1樓：匿名使用者
說判定有些嚴格，其實就是觀察一下各個指標的相關程度。一般來說相關性越是高，做主成分分析就越是成功。主成分分析是通過降低空間維度來體現所有變數的特徵使得樣本點分散程度極大，說得直觀一點就是尋找多個變數的一個加權平均來反映所有變數的一個整體性特徵。
評價相關性的方法就是相關係數，由於是多變數的判定，則引出相關係數矩陣。
評價主成分分析的關鍵不在於相關係數的情況，而在於貢獻率，也就是根據主成分分析的原理，計算相關係數矩陣的特徵值和特徵向量。
相關係數越是高，計算出來的特徵值差距就越大，貢獻率等於前n個大的特徵值除以全部特徵值之和，貢獻率越是大說明主成分分析的效果越好。反之，變數之間相關性越差。
舉個例子來說，在二維平面內，我們的目的就是把它對映（加權）到一條直線上並使得他們分散的最開（方差最大）達到降低維度的目的，如果所有樣本點都在一條直線上（也就是相關係數等於1或者-1），這樣的效果是最好的。再假設樣本點呈現兩條垂直的形狀（相關係數等於零），你要找到一條直線來做對映就很難了。
一般來說前三個主成分的貢獻率在90%以上，第一個主成分的貢獻率在70%效果就已經很好了。
2樓：匿名使用者
你直接看書吧 那原理我要寫一天 才能發給你。。。
spss中相關性分析的原理是什麼
3樓：偷
_問題描述：在spss中做主成成分分析的時候有一步是指標之間的相關性判定，我想知道具體是怎麼進行判定的，他的演算法、原理是什麼？答案1：：
說判定有些嚴格，其實就是觀察一下各個指標的相關程度。一般來說相關性越是高，做主成分分析就越是成功。主成分分析是通過降低空間維度來體現所有變數的特徵使得樣本點分散程度極大，說得直觀一點就是尋找多個變數的一個加權平均來反映所有變數的一個整體性特徵。
評價相關性的方法就是相關係數，由於是多變數的判定，則引出相關係數矩陣。評價主成分分析的關鍵不在於相關係數的情況，而在於貢獻率，也就是根據主成分分析的原理，計算相關係數矩陣的特徵值和特徵向量。相關係數越是高，計算出來的特徵值差距就越大，貢獻率等於前n個大的特徵值除以全部特徵值之和，貢獻率越是大說明主成分分析的效果越好。
反之，變數之間相關性越差。舉個例子來說，在二維平面內，我們的目的就是把它對映（加權）到一條直線上並使得他們分散的最開（方差最大）達到降低維度的目的，如果所有樣本點都在一條直線上（也就是相關係數等於1或者- 1），這樣的效果是最好的。再假設樣本點呈現兩條垂直的形狀（相關係數等於零），你要找到一條直線來做對映就很難了。
一般來說前三個主成分的貢獻率在90%以上，第一個主成分的貢獻率在 70%效果就已經很好了。答案2：： 你直接看書吧 那原理我要寫一天 才能發給你。。。
spss相關性分析的原理
4樓：匿名使用者
上述判斷有點苛刻，其實，是看在各項指標。一般在比較高的投籃
成分分析法是比較成功的。主成分減少空間維度的分析，以反映所有變數的特點，使很大程度的分散取樣點，把一個直觀的一點是要找到多個變數的加權平均，以反映中的所有變數的整體特性。
評價的相關性的方法是相關係數，多變數的判斷，然後導致相關係數矩陣。
評價的主成分分析法，關鍵不在於相關係數的情況下，但相當的貢獻率，這是基於主成分分析的原則來計算的特徵值和特徵向量的相關性矩陣。
較高的相關係數，計算出的特徵值的差距越大，貢獻率的前n個特徵值等於？分以上的大型說明主成分分析的所有特徵值的貢獻率的總和，效果也更加好了。相反，更糟糕的變數之間的相關性。
例如，在一個兩維平面中，我們的目的是將它對映到的直線的（加權），使它們的最分散開（方差），以達到目的的降維，如果所有的樣品點是在一條直線上（也就是，相關係數為等於1或-1），這種效果是最好的。假設取樣點，使兩個垂直的形狀（相關係數等於零），和你想找到一條直線做的對映困難。
一般情況下，前三個主成分的貢獻率在90％以上，70％的效果，第一主成分中的貢獻率已經很不錯了。
5樓：匿名使用者
不用搞懂，原理
就是數學
6樓：匿名使用者
原理去看書，書上寫的詳細
我經常幫別人做類似的資料分析的
spss中相關分析中顯著相關顯著怎麼理解
7樓：匿名使用者
顯著相關的「顯著」表達的是一個概率。spss對相關性原理是這樣的：在假設變數之間的相關性為零的原假設下，根據已有資料算出「相關性=0」的概率，即所謂的p值是多少，之後與設定的顯著性水平（通常是5%）相比，如果p<5%，則說明原假設「相關性=0」出現的概率極其微小，幾乎不可能存在，換言之，有超過95%的概率說明變數之間存在相關性，也就是顯著相關。
反之，當p>5%，則「相關性=0」（不相關）會在一定概率下發生，不能完全否定不相關的發生，此時，變數的相關性就不顯著了。
我想請教一下spss中的相關性分析問題，我是一個工科的學生，對此原理不太理解
8樓：匿名使用者
如果分析一個變數受其他因素影響的大小，建議通過迴歸分析來完成，通過分析迴歸係數的大小來判斷影響程度。如果通過相關性分析，可以根據變數的資料型別來選擇不同的相關性方法，如定類變數通過lamda係數，定序變數通過gmma或spearman係數，定距及定比變數通過pearson相關係數。
9樓：匿名使用者
如果，只需要確定相關性的大小，那麼只需進行相關分析，根據相關係數的大小、正負來判別即可。係數越大說明，相關性越強。當係數大於0則正相關，否則，為負相關。
spss中的相關分析有什麼用處？？？
10樓：行走宇宙
相關分析通常最直觀的就是做相關係數矩陣，從中你可以看出你要分析的變數之間的相關性。
如果是因變數和自變數相關性強，你才有做模型繼續分析的必要，如果是自變數之間相關性很強，那麼就要考慮剔除某個自變數。
相關係數在-1和1之間，絕對值越大表示相關性越大，0表示完全不相關，正的表示正相關，負的表示負相關。
11樓：匿名使用者
研究若干個變數之間的關係呀 是不是一個增加了 另一個增加了? 還是減少了
用spss相關性分析後的結果怎麼看？
12樓：無中之畫
ssps，相關性分析後的結果自然化，他還是非常準確的，你可以通過它來判斷一些因素。
13樓：匿名使用者
分析結果上看會輸出包括平均值和標準差，以及相關係數和p值。
前兩列即為各變數的平均值和標準差，第三列開始為兩兩變數之間的相關係數。
數值右上角的星號代表p值。對於相關分析，一般規範的**格式是：p值使用*號表示，p < 0.01使用2個*號表示；p < 0.05使用1個*號表示。
14樓：匿名使用者
首先看顯著性水平 小於0.01 說明拒絕原假設 二者存在顯著相關然後需要用四句話來描述：
1. 平均每日**數與相關微博搜尋量存在相關性2.相關係數r=0.905
3.平均每日**數與相關微博搜尋量存在高度正相關4.平均每日**數和相關微博搜尋量進行相互**能消減（r的平方）81.9%的誤差比例
15樓：jane茶香
9個樣本資料計算出的平均每日**數與相關微博搜尋量的pearson相關係數值0.905，它的實際顯著性水平為0.001，小於理論顯著性水平0.
01，說明相關係數的值不是由偶然因素造成的，0.905接近於1，說明平均每日**數與相關微博搜尋量之間存在高度的線性正相關。
16樓：光勳
pearson相關性是以交叉**的形式呈現的。我們關注兩對變數的相關性結果：入職時長與當前年薪；受教育年限與當前年薪。
入職時長和當前年薪的pearson相關係數為-0.102，說明它們之間呈現負的弱相關，顯著性p值為0.150，大於0.05，所以認為當前年薪和入職時長沒有相關性。
受教育年限和當前粘性的pearson相關係數為0.672，顯著性檢驗p值為0.000，小於0.
05，所以受教育年限與當前年薪是正相關的。這也是為什麼現在大部分的本科畢業生沒有選擇直接就業，而是繼續深造，讀研讀博。
17樓：xin寶寶金牛
spss 的相關**每個單元格有三行資料，一個是pearson相關係數值，它代表了相關係數的大小，一個是樣本容量，代表你這組資料有多少被試，最後一個是顯著性檢驗結果，即sig（雙側），它可以用來說明你所得到的相關分析結果有沒有統計學意義。
通常sig<0.05即認為顯著，有統計學意義（有統計學意義或者說顯著的意思是說這種相關性可以分辨出來，不表示相關的大小，就好像用顯微鏡可以看到細胞並不能說明細胞很大），如果不顯著，即便相關係數很大，也不能說明該相關有意義，相關性有可能是抽樣誤差所致，但這個時候你可以考慮增大樣本容量後再分析看看。相關係數值後面的星號也反映了顯著性，一個*表明0.
05水平顯著，**代表0.01水平顯著。
spss（statistical product and service solutions），「統計產品與服務解決方案」軟體。最初軟體全稱為「社會科學統計軟體包」（solutionsstatistical package for the social sciences），但是隨著spss產品服務領域的擴大和服務深度的增加，spss公司已於2023年正式將英文全稱更改為「統計產品與服務解決方案」，這標誌著spss的戰略方向正在做出重大調整。spss為ibm公司推出的一系列用於統計學分析運算、資料探勘、**分析和決策支援任務的軟體產品及相關服務的總稱，有windows和mac os x等版本。
spss是世界上最早採用圖形選單驅動介面的統計軟體，它最突出的特點就是操作介面極為友好，輸出結果美觀漂亮。它將幾乎所有的功能都以統
一、規範的介面展現出來，使用windows的視窗方式展示各種管理和分析資料方法的功能，對話方塊展示出各種功能選擇項。使用者只要掌握一定的windows操作技能，精通統計分析原理，就可以使用該軟體為特定的科研工作服務。spss採用類似excel**的方式輸入與管理資料，資料介面較為通用，能方便的從其他資料庫中讀入資料。
其統計過程包括了常用的、較為成熟的統計過程，完全可以滿足非統計專業人士的工作需要。輸出結果十分美觀，儲存時則是專用的spo格式，可以轉存為html格式和文字格式。對於熟悉老版本程式設計執行方式的使用者，spss還特別設計了語法生成視窗，使用者只需在選單中選好各個選項，然後按「貼上」按鈕就可以自動生成標準的spss程式。
極大的方便了中、高階使用者。
spss中相關性分析的原理是什麼
18樓：手機使用者
_問題描述：在spss中做主成成分分析的時候有一步是指標之間的相關性判定，我想知道具體是怎麼進行判定的，他的演算法、原理是什麼？答案1：：
說判定有些嚴格，其實就是觀察一下各個指標的相關程度。一般來說相關性越是高，做主成分分析就越是成功。主成分分析是通過降低空間維度來體現所有變數的特徵使得樣本點分散程度極大，說得直觀一點就是尋找多個變數的一個加權平均來反映所有變數的一個整體性特徵。
評價相關性的方法就是相關係數，由於是多變數的判定，則引出相關係數矩陣。評價主成分分析的關鍵不在於相關係數的情況，而在於貢獻率，也就是根據主成分分析的原理，計算相關係數矩陣的特徵值和特徵向量。相關係數越是高，計算出來的特徵值差距就越大，貢獻率等於前n個大的特徵值除以全部特徵值之和，貢獻率越是大說明主成分分析的效果越好。
反之，變數之間相關性越差。舉個例子來說，在二維平面內，我們的目的就是把它對映（加權）到一條直線上並使得他們分散的最開（方差最大）達到降低維度的目的，如果所有樣本點都在一條直線上（也就是相關係數等於1或者- 1），這樣的效果是最好的。再假設樣本點呈現兩條垂直的形狀（相關係數等於零），你要找到一條直線來做對映就很難了。
一般來說前三個主成分的貢獻率在90%以上，第一個主成分的貢獻率在 70%效果就已經很好了。答案2：： 你直接看書吧 那原理我要寫一天 才能發給你。。。
spss相關性分析顯著性水平怎麼設定
通常不需要你去自己設定，spss預設顯著性水平alpha 這個值是約定俗成的。沒有什麼特別的理由，沒有必要調高或調低。個別時候特殊需要你可以設定為，但最好不要調高到。因為通常顯著性概率在之間被視為邊緣顯著。一般是和，也可以放寬到。怎樣用spss分析這兩組資料的相關性 使用spss軟體時，如何設定相關...
用SPSS進行的相關性分析，不太懂，麻煩給詳細說明一下
首先你要知道怎麼 選擇這兩個方法 如果都滿足正態性就選擇第二個pearson相關係數，否則第一個其次看sig小於0.05說明相關係數有統計學意義，小於0.4弱相關0.4 0.7中等相關，大於0.7強相關。所以你數學成績和思維是存在中等正相關 pearson皮爾遜相關係數是一般所說的相關係數，用於二維...
對一些不好量化的變數，如何進行相關性分析？例如學歷與職務 年
這種哪好量化哦！學歷又不等於能力，中國培訓出來的高分低能的例子還少嗎版？在大學生普遍難就業的今天，權學歷文憑這些東西只能做個參考了。當然，職務跟工作能力是相關聯的，這個可以進行崗位績效考核，從工作內容要求及完成效果上進行量化打分。我想用檢驗兩組資料的相關性，應該怎麼做？相關與 顯著性差異 的關係？p...