相关分析用于分析两个事物之间的关系情况,在现实分析中,相关分析往往有第三变量的影响或作用,而使得相关系数不能真实地体现其线性相关程度。 比如,研究身高与肺活量之间的关系,身高与肺活量都同体重有关系,如果不考虑体重的影响,就会得到身高越高,肺活量越大,这显然是不准确的。因此,当存在可能会影响两变量之间的相关性的因素时,就需要使用偏相关分析,以得到更加科学的结论。 01.概念偏相关分析,用于分析当两个变量都与第三个变量相关时,将第三个变量的影响剔除,只分析另外两个变量之间的相关程度。 02.案例应用某研究欲了解员工受教育年限与当前工资之间的关系情况。考虑到受教育年限会影响入职工资,入职工资还会影响到当前工资。因此,将入职工资作为控制变量,进行偏相关分析。 03.操作步骤SPSSAU分析界面 (1)选择【进阶方法】-【偏相关】 (2)分析项放入[当前工资]和[受教育年限],控制变量放入[入职工资] (3)点击开始偏相关分析 04.结果分析偏相关分析结果 (1)首先查看两两项之间的相关系数值是否呈现出显著性,以及相关程度。 上图可以看出,当前工资与受教育程度的偏相关系数为0.327,P<0.01,说明当前工资和受教育年限之间有着显著的正相关关系 SPSSAU分析结果 (2)接着,判断分析项与控制变量之间的相关系数情况。 上图显示,入职工资对当前工资和受教育程度均呈现出显著性(P<0.01),且相关系数较高,说明入职工资同时与相关分析的两个变量,均有着密切的相关关系;也说明把入职工资作为控制变量纳入分析中较为合适。 结论:在入职工资作为控制变量的条件下,当前工资与受教育程度的偏相关系数为0.327,呈正向相关关系。 05.其他说明(1)如果控制变量与分析项之间均没有呈现出显著相关关系,则说明该变量并非真正的控制变量 (2)事实上,如果直接使用相关分析,所得出的结果如下图所示: 简单相关分析结果 从上表可以看到:受教育年限与当前工资的相关系数值为0.672,说明两者之间有着非常强的相关关系,但根据偏相关分析得出的结果,两者的偏相关系数为0.327(相关程度一般)。这也说明不控制入职工资直接进行相关分析的结果是不准确的。 |
|
来自: Mark_killua > 《数据科学》