秩相關系數不確定分析

㈠ 相關性分析Kendall秩相關系數0.2 p<0.05

在SPSS相關分析中,pearson(皮爾遜), kendall（肯德爾）和spearman（斯伯曼/斯皮爾曼）三種相關分析方法有什麼異同
兩個連續變數間呈線性相關時，使用Pearson積差相關系數，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，是利用兩變數的秩次大小作線性相關分析，對原始變數的分布不作要求，屬於非參數統計方法，適用范圍要廣些。對於服從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。Pearson相關系數的計算公式可以完全套用Spearman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。
Kendall's tau-b等級相關系數：用於反映分類變數相關性的指標，適用於兩個分類變數均為有序分類的情況。對相關的有序變數進行非參數相關檢驗；取值范圍在-1-1之間，此檢驗適合於正方形表格；
計算積距pearson相關系數，連續性變數才可採用;計算Spearman秩相關系數，適合於定序變數或不滿足正態分布假設的等間隔數據; 計算Kendall秩相關系數，適合於定序變數或不滿足正態分布假設的等間隔數據。
計算相關系數：當資料不服從雙變數正態分布或總體分布未知，或原始數據用等級表示時，宜用 spearman或kendall相關
Pearson 相關復選項 積差相關計算連續變數或是等間距測度的變數間的相關分析
Kendall 復選項 等級相關 計算分類變數間的秩相關，適用於合並等級資料
Spearman 復選項 等級相關計算斯皮爾曼相關，適用於連續等級資料
註：
1若非等間距測度的連續變數 因為分布不明-可用等級相關/也可用Pearson 相關，對於完全等級離散變數必用等級相關
2當資料不服從雙變數正態分布或總體分布型未知或原始數據是用等級表示時,宜用 Spearman 或 Kendall相關。
3 若不恰當用了Kendall 等級相關分析則可能得出相關系數偏小的結論。則若不恰當使用，可能得相關系數偏小或偏大結論而考察不到不同變數間存在的密切關系。對一般情況默認數據服從正態分布的，故用Pearson分析方法。
在SPSS里進入Correlate－》Bivariate，在變數下面Correlation Coefficients復選框組里有3個選項：
Pearson
Kendall's tau-b
Spearman：Spearman
spearman（斯伯曼/斯皮爾曼）相關系數
斯皮爾曼等級相關是根據等級資料研究兩個變數間相關關系的方法。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系數嚴格，只要兩個變數的觀測值是成對的等級評定資料，或者是由連續變數觀測資料轉化得到的等級資料，不論兩個變數的總體分布形態、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。
Kendall's相關系數
肯德爾(Kendall)W系數又稱和諧系數，是表示多列等級變數相關程度的一種方法。適用這種方法的數據資料一般是採用等級評定的方法收集的，即讓K個評委（被試）評定N件事物，或1個評委（被試）先後K次評定N件事物。等級評定法每個評價者對N件事物排出一個等級順序，最小的等級序數為1 ，最大的為N，若並列等級時，則平分共同應該占據的等級，如，平時所說的兩個並列第一名，他們應該占據1，2名，所以它們的等級應是1.5,又如一個第一名，兩個並列第二名，三個並列第三名，則它們對應的等級應該是1,2.5,2.5,5,5,5,這里2.5是2,3的平均，5是4,5,6的平均。
肯德爾(Kendall)U系數又稱一致性系數，是表示多列等級變數相關程度的一種方法。該方法同樣適用於讓K個評委（被試）評定N件事物，或1個評委（被試）先後K次評定N件事物所得的數據資料，只不過評定時採用對偶評定的方法，即每一次評定都要將N個事物兩兩比較，評定結果如下表所示，表格中空白位（陰影部分可以不管）填入的數據為：若i比j好記1，若i比j差記0，兩者相同則記0.5。一共將得到K張這樣的表格，將這K張表格重疊起來，對應位置的數據累加起來作為最後進行計算的數據，這些數據記為γij。
正態分布的相關檢驗
對來自正態總體的兩個樣本進行均值比較常使用T檢驗的方法。T檢驗要求兩個被比較的樣本來自正態總體。兩個樣本方差相等與不等時用的計算T值的公式不同。
進行方差齊次性檢驗使用F檢驗。對應的零假設是：兩組樣本方差相等。P值小於0.05說明在該水平上否定原假設，方差不齊；否則兩組方差無顯著性差異。
U檢驗時用服從正態分布的檢驗量去檢驗總體均值差異情況的方法。在這種情況下總體方差通常是已知的。
雖然T檢驗法與U檢驗法所解決的問題大體相同，但在小樣本（樣本數n）=30作為大樣本）且均方差未知的情況下就不能用U檢驗法了。
均值檢驗時不同的數據使用不同的統計量
使用MEANS過程求若干組的描述統計量，目的在於比較。因此必須分組求均值。這是與Descriptives過程不同之處。
檢驗單個變數的均值是否與給定的常數之間存在差異，用One-Sample T Test 單樣本T檢驗過程。
檢驗兩個不相關的樣本是否來自來具有相同均值的總體，用Independent-Samples T test 獨立樣本t檢驗過程。
如果分組樣本不獨立，用Paired Sample T test 配對t檢驗。
如果分組不止兩個，應使用One-Way ANOVO一元方差分析（用於檢驗幾個獨立的組，是否來自均值相等的總體）過程進行單變數方差分析。
如果試圖比較的變數明顯不服從正態分布，則應該考慮使用一種非參數檢驗過程Nonparametric test.
如果用戶相比較的變數是分類變數，應該使用Crosstabs功能。
當樣本值不能為負值時用右側單邊檢驗。

㈡ 物種間的關聯性分析秩相關分析計算出的數據後怎麼分析

用專門分析關聯性的軟體啊，SAS，STAT，DPS，等都可以的，使用多重分析，把一種物種定為主體，另外的定為影響因子就可以啦

㈢ 如何比較單相關系數與秩相關系數

到網路上面已查就可以知道

㈣ 回歸里的等級相關系數法中的di表示什麼

回歸里的等級相關系數法中的di為兩變數每一對樣本的等級之差。
等級相關系數亦稱為秩相關系數，是反映等級相關程度的統計分析指標。常用的等級相關分析方法有Spearman等級相關和Kendall等級相關等。其中等級相關系數記為rs，di為兩變數每一對樣本的等級之差，n為樣本容量。
在實際應用中，有時獲得的原始資料沒有具體的數據表現，只能用等級來描述某種現象，要分析現象之間的相關關系就只能用等級相關系數。
相關系數的計算步驟：把數量標志和品質標志的具體表現按等級次序編號；按順序求出兩個標志的每對等級編號的差。
等級相關系數與相關系數一樣，取值-1到+1之間，rs為正表示正相關，rs為負表示負相關，rs等於零為零相關，區別是它是建立在等級的基礎上計算的，較適用於反映序列變數的相關。
回歸分析是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法，是應用極其廣泛的數據分析方法之一。它基於觀測數據建立變數間適當的依賴關系以分析數據內在規律並可用於預報、控制等問題。

㈤ 關於兩組均數差異的相關性分析

1. 如果經過t檢驗 c指標均值和D指標均值 都較A組升高，不能說明C指標和D指標有相關性，這個是統計學的大忌。要算兩個指標的相關性，就按照你後面說的 對這兩個指標進行相關分析。

2. 如果一個指標明顯的不符合正太分布，則可以採用非參數的相關分析法，比如肯德爾系數法，或者是斯皮爾曼等級相關，都在哪個線性相關的對話框裡面選擇

㈥ 秩相關系數的水環境質量污染趨勢分析採用秩相關系數法

式中：di：變數xi和變數yi的差值
xi：周期i到周期n按濃度值從小到大排列序號
yi：按時間排列的序號
選擇顯著性水平為0.05，秩相關系數臨界值Wp為0.9|rs|≥0.900時，為變化趨勢有顯著意義，當0<0.9|rs|<0.900時，表明變化趨勢無顯著意義。

㈦ 統計學問題！ Spearman 秩相關系數和 Kendall 秩相關系數的差異。要具體點的，清晰能懂的，謝謝！

什麼？？？

㈧ 如何分析三種試驗方法結果的相關性

分析：
統計學意義（p值）
結果的統計學意義是結果真實程度（能夠代表總體）的一種估計方法。專業上，p值為結果可信程度的一個遞減指標，p值越大，我們越不能認為樣本中變數的關聯是總體中各變數關聯的可靠指標。p值是將觀察結果認為有效即具有總體代表性的犯錯概率。如p=0.05提示樣本中變數關聯有5%的可能是由於偶然性造成的。即假設總體中任意變數間均無關聯，我們重復類似實驗，會發現約20個實驗中有一個實驗，我們所研究的變數關聯將等於或強於我們的實驗結果。（這並不是說如果變數間存在關聯，我們可得到5%或95%次數的相同結果，當總體中的變數存在關聯，重復研究和發現關聯的可能性與設計的統計學效力有關。）在許多研究領域，0.05的p值通常被認為是可接受錯誤的邊界水平。

如何判定結果具有真實的顯著性
在最後結論中判斷什麼樣的顯著性水平具有統計學意義，不可避免地帶有武斷性。換句話說，認為結果無效而被拒絕接受的水平的選擇具有武斷性。實踐中，最後的決定通常依賴於數據集比較和分析過程中結果是先驗性還是僅僅為均數之間的兩兩>比較，依賴於總體數據集里結論一致的支持性證據的數量，依賴於以往該研究領域的慣例。通常，許多的科學領域中產生p值的結果≤0.05被認為是統計學意義的邊界線，但是這顯著性水平還包含了相當高的犯錯可能性。結果0.05≥p>0.01被認為是具有統計學意義，而0.01≥p≥0.001被認為具有高度統計學意義。但要注意這種分類僅僅是研究基礎上非正規的判斷常規。

所有的檢驗統計都是正態分布的嗎？
並不完全如此，但大多數檢驗都直接或間接與之有關，可以從正態分布中推導出來，如t檢驗、f檢驗或卡方檢驗。這些檢驗一般都要求：所分析變數在總體中呈正態分布，即滿足所謂的正態假設。許多觀察變數的確是呈正態分布的，這也是正態分布是現實世界的基本特徵的原因。當人們用在正態分布基礎上建立的檢驗分析非正態分布變數的數據時問題就產生了，（參閱非參數和方差分析的正態性檢驗）。這種條件下有兩種方法：一是用替代的非參數檢驗（即無分布性檢驗），但這種方法不方便，因為從它所提供的結論形式看，這種方法統計效率低下、不靈活。另一種方法是：當確定樣本量足夠大的情況下，通常還是可以使用基於正態分布前提下的檢驗。後一種方法是基於一個相當重要的原則產生的，該原則對正態方程基礎上的總體檢驗有極其重要的作用。即，隨著樣本量的增加，樣本分布形狀趨於正態，即使所研究的變數分布並不呈正態。

1統計軟體的選擇
在進行統計分析時，作者常使用非專門的數理統計軟體Excel進行統計分析。由於Excel提供的統計分析功能十分有限，很難滿足實際需要。目前，國際上已開發出的專門用於統計分析的商業軟體很多，比較著名有SPSS(Statistical Package for Social Sciences)、SAS(Statistical Analysis System)、BMDP和STATISTICA等。其中，SPSS是專門為社會科學領域的研究者設計的（但是，此軟體在自然科學領域也得到廣泛應用）；BMDP是專門為生物學和醫學領域研究者編制的統計軟體。目前，國際學術界有一條不成文的約定：凡是用SPSS和SAS軟體進行統計分析所獲得的結果，在國際學術交流中不必說明具體演算法。由此可見，SPSS和SAS軟體已被各領域研究者普遍認可。建議作者們在進行統計分析時盡量使用這2個專門的統計軟體。

2均值的計算
在處理實驗數據或采樣數據時，經常會遇到對相同采樣或相同實驗條件下同一隨機變數的多個不同取值進行統計處理的問題。此時，多數作者會不假思索地直接給出算術平均值和標准差。顯然，這種做法是不嚴謹的。在數理統計學中，作為描述隨機變數總體大小特徵的統計量有算術平均值、幾何平均值和中位數等。何時用算術平均值？何時用幾何平均值？以及何時用中位數？這不能由研究者根據主觀意願隨意確定，而要根據隨機變數的分布特徵確定。反映隨機變數總體大小特徵的統計量是數學期望，而在隨機變數的分布服從正態分布時，其總體的數學期望就是其算術平均值。此時，可用樣本的算術平均值描述隨機變數的大小特徵。如果所研究的隨機變數不服從正態分布，則算術平均值不能准確反映該變數的大小特徵。在這種情況下，可通過假設檢驗來判斷隨機變數是否服從對數正態分布。如果服從對數正態分布，則可用幾何平均值描述該隨機變數總體的大小。此時，就可以計算變數的幾何平均值。如果隨機變數既不服從正態分布也不服從對數正態分布，則按現有的數理統計學知識，尚無合適的統計量描述該變數的大小特徵。退而求其次，此時可用中位數來描述變數的大小特徵。

3相關分析中相關系數的選擇
在相關分析中，作者們常犯的錯誤是簡單地計算Pearson積矩相關系數，而且既不給出正態分布檢驗結果，也往往不明確指出所計算的相關系數就是Pearson積矩相關系數。常用的相關系數除有Pearson積矩相關系數外，還有Spearman秩相關系數和Kendall秩相關系數等。其中，Pearson積矩相關系數可用於描述2個隨機變數的線性相關程度（相應的相關分析方法稱為「參數相關分析」，該方法的檢驗功效高，檢驗結果明確）；Spearman或Kendall秩相關系數用來判斷兩個隨機變數在二維和多維空間中是否具有某種共變趨勢，而不考慮其變化的幅度（相應的相關分析稱為「非參數相關分析」，該方法的檢驗功效較參數方法稍差，檢驗結果也不如參數方法明確）。各種成熟的統計軟體如SPSS、SAS等均提供了這些相關系數的計算模塊。在相關分析中，計算各種相關系數是有前提的。對於二元相關分析，如果2個隨機變數服從二元正態分布，或2個隨機變數經數據變換後服從二元正態分布，則可以用Pearson積矩相關系數描述這2個隨機變數間的相關關系（此時描述的是線性相關關系），而不宜選用功效較低的Spearman或Kendall秩相關系數。如果樣本數據或其變換值不服從正態分布，則計算Pearson積矩相關系數就毫無意義。退而求其次，此時只能計算Spearman或Kendall秩相關系數（盡管這樣做會導致檢驗功效的降低）。因此，在報告相關分析結果時，還應提供正態分布檢驗結果，以證明計算所選擇的相關系數是妥當的。需要指出的是，由於Spearman或Kendall秩相關系數是基於順序變數（秩）設計的相關系數，因此，如果所採集的數據不是確定的數值而僅僅是秩，則使用Spearman或Kendall秩相關系數進行非參數相關分析就成為唯一的選擇。

4相關分析與回歸分析的區別
相關分析和回歸分析是極為常用的2種數理統計方法，在地質學研究領域有著廣泛的用途。然而，由於這2種數理統計方法在計算方面存在很多相似之處，且在一些數理統計教科書中沒有系統闡明這2種數理統計方法的內在差別，從而使一些研究者不能嚴格區分相關分析與回歸分析。最常見的錯誤是，用回歸分析的結果解釋相關性問題。例如，作者將「回歸直線（曲線）圖」稱為「相關性圖」或「相關關系圖」；將回歸直線的R2(擬合度，或稱「可決系數」)錯誤地稱為「相關系數」或「相關系數的平方」；根據回歸分析的結果宣稱2個變數之間存在正的或負的相關關系。這些情況在國內極為普遍。

相關分析與回歸分析均為研究2個或多個隨機變數間關聯性的方法，但2種數理統計方法存在本質的差別，即它們用於不同的研究目的。相關分析的目的在於檢驗兩個隨機變數的共變趨勢（即共同變化的程度），回歸分析的目的則在於試圖用自變數來預測因變數的值。在相關分析中，兩個變數必須同時都是隨機變數，如果其中的一個變數不是隨機變數，就不能進行相關分析。這是相關分析方法本身所決定的。對於回歸分析，其中的因變數肯定為隨機變數（這是回歸分析方法本身所決定的），而自變數則可以是普通變數（規范的叫法是「固定變數」，有確定的取值）也可以是隨機變數。如果自變數是普通變數，採用的回歸方法就是最為常用的「最小二乘法」，即模型Ⅰ回歸分析；如果自變數是隨機變數，所採用的回歸方法與計算者的目的有關---在以預測為目的的情況下，仍採用「最小二乘法」，在以估值為目的的情況下須使用相對嚴謹的「主軸法」、「約化主軸法」或「Bartlett法」，即模型Ⅱ回歸分析。顯然，對於回歸分析，如果是模型Ⅰ回歸分析，就根本不可能回答變數的「相關性」問題，因為普通變數與隨機變數之間不存在「相關性」這一概念（問題在於，大多數的回歸分析都是模型Ⅰ回歸分析！）。此時，即使作者想描述2個變數間的「共變趨勢」而改用相關分析，也會因相關分析的前提不存在而使分析結果毫無意義。如果是模型Ⅱ回歸分析，鑒於兩個隨機變數客觀上存在「相關性」問題，但因回歸分析方法本身不能提供針對自變數和因變數之間相關關系的准確的檢驗手段，因此，若以預測為目的，最好不提「相關性」問題；若以探索兩者的「共變趨勢」為目的，建議作者改用相關分析。

㈨ 請教秩相關分析

一般情況下相關系數的公式指的是基於最小二乘法的那個公式，其實還有person相關，積距相關分析，即最常用的參數相關分析，
kendall's相關，計算等級相關系數，用於反映分類變數一致性的指標，只能在兩個變數均屬於有序分類時使用，是由Gamma系數改進而來
Spearman相關系數，最常用的非參數相關分析（秩相關）。
一般的那個相關是指線性相關，相關系數為0，說明沒有線性關系，但並不能說明沒有曲線關系，曲線相關可以通過將變數進行轉換後再算線性相關，也可以直接進行曲線擬合。