SPSS软件应用：两指标间的关系分析

2015-04-24 MedSci MedSci原创

SPSS线性相关秩相关曲线相关

两个变量之间存在一次方函数关系，就称它们之间存在线性关系。临床医学统计中有三种主要的线性关系：线性相关（Pearson相关）、秩相关（Spearman相关）和曲线相关（曲线拟合）。本文结合临床实际案例讲述如何使用SPSS软件分析两指标间的关系。一、线性相关线性相关是最常见的相关分析，也叫做Pearson相关分析。定性资料相关：当一个变量增大，另一个变量也随之增大，称为共变或相关。两个变量有共变现象

两个变量之间存在一次方函数关系，就称它们之间存在线性关系。临床医学统计中有三种主要的线性关系：线性相关（Pearson相关）、秩相关（Spearman相关）和曲线相关（曲线拟合）。本文结合临床实际案例讲述如何使用SPSS软件分析两指标间的关系。

一、线性相关

线性相关是最常见的相关分析，也叫做Pearson相关分析。定性资料相关：当一个变量增大，另一个变量也随之增大，称为共变或相关。两个变量有共变现象即称有相关关系。反映两定量指标间呈线性关系趋势的关系称为线性相关，又称简单相关，统计学指标为Pearson相关系数。

两变量间的线性关系密切程度与相关方向用直线相关系数r表示（－1≤ r ≤ 1）。r＞0为正相关，r＜0为负相关，r＝0为零相关或无相关，|r|=1为完全相关，|r|越大说明相关程度越密切。

案例：

求总胆固醇(TC)与低密度脂蛋白(LDL)间的相关性。（数据可到MedSci临床研究学院下载）

分析思路：散点图 » 计算相关系数 » 相关系数的假设检验。

SPSS操作

1.散点图
 





 
结果
 


注：检查有无异常点，谨慎剔除。

2.相关分析

 

SPSS相关分析模块

Bivariate（双变量）：用于进行两个/多个变量间的参数/非参数相关分析。如果是多个变量，则给出两两相关的分析结果。最常用——线性相关、秩相关。

Partial（偏相关）：如果需要进行相关分析的两个变量，其取值受到其他变量的影响，则偏相关分析可以对其他变量进行控制，输出控制其他变量后的相关系数。

Distance（距离）：该过程一般不单独用，作为因子分析、聚类分析和多维尺度分析的预分析过程。

相关分析SPSS » Analyze » correlate » bivariate correlation

 
 
结果



计算相关系数：Pearson相关系数r=0.491>0，说明正相关。相关系数的假设检验：P<0.001，说明该r具有统计学意义。

注意事项：

1、进行线性相关分析前，必须先做散点图，以初步判断两变量之间是否存在相关趋势？该趋势是否为线性趋势？以及数据中是否存在异常点？
2、相关分析不一定是因果关系！
例如：某夫妇生儿种树，儿长树高，相关关系有统计学意义，但非因果关系。

二、秩相关

秩相关也叫等级相关或Spearman秩相关，适用于非正态/总体分布未知/分类等级资料的相关分析。秩相关分析对原变量的分布不作要求，属非参数统计方法；最常用的统计量为Spearman秩相关系数，又称等级相关系数。

Spearman等级相关分析步骤：将各变量X,Y分别编秩RX, RY；计算RX与RY的Pearson相关；所得结果即为Spearman等级相关rS（-1≤rs≤1）。

案例

求总胆固醇(TC)与年龄等级间的相关性。其中，年龄等级划分如下：<45=1；45~60=2；61~75=3；>75=4。

SPSS软件操作

Analyze » correlate » bivariate correlation
 


Kendall 与Spearman比较：两者均对数据进行排序。但Spearman是以复合样本整体进行排序，而Kendall‘s是以每个样本单独进行排序，考察其方向的一致性。Spearman比较常用！

结果


 
Spearman相关系数为-0.017，给出两个信息！P<0.001，说明相关系数具有统计学意义。

相关系数绝对值越大，相关性越强；呈正相关，年龄等级越大，TC越高。

注意事项：对于相同的数据，Spearman相关系数和Kendall‘s相关系数的绝对值均小于Pearson相关系数，显然是由于秩变换或者数据有序分类处理时损失信息所导致的。Spearman相关系数的计算公式可以完全套用Pearson相关系数的计算公式，但公式中的X和Y用对应的秩次代替即可。

三、曲线相关

曲线相关，也就是曲线拟合，当两变量关系不呈线性变化且有曲线趋势时，如何选择相应的曲线模型。一般步骤：①依据分析目的确定X与Y，根据两变量散点图、结合专业知识选择曲线类型；②求回归方程：曲线直线化；③拟合优度：R2，反应两变量曲线关系的密切程度。

案例


 
1.数据散点图



对Y作对数变换后的散点图

 

SPSS操作

Analyze » Regression » Curve Estimation

 

 

SPSS中曲线模型


 
案例分析结果
 





本文结合临床实际案例讲解SPSS软件中如何对两指标间做线性关系分析，根据实际情况选择合适的线性关系分析方法。文中涉及的案例数据可以到MedSci临床研究学院edu.medsic.cn下载。更多课程免费试听学习！同时您也可以下载MedSci医学App随时在线学习。MedSci

作者：MedSci



版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
评论区 (7)
#插入话题
  1. 2015-08-17 maxerlei

    hao

    0

  2. 2015-05-02 huaxipanxing

    有用

    0

  3. 2015-04-25 cspcsp

    有用

    0

  4. 2015-04-25 chenhui888

    回去再细细研究，必须拿下。

    0

  5. 2015-04-25 dryanghua

    非常实用重新学习了

    0

相关资讯

SPSS进行相关分析（Pearson、Spearman、卡方检验）

一、相关分析方法的选择及指标体系 （一）两个连续变量的相关分析 1、Pearson相关系数 最常用的相关系数，又称积差相关系数，取值-1到1，绝对值越大，说明相关性越强。该系数的计算和检验为参数方法，适用条件如下： （1）两变量呈直线相关关系，如果是曲线相关可能不准确。 （2）极端值会对结果造成较大的影响 （3）两变量符合双变量联合正态分布。 2、Spearman秩相关系数 对原始

如何在SPSS软件中安装PSM模块

如何在SPSS软件中安装PSM模块

PSM步骤及SPSS软件操作

PSM步骤及SPSS软件操作

在线课堂：Logistic回归统计系列课程

在统计学中Logistic回归占据着重要的位置，尤其是在临床研究中，Logistic回归一直备受关注。Logistic回归又称Logistic回归分析，主要在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率等。

SPSS带你玩转GLM方差分析，一学就会！​

方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”或“F检验”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显著性检验。它是以F值为统计量的计量资料的假设检验方法。检验方法是将总方差分解成两个或多个部分方差和，推断两组或多组的总体无数是否相等。原假设H0：多个试验组的总体均数相等，即处理因素无作用。检验水准：ɑ=0.05。GL

SPSS软件应用：重复测量数据的统计方法

重复测量设计，即对一组或多组受试对象，在k个(k≥2)不同的时间点上，从每个人体（或样本）上重复观测同一个指标的具体取值的设计。如临床研究中，需要观察患者在不同时间的某些生理、生化或病理指标的变化趋势，或治疗干预后不同时间或疗程的疗效特点，就要进行重复测量设计。重复测量数据间存在相关性，不符合方差分析要求，所以重复测量数据资料需要采用专门的统计分析方法，该方法也是近代统计学研究的热点之一。对于重复