SPSS統計分析案例:相關分析之kendall係數

2021-03-06 SPSS統計訓練營

SPSS統計訓練營是一個自學平臺，以詳實統計案例教程為基礎，配套練習使用的原始數據，方便讀者自己實踐，致力於讓數據科學學習簡單有趣高效。發起人數據小兵，資深數據分析師，SPSS套件愛好者，願與科研工作者、行業數據分析者學習交流，歡迎訂閱。

相關分析中最為常用的是pearson相關係數，嚴格來說它有自己的適用性，數據最好是正態分布且為連續型的數值，比如一個班級男生的身高數據和體重數據。

在現實中，並不是所有的分析數據都能滿足這樣的條件，對於一些分類型的數據，或者明顯不是正態分布的數據，pearson相關係數是不合適的。此時有另外兩個係數可用，它們分別是spearman和kendall相關係數。

今天的案例是學習一下kendall相關。

現在有一組銀行職員的調查數據，我們想考察一下職員們的工資（salary）和受教育程度（educ）、職務等級（jabcat）之間的關係。其中educ和jabcat均為有序分類變量。

我們在數據文件的數據視圖下，依次打開【分析】→【相關】→【雙變量】菜單。

將工資、職務等級、教育程度三個變量從變量列表中移入右側的變量框內。勾選肯德爾tau-b係數，勾選標記顯著性。點擊【確定】按鈕，軟體即開始執行相關分析過程。

來看結果：

kendall相關係數表如上。工資與教育程度、職務等級的kendall係數分別為0.554和0.53（中等相關的一個水平），不相關的概率幾乎為0（通過顯著性檢驗），說明工資與教育程度和職務等級有關。

那麼工資與教育程度，工資與職務等級各分類水平的走勢如何呢？我們可以通過一個簡單的線形態可以看出來。

可以看到，接受教育年限多的職工相對來說有比較高的工資，工資內部職務等級尤其是在manager這個級別，工資明顯高於其他較低職位。

還有另外一個相關關係，受教育程度與企業職務等級是不是有關係呢？它們是兩個有序分類的變量，kendall係數0.415，不相關的概率也是幾乎為零，從這個角度說明二者也存在相關的關係。

文=數據小兵

案例數據=選自《SPSS for win統計分析》

閱讀原文了解本號課程

相關焦點

  • SPSS:Kendall相關分析
    1）建立數據文件kendall1.sav，變量名為value（分子量數值）、excrete（排洩量佔投藥量%）。2）選擇【Analyze】→【Correlate】→【Bivariate...】，可打開Bivariate Correlations（雙變量相關分析）主對話框。Variables（變量）為value（分子量數值）、excrete（排洩量佔投藥量%）。
  • 用SPSS進行相關分析的典型案例
    相關分析，兩個變量之間密切程度的一種常見統計分析方法，能夠簡單有效說明兩變量間存在什麼關係，這些關係的常見描述語句有：線性相關、正相關、負相關等
  • 相關係數計算(Spearman,Pearson,Kendall)
    Spearman相關係數又稱秩相關係數，是利用兩變量的秩次大小作線性相關分析，對原始變量的分布不作要求，屬於非參數統計方法，適用範圍要廣些。斯皮爾曼等級相關是根據等級資料研究兩個變量間相關關係的方法。它是依據兩列成對等級的各對等級數之差來進行計算的，所以又稱為「等級差數法」斯皮爾曼等級相關對數據條件的要求沒有積差相關係數嚴格，只要兩個變量的觀測值是成對的等級評定資料，或者是由連續變量觀測資料轉化得到的等級資料，不論兩個變量的總體分布形態、樣本容量的大小如何，都可以用斯皮爾曼等級相關來進行研究
  • SPSS因子分析案例
    所以，有必要確定綜合評價指標，便於對比。因子分析是一個不錯的選擇，5 個指標即為我們分析的對象，我們希望從這5個可觀測指標中尋找出潛在的因素，用這些具有綜合信息的因素對各地區進行評價。下圖是spss因子分析的操作界面，主要包括5方面的選項，變量區只能選擇數值型變量，分類型變量不能進入該模型。
  • 如何選用Pearson、Spearman、Kendall三大相關係數
    說到相關分析，很多人會馬上拿出皮爾遜Pearson相關係數，從不論數據是不是符合適用條件，甚至完全不了解Pearson相關係數還有假設條件這回事。常見的相關係數有三種，它們分別是Pearson、Spearman、Kendall係數，世人兼知pearson係數，冷淡了另外兩個。
  • 相關性分析在SPSS中的具體操作,一文讀懂相關係數的含義及使用——【醫學和生物統計】
    相關性分析介紹生物和醫學統計中，相關分析屬於流程前端的探索性分析，研究變量間關係及性質
  • SPSS分析技術:Pearson相關、Spearman相關及Kendall相關
    根據數據種類的不同（定距、定序和定類），它們又有不同的分析方法。可以通過下面的思維導圖幫助記憶：常用的相關性分析包括：皮爾遜（Pearson）相關、斯皮爾曼（Spearman）相關、肯德爾（Kendall）相關和偏相關。下面介紹前三種相關分析技術，並用實際案例說明如何用SPSS使用這三種相關性分析技術。
  • SPSS:相關係數在遊戲分析中的應用
    面對這麼多統計的數據，我們會好奇這些指標或者變量之間是否存在某種相關性，以及相關程度如何，這就用到我們今天要分享的內容——相關分析。　　在統計學上，用相關係數來描述變量之間的關係，相關係數的符號(+/-)表明關係的方向(正相關/負相關)，其值的大小表示關係的強弱程度。下圖是對相關係數的一個解讀。
  • 數據分析之主成分分析,spss主成分分析實例
    主成分分析方法能夠解決以上問題，主成分分析法是一種降維的統計方法，是考察多個變量間相關性一種多元統計方法。二、spss主成分分析操作流程導入數據。將已有數據整理後導入spss導入數據主成分分析操作流程。
  • 數據分析基礎相關性分析,SPSS實操
    pearson簡單相關係數二元定距變量的相關分析---pearson簡單相關係數---t統計量服從n-2個自由度的t分布。距離相關分析可用於同一變量內部各個取值間，以考察其相互接近程度；也可用於變量間，以考察預測值對實際值的擬合優度。距離相關分析根據統計量不同，分為以下兩種。 不相似性測量：通過計算樣本之間或變量之間的距離來表示。 相似性測量：通過計算Pearson相關係數或Cosine相關來表示。
  • 基本數據統計分析--spss
    在數據分析工作中，描述性統計分析是我們日常使用率最高的，主要的基本統計分析維度包括但不限於均值、 中位數、眾數、方差、百分位、頻數、峰度、偏度、探索分析、交叉聯列表分析、多選項分析、基本統計報表製作等。而這些功能操作在spss中是可以直接使用的。當然我們也需要理解相關定義。
  • [空間分析]玖·地理統計 相關分析
    終於結束了統計基礎知識一系列的內容，今天從相關分析開始，從今天起就涉及 R 和 Python 實戰和可視化，不管分析結果怎麼樣，起碼圖必須得看的順眼對吧。今天談相關分析中的三大基本相關：Pearson、Spearman、Kendall 相關分析和偏相關。字數有點多。了解的同學可以直接到代碼實現和可視化。
  • Pearson、Spearman、Kendall、Polychoric、Polyserial相關係數簡介及R計算
    首先簡介常見的用於描述變量間相關性的係數，包括Pearson、Spearman、Kendall、Polychoric、Tetrachoric、Polyserial、(Point-)Biserial等。  Pearson相關係數（皮爾森相關）是使用最廣泛的相關性統計量，用於測量兩組連續變量之間的線性關聯程度。
  • 五大相關係數簡介及R計算:Pearson、Spearman、Kendall、Polychoric、Polyserial
    首先簡介常見的用於描述變量間相關性的係數，包括Pearson、Spearman、Kendall、Polychoric、Tetrachoric、Polyserial、(Point-)Biserial等。  Pearson相關係數（皮爾森相關）是使用最廣泛的相關性統計量，用於測量兩組連續變量之間的線性關聯程度。
  • SPSS統計分析案例:一元線性回歸
    微信號後臺有非常之多的關於回歸分析的留言，作為最常見的統計分析方法，在工作生活中的應用需求量巨大，這兩天已經為大家選好了案例數據，先從一元線性回歸分析開始。一元線性回歸，顧名思義，僅有一個自變量的回歸模型，研究的是一個因素對結果的影響，可以用於預測，也經常被稱之為簡單線性回歸分析。
  • R語言 | Pearson、Spearman、Kendall、Polychoric、Polyserial相關係數簡介及R計算
    首先簡介常見的用於描述變量間相關性的係數，包括Pearson、Spearman、Kendall、Polychoric、Tetrachoric、Polyserial、(Point-)Biserial等。  Pearson相關係數（皮爾森相關）是使用最廣泛的相關性統計量，用於測量兩組連續變量之間的線性關聯程度。
  • SPSS統計分析案例:對應分析
    兩個分類變量間的關係，無法直接使用常見的皮爾遜相關係數來表述，多採用頻數統計、交叉表卡方檢驗等過程進行處理，當分類變量的取值較多時，列聯表頻數的形式就變得更為複雜
  • SPSS統計分析案例:多項logistic回歸分析
    小兵博客幾年前分享的二項logistic回歸分析案例非常受歡迎，在實際應用中，可能還會碰到因變量是多個分類的情況，並且不包含排序信息。比如視力分為輕度、中度、重度三個水平，此時如果想考察影響視力評價的指標，常用的二項logistic回歸已經無法勝任。幸好，SPSS軟體為我們提供了多項logistic回歸。
  • SPSS統計:單因素方差分析與單變量方差分析
    在spss統計分析中，方差分析在比較均值菜單和一般線性模型菜單中都可以做，單因素方差分析一般稱為單因素
  • SPSS: Pearson相關分析
    ☆Variables（變量）列表，選擇2個及以上進行雙變量相關分析變量，本例為x1（髂前上棘間徑）、x2（髂脊間徑）、x3（恥骶外徑）、x4（坐骨節間徑）。☆Correlation Coefficients（相關係數）。□Pearson（Pearson相關係數），又稱積矩相關係數，適用於連續分布或正態分布變量，本例選擇此項。