显著性水平是0.7790.05,说明这种相关在总体中不存在。,35,高等教育,教育年限和声望（定距与定距），选择一端检验，即把教育年限看做是自变量。,教育年限为自变量时，其与声望的相关系数是0.52，*和后面的说明，表明这一相关结果进行比较的显著性水平为0.01，并且通过了显著性检验。 从上面的结果我们可以得出这样的结论：随机抽取1418名被调查者的教育年限与职业声望的相关关系为0.52，在0.01的显著性水平上，二者相关关系在抽取样本的总体上也是存在的。,36,高等教育,说明：在一次测量中，可以测量多个变量，结果是一个相关矩阵,37,高等教育,