相关确定是要分析不同因素间的相关性？

相关性判断就是分析不同因素之间的相关性？

相关性分析主要用于：(1）两个或多个变量之间统计关联的判断；(2）如果存在关联，进一步分析关联的强度和方向。

那么，什么样的研究可以用于相关性分析？以下是一些相关性研究示例供您参考：

判断要研究的变量个数

相关分析确定后，用于两个或多个变量相关分析的统计方法不同。那么，如何判断研究变量的数量呢？

我们提供了两个变量的研究示例和三个或更多变量的研究示例，以帮助您理解。同时，我们还描述了示例中变量的数据类型（如连续变量、二元变量、无序分类变量、有序分类变量）。

1、两个变量

2、三个或更多变量

判断要研究的变量类型

确定要分析的变量之间的相关性后，我们需要确定变量的数据类型。

变量的数据类型主要分为四类：连续变量、二元变量、无序分类变量和有序分类变量。待分析的变量可以属于同一种数据类型，也可以属于不同的数据类型。根据这两个变量的数据类型不同，应该使用的统计分析方法也不同。

1、连续变量

连续变量是通过测量连续指标（例如体重）获得的值。其特点是等间距差相同，例如50kg-60kg的体重差与60kg-70kg的差相同。连续变量的例子如下：

2、有序分类变量

有序分类变量可以有两个或多个有序类别。例如，如果患者的治疗结果是“治愈”、“改善”、“未改变”或“恶化”。这是一个有序的分类变量，因为可以对四个类别进行排序。

需要注意的是，虽然我们可以对有序分类变量的类别进行排序，但我们还需要判断类别排序是否等距。例如，用每个年龄组的近似中位数来表示年龄类别，即24（18-30）岁，40（31-50）岁，60（51-7 0）年龄，80（70岁以上），年龄可以看做距离变量。

但是，不能将患者的诊断和治疗结果视为“痊愈”、“好转”、“无变化”或“恶化”。 也不能认为“”和“”的区别与“”和“非常满意恶化”的区别相同，即序数分类变量的类别可能在也可能不在定期间隔。这与连续变量有着根本的不同。有序分类变量的示例如下：

3、二分变量

二元变量是只有两个类别的分类变量。二分变量的类别之间没有顺序，不能像有序分类变量的类别那样排序。例如，性别变量是一个二元变量，可以分为“男性”和“女性”两类。再比如，患心脏病也是二元变量，分为“是”和“否”两类。

二进制变量的类别是互斥的。一个研究对象不能同时属于两个类别。例如，一个人不能同时是男性或女性，也不能同时患有心脏病和没有心脏病。二进制变量的示例如下：

4、无序分类变量

无序分类变量是具有三个或更多类别的分类变量。无序分类变量的类别之间没有内在的顺序，也不能像有序分类变量的类别那样有序。例如，出行方式是一个典型的无序分类变量，可以分为自行车、自驾、出租车、地铁或公交车五类。无序分类变量的类别也是互斥的。一个研究对象不能同时属于不同的类别。例如，一趟不能同时乘坐地铁和自驾。一个无序分类变量的例子如下：

是否区分自变量和因变量

自变量也称为预测变量或解释变量，因变量也称为响应变量或结果变量。两者的区别在于自变量可以影响因变量，因变量的值取决于对应自变量的值。因果关系也可以用来区分自变量和因变量，即自变量的变化导致因变量的变化（但自变量和因变量之间不一定存在因果关系）。自变量是对因变量的描述，因变量可以用自变量来解释。

研究设计还可以帮助我们区分自变量和因变量。例如，我们计划进行一项研究，分析不同剂量药物的治疗效果，其中治疗药物为自变量，治疗效果为因变量。

比如我们想知道抗感染药物的剂量（1.5mg/d、4mg/d或8mg/d）与患者发热持续时间的关系，抗感染药物的剂量是自变量，因为该剂量是由研究者干预产生的，并且可能是导致发热持续时间差异的原因；在这项研究中，同时发热持续时间是因变量。

横断面调查不区分自变量和因变量。例如，研究人员调查了受试者的工作效率（1-5 类：1 非常有效，5 非常低效）与​​运动状态（1-4 类：1 是经常运动，4 是不运动）的关系。

在本研究中，受访者的工作效率与运动状态之间没有明确的因果关系，因为效率高可能意味着受访者有更多的时间锻炼，反之亦然，定期锻炼也可能提高工作效率。因此，我们不区分本研究的自变量和因变量。

选择测试方法

本文首先描述了研究中涉及的两个变量。

1.1 是连续变量

①相关

相关性用于评估两个连续变量之间的线性关联强度。这种统计方法本身并没有区分自变量和因变量，但是如果你已经根据研究背景区分了变量，我们仍然可以使用这种方法来判断相关性。

②简单线性回归

相关性不区分自变量和因变量。虽然这并不影响我们使用相关性来分析两个连续变量的相关性，但是如果还想区分统计方法，可以使用线性回归。

1.2 是有序的分类变量

还需要判断序数分类变量是否为距离变量。如果要分析的序数分类变量被认为是一个范围变量，我们可以给变量中的类别赋值，然后根据这些值进行分析（即把它当作一个连续变量），例如测量满意度（从“完全同意”到“完全不同意”5 个类别）是一个距离变量，可以为每个类别分配 1-5 的值，即 1=非常同意，2=同意，3=平均, 4=不同意，5=非常不同意。

对于不能作为定距变量的有序分类变量，例如军衔的类别（少将、中将、上将、上将等）不是等距的，所以不能赋值​​分析值​​​​（仅分析类别）。

实际上，在大多数情况下，将有序分类变量分析为连续变量可能无法达到我们的目的。分析类别是有序分类变量相关性分析的常见选择。但是，如果基于研究背景，将要分析的序数分类变量确实可以作为区间变量处理，这也是可能的。

(1）可以认为是一个距离变量

- 趋势测试。该检验也称为 - 卡方检验、 - 趋势卡方检验。该检验根据研究人员对有序分类变量的类别的分配确定两个有序分类变量之间的线性趋势。

(2）不能视为区间变量

①相关

相关性，也称为等级相关性，用于检验与至少一个有序分类变量的关联强度和方向。

②的tau-b相关系数

的 tau-b 相关系数是一种非参数分析方法，用于测试与至少一个有序分类变量的关联强度和方向。该测试与相关应用基本相同，但更适用于具有多个关联的数据（如列联表）。

1.3都是无序的分类变量

①卡方检验

卡方检验常用于分析无序分类变量之间的相关性，也可用于分析二元变量之间的关系。但是，该检验只能分析相关性的统计显着性，不能反映相关性的强弱。因此，我们经常结合 的 V 检验来表示关联的强度。

②精确测试

精确检验可用于检验任意R*C数据之间的相关性，但最常用于分析2*2数据，即两个二元变量之间的相关性。与只能拟合近似分布的卡方检验不同，精确检验可以分析精确分布，更适合分析小样本数据。但该检验与卡方检验一样，只能分析相关性的统计显着性，不能反映相关性的强弱。

1.4都是二进制变量

确定两个二元变量的相关分析后，需要判断是否区分自变量和因变量。

(1）区分自变量和因变量

①相对风险（RR值）

相对风险是流行病学或前瞻性队列研究中常用的指标，可以在一定条件下比较两个比例之间的关系，但所建议的结果是比例而不是差异。

②优势比（OR值）

优势比可用于计算多项研究中的关联强度，也是许多统计检验（如二元回归）的常用指标。在相对风险测量不适用的病例对照研究中，优势比仍然可以很好地反映结果。

(2）不区分自变量和因变量

①卡方检验和Phi（φ）系数

卡方检验可用于分析两个二分变量之间的关系。但是，该检验只能分析相关性的统计显着性，不能反映相关性的强弱。因此，该检验可以与 Phi (φ) 系数相结合，以表明关联的强度。

②精确测试

精确检验可用于检验任何 R*C 数据之间的关系，但最常用于分析 2*2 数据，即两个二元变量之间的相关性。与只能拟合近似分布的卡方检验不同，精确检验可以分析数据的精确分布，更适合小样本数据。但该检验与卡方检验一样，只能分析相关性的统计显着性，不能反映相关性的强弱。

1.5 一个是二元变量，一个是连续变量

点相关。点相关适用于分析二元变量和连续变量之间的相关性。其实这个检验是一种特殊形式的相关性，与相关数据假设一致，也可以在SPSS中通过相关模块进行计算，我们将在教程中介绍。

1.6 一个是二元变量，一个是序数分类变量

确定二元变量和有序分类变量的相关性分析后，需要判断是否区分自变量和因变量：

(1）有序分类变量为因变量

有序回归。序数回归本质上并非旨在分析二元和有序分类变量之间的相关性。但是，我们仍然可以使用序数回归及其对应的OR值来判断这两类变量之间的统计关联。

(2）二元变量为因变量

- 检查。 - 检验，也称为 - 趋势检验，通常用于分析有序分类自变量和二元因变量之间的线性趋势。该检验可以判断二元因变量所占比例随着序数分类变量的增加而变化的趋势，是对其线性趋势的统计分析。我们将在教程中进一步解释这一点。

这道题可以使用-卡方检验或-趋势检验。 - 卡方检验也称为线性趋势检验（Test for Trend）或序数检验（by Test）。

-卡方检验和-趋势检验的区别在于：-卡方检验要求一个变量是有序分类变量，另一个变量可以是二元变量或有序多分类多变的。而 -trend 测试要求一个变量是有序分类变量，另一个变量是二元分类变量。

SPSS不提供-trend检验，-chi-可以得到近似结果。 -趋势检验可以在SAS等其他软件中实现（SAS可以同时提供-趋势检验和-卡方检验的结果）。

(3）不区分自变量和因变量

等级相关性：等级相关性可用于分析二元和有序分类变量之间的相关性。当用二元分类变量预测有序分类变量时，该检验也称为 'd 检验。此外，Mann-U检验还可以输出秩相关结果。

1.7、一个是有序分类变量，一个是连续变量

相关。没有适合分析有序分类变量和连续变量之间相关性的检验方法。我们需要将连续变量作为有序分类变量进行检验，即分析两个有序分类变量之间的关系。在这种情况下，我们可以对有序分类变量应用相关性或其他检验。

郑重声明：本文版权归原作者所有，转载文章仅出于传播更多信息之目的。如果作者信息标注有误，请尽快联系我们修改或删除，谢谢。