为了帮大家快速度过新手期, 我们整理了一份常见分析方法的流程总结。
其中包括每种分析方法的分析流程,以及每个环节中可能出现的问题及应对方法。不会分析的同学可以按照图中的流程一步步操作,就能得到准确可靠的结果。
本文将介绍的是相关分析的分析流程,即SPSSAU通用方法中的“相关”。
相关分析流程总结
为了便于理解,我们先简单介绍下相关分析,然后按照分析流程顺序,对每一步可能会涉及的问题进行简要说明。
相关分析
使用相关分析,通常是研究两个变量的相关性情况。比如学习成绩和听课质量的关系;员工敬业度与薪资的关系等等。
1.数据类型
相关分析的适用范围很广,理论上讲,凡是考察两个变量相关性,都可以叫做相关分析。
但依据习惯,我们通常说的相关分析,多指的是两个定量数据之间的简单相关分析,这就要求两个变量都是定量数据,即选项数字大小要可比较,且有实际意义。
如果两个数据均为定类数据,则不可以直接用相关分析,而应该使用卡方分析测量相关性(准确说应该是差异分析)。
如果一个是定类数据,一个是定量数据,则应该使用方差分析。
这种误用常见于分析背景信息题与核心研究题项的相关情况。
2.正态性
相关分析要求数据服从正态分布,因此分析前需要检验数据的正态性。
正态性有多种检验方法,常见方法如:正态图、正态性检验、P-P图/Q-Q图等。
由于相关分析对正态性要求比较宽松,即使违反计算结果也比较稳健,只要数据基本满足正态即可。如果数据完全不正态,则可以用Spearman相关系数。
3.查看线性趋势
当两个定量数据在散点图上的散点呈现直线趋势时,就可以认为两者存在直线相关趋势,这也是相关分析的一个基本前提。
散点图
例如上图,当X增大时,可以比较明显地看出Y会随着增大,说明X和Y之间有着正向相关关系。如果是负相关,散点图会呈现随着一个变量值的增加,另一个变量值降低的趋势。
非线性关系
如果数据呈现非线性的趋势,可以选择对变量进行数据转换(如对数转换),或是使用Spearman相关系数进行分析。
4.检验异常值
相关分析对极端值较为敏感,异常值会影响分析结果。需要在分析前查看是否存在异常值,保证结果的可靠性,此步可以和上一步一起通过散点图查看。
存在异常值
如果存在极端值,需要在分析前进行剔除。使用方法:SPSSAU数据处理->异常值。
这是上一步中得到的散点图,有一个明显的离群值,研究者需要根据情况选择保留或删除。建议按照SPSSAU异常值帮助手册的说明,对异常值进行处理。
5.相关系数类型
当完成以上步骤且满足相关分析的分析条件后,即可进行相关分析。点击‘通用方法’-‘相关’。
这时又出现一个问题。SPSSAU提供了三种相关系数,分别是Pearson、Spearman,Kendall相关系数,该选哪一种呢?
多数情况下,SPSSAU建议使用pearson相关系数。如果数据不满足正态性或不满足线性关系,可以考虑使用Spearman相关系数。
Kendall相关系数用于判断两个变量的等级相关性,是否具有一致性,比如评委打分,数据排名等。
关于三种相关系数的比较具体可以查看相关分析帮助手册。
6.SPSSAU操作
终于到了分析这一步了。相对于其他分析软件,SPSSAU的操作相对简单,将变量从左侧拖拽到分析项处,点击‘开始相关分析’即可。
分析项X可选
需要特别强调的一点是,相关分析通常不会特别区分哪个变量是X,哪个变量是Y。因此分析时,常常是直接把分析项都放入“分析项Y(定量)”里即可。
如果有明确的X、Y可以分开放置,两种放置方法只在表格的展示格式上有区别,结果是一样的。
指标解读
分析步骤可参考SPSSAU输出结果中的“分析建议”及“智能分析”。
需要注意的是相关系数代表变量之间的相关程度,相关系数越大,说明相关程度越紧密。
P值用于判断相关系数是否有统计学意义,P<0.05即说明变量间有相关关系,P值并不代表相关关系的强弱。
平均成绩、能力评分两个分析项交叉处的数字代表相关系数,而星号代表P值。一个星号代表P<0.05,两个星号代表P<0.01。如果没有星号,则说明P值>0.05。
7.后续分析
相关分析的结果并不能代替回归分析,而相关分析通常是作为回归分析的基础,保证在有相关性的前提下,才可能有回归影响关系。
因此后续可以通过回归分析,进一步得到影响关系和具体的函数表达式。
总结
以上就是相关分析的分析流程梳理。理论上都应该按照上述步骤进行分析,但在实际过程中,即使忽略其中的步骤,也能得到稳定的结果。
因此即使不按照步骤分析,也没有问题,而对于没有分析经验的研究者,SPSSAU建议按提供的步骤进行分析,才是最保险的做法。
网友评论