?

?在數據分析的過程中，我們常常需要分析兩個或兩個以上現象之間的因果關系，一般來說，常考慮下面的幾種分析方法：

相關分析：不需要區分自變量和因變量，兩個或者多個變量之間是平等的關系。通過相關分析可以了解變量之間的密切程度。如：教育事業的發展與科學技術的發展存在著一定的關系，學生的數學成績與物理成績存在著一定的關系，相關分析就是要分析這種密切程度。

回歸分析：區分自變量和因變量，適合于因變量和自變量均為連續變量的情況，建立回歸方程，要找出因變量和自變量之間的具體的相關關系。如“收入”和“產品銷售量”的回歸關系。

方差分析：適用于因變量為連續性變量、 自變量為分類變量的情況，如“收入”對“用戶滿意度”的影響。

本小結著重總結相關分析。

相關類型：

1、直線相關：兩變量呈線性共同增大，或一增一減，要求兩個變量服從聯合的正態分布，若不服從，則要考慮變量變換，或者采用等級相關來分析。

2、曲線相關：兩變量存在相關趨勢，但非線性。此時若進行直線相關，有可能出現無相關性的結論，曲線相關分析是一般都先將變量進行變量變換，以將趨勢變換為直線分析，或者采用曲線回歸方法來分析。

相關的方向

依照兩種變量變動的方向分，有正相關、負相關和無相關（零相關）。

1、正相關：一種變量增加或減少，另一種變量也在增加或減少，兩種變量變動的方向相同，謂之正相關。

2、負相關：一種變量增加或減少，另一種變量也在減少或增加，兩種變量變動的方向相反，謂之負相關。

3、無相關：在兩種變量之間，一種變量變動時，另一種變量毫無變動，即使變動也無一定的規律，如人的相貌與人的思想品德，人的身體高矮與學習成績的好壞等是無什么關系的，這兩種變量的關系謂之無相關或零相關。

相關分析針對的數據類型以及計算相關程度的統計量：

1、兩個連續性變量：

兩個連續變量間呈線性相關時，且兩變量服從聯合正態分布，使用Pearson積差相關系數。若不滿足積差相關分析的適用條件時，使用Spearman秩相關系數來描述。

Spearman相關系數又稱秩相關系數，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，屬于非參數統計方法，適用范圍要廣些。對于服從Pearson相關系數的數據亦可計算Spearman相關系數，但統計效能要低一些。Spearman相關系數的計算公式可以完全套用pearson相關系數計算公式，但公式中的x和y用相應的秩次代替即可。

2、 兩個有序分類變量：

Kendall'stau-b等級相關系數：用于反映分類變量相關性的指標，適用于兩個分類變量均為有序分類的情況。對相關的有序變量進行非參數相關檢驗；

取值范圍在-1-1之間，此檢驗適合于正方形表格；

其他：偏相關分析

適用于在控制其他變量影響的情況下對兩個變量進行相關分析，被分析的兩個變量必須服從正態分布。比如說，一般情況下，體重和身高呈正相關，如果還要考慮胸圍，則在胸圍固定的情況下（取胸圍的平均值，假設獲獎所有個體的胸圍都校正為相同的情況下）再求體重和升高的相關（偏相關），則偏相關呈負值。

?

from:http://www.360doc.com/content/070111/15/11966_326615.html

總結

以上是生活随笔為你收集整理的相关分析总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。