pearson相关分析 【科研加油站】SPSS操作之Pearson相关分析

以下内容转载自豆沙包写的“医疗咖啡社”微信微信官方账号(medieco-ykh)。

在最后一期中，我们讨论了岭回归的SPSS操作。本期《科研加油站》讨论皮尔逊相关分析。

问题和数据

研究表明，锻炼有助于预防心脏病。在合理的范围内，运动越多，患心脏病的风险越小。运动可以降低血液中的胆固醇水平，从而降低心脏病的风险。运动越多，血液中胆固醇浓度越低。研究表明，看电视的时间是久坐不动的生活方式的一个指标，也可能是心脏病的一个预测指标。看电视时间越长，患心脏病的风险越大。

因此，一名研究人员打算探索45至65岁健康男性的胆固醇浓度是否与看电视的时间有关。他们猜测，看电视时间长的人血液中胆固醇浓度比看电视时间少的人高。

研究人员收集了以下数据:每天看电视的时间为变量time_tv，胆固醇浓度为变量胆固醇(部分数据如下)。

如果“Sig”的值小于0.05，不符合正态分布；如果大于0.05，则符合正态分布。这是因为夏皮罗-维尔克检验的零假设是变量的分布符合正态分布。拒绝零假设意味着不能认为变量符合正态分布。

在这个例子中，“西格。”变量time_tv和胆固醇的值都大于0.05，符合正态分布。但研究者注意到，即使变量符合正态分布，大样本量(例如50例以上)也会导致统计显著性结果(即说明变量不符合正态分布)。因此，对于大样本量，最好通过作图来判断正态性。

报告结果时，应报告正常的试验结果:根据夏皮罗-维尔克试验(P > 0.05；0.05)，两个连续变量符合正态分布；或者根据夏皮罗-维尔克检验，一个(或几个)连续变量符合正态分布(P > 0.05)；0.05)，一个(或几个)变量不满足(p

检验正常后，有两种可能。如果两个变量符合正态分布，跳到计算皮尔逊相关系数的步骤。如果变量不符合正态分布，有三种选择:

(a)对不符合正态分布的变量进行数据转换，生成新的变量，检查这些假设，如果满足假设，则计算皮尔逊相关系数；

(二)使用非参数检验，如计算斯皮尔曼秩相关系数；

(c)皮尔逊相关系数对不符合正态分布的情况有一定抵抗力，假阳性率高，所以还是可以计算的。

SPSS操作

计算皮尔逊相关系数的SPSS运算如下。

1.单击主菜单中的分析>。关联>二变量的...，如下所示:

表格中的每一行包含三个方面的信息，如下表所示: