Bivariate CorrelationsThis feature

Bivariate Correlations
This feature requires the Statistics Base option.

The Bivariate Correlations procedure computes Pearson's correlation coefficient, Spearman's rho, and Kendall's tau-b with their significance levels. Correlations measure how variables or rank orders are related. Before calculating a correlation coefficient, screen your data for outliers (which can cause misleading results) and evidence of a linear relationship. Pearson's correlation coefficient is a measure of linear association. Two variables can be perfectly related, but if the relationship is not linear, Pearson's correlation coefficient is not an appropriate statistic for measuring their association.

Example. Is the number of games won by a basketball team correlated with the average number of points scored per game? A scatterplot indicates that there is a linear relationship. Analyzing data from the 1994–1995 NBA season yields that Pearson's correlation coefficient (0.581) is significant at the 0.01 level. You might suspect that the more games won per season, the fewer points the opponents scored. These variables are negatively correlated (–0.401), and the correlation is significant at the 0.05 level.

Statistics. For each variable: number of cases with nonmissing values, mean, and standard deviation. For each pair of variables: Pearson's correlation coefficient, Spearman's rho, Kendall's tau-b, cross-product of deviations, and covariance.

Show me

Bivariate Correlations Data Considerations

Data. Use symmetric quantitative variables for Pearson's correlation coefficient and quantitative variables or variables with ordered categories for Spearman's rho and Kendall's tau-b.

Assumptions. Pearson's correlation coefficient assumes that each pair of variables is bivariate normal.

To Obtain Bivariate Correlations

This feature requires the Statistics Base option.

From the menus choose:

Analyze > Correlate > Bivariate...

Select two or more numeric variables.
The following options are also available:

Correlation Coefficients. For quantitative, normally distributed variables, choose the Pearson correlation coefficient. If your data are not normally distributed or have ordered categories, choose Kendall's tau-b or Spearman, which measure the association between rank orders. Correlation coefficients range in value from –1 (a perfect negative relationship) and +1 (a perfect positive relationship). A value of 0 indicates no linear relationship. When interpreting your results, be careful not to draw any cause-and-effect conclusions due to a significant correlation.
Test of Significance. You can select two-tailed or one-tailed probabilities. If the direction of association is known in advance, select One-tailed. Otherwise, select Two-tailed.
Flag significant correlations. Correlation coefficients significant at the 0.05 level are identified with a single asterisk, and those significant at the 0.01 level are identified with two asterisks.

Kết quả (Việt) 2:

Tương quan hai biến
Tính năng này đòi hỏi sự lựa chọn thống kê cơ sở. Thủ tục đơn biến Tương quan tính toán hệ số Pearson của sự tương quan, rho Spearman, và Kendall của tau-b với mức ý nghĩa của họ. Mối tương quan đo lường như thế nào biến hoặc đơn đặt hàng bậc có liên quan. Trước khi tính hệ số tương quan, sàng lọc dữ liệu của bạn cho giá trị ngoại lai (mà có thể gây ra kết quả sai lệch) và bằng chứng về một mối quan hệ tuyến tính. Hệ số tương quan Pearson là một biện pháp quan tuyến tính. Hai biến thể được hoàn toàn liên quan, nhưng nếu mối quan hệ không phải là tuyến tính, hệ số tương quan Pearson không phải là một số liệu thống kê thích hợp để đo kết hợp của chúng. Ví dụ. Là số trận thắng của một đội bóng rổ tương quan với con số trung bình của các điểm ghi được mỗi trận? Một phân tán chỉ ra rằng có một mối quan hệ tuyến tính. Phân tích dữ liệu từ 1994-1995 NBA mùa năng suất mà hệ số tương quan Pearson (0,581) là ý nghĩa ở mức 0,01. Bạn có thể nghi ngờ rằng các trò chơi hơn giành chiến thắng mỗi mùa, các điểm ít hơn các đối thủ ghi bàn. Các biến này được tương quan âm (-0,401), và các mối tương quan có ý nghĩa ở mức 0,05. Thống kê. Đối với mỗi biến: số trường hợp với các giá trị nonmissing, có nghĩa là, và độ lệch chuẩn. Đối với mỗi cặp biến:. Hệ số tương quan Pearson, rho Spearman, tau-b của Kendall, cross-sản phẩm sai lệch, và hiệp phương sai Hiện tôi đơn biến cân nhắc mối tương quan dữ liệu Data. Sử dụng các biến định lượng đối xứng cho hệ số tương quan Pearson và các biến định lượng hoặc các biến với các hạng mục đã ra lệnh cho rho Spearman và Kendall của tau-b. Giả định. Hệ số tương quan Pearson giả định rằng mỗi cặp biến là hai biến bình thường. Để có được đơn biến Tương quan Tính năng này đòi hỏi sự lựa chọn thống kê cơ sở. Từ menu chọn: Phân tích> Tương quan> đơn biến ... Chọn hai hoặc nhiều hơn các biến số. Các tùy chọn sau đây cũng là : có sẵn Hệ số tương quan. Đối với định lượng, biến phân bố bình thường, chọn các hệ số tương quan Pearson. Nếu dữ liệu của bạn không được phát hành bình thường hoặc đã ra lệnh loại, chọn tau-b hoặc Spearman Kendall, mà đo lường mối liên hệ giữa các đơn đặt hàng xếp hạng. Hệ số tương quan trong phạm vi giá trị từ -1 (một mối quan hệ tiêu cực hoàn hảo) và 1 (một mối quan hệ tích cực hoàn hảo). Một giá trị 0 cho thấy không có mối quan hệ tuyến tính. Khi giải thích kết quả của bạn, hãy cẩn thận không để đưa ra kết luận nguyên nhân và hậu quả do sự tương quan đáng kể. Test Tầm quan trọng. Bạn có thể chọn xác suất hai đuôi hoặc một đuôi. Nếu sự chỉ đạo của hiệp hội được biết trước, chọn One-đuôi. Nếu không, chọn hai đuôi. Flag tương quan đáng kể. Hệ số tương quan có ý nghĩa ở mức 0,05 được xác định bằng một dấu sao duy nhất, và những ý nghĩa ở mức 0,01 được xác định bằng hai dấu.