spss雙變量相關分析?典型相關分析的基本思路：，下面我們就來聊聊關于spss雙變量相關分析?接下來我們就一起去了解一下吧!

spss雙變量相關分析

典型相關分析的基本思路：

首先采用類似主成分分析的方法，在兩組連續變量中分别提取變量的線性組合（綜合變量），使兩組的綜合變量間具有最大的相關性。然後在兩組連續變量中分别提取第二對線性組合，使提取的綜合變量與第一對線性組合不相關，但是第二對線性組合之間具有最大的相關性。如此下去，直到無法提取具有相關性的線性組合為止。提取的綜合變量被稱為“典型變量”。

第i對典型變量之間的相關系數被稱為第i典型相關系數。

簡單線性相關和複相關都是典型相關的特例。

案例

老年人靜态平衡能力與動态平衡能力之間的典型相關分析

（1）實驗設計簡介

測試老年人靜态平衡和動态平衡指标。動态平衡指标：Center、VM、HM、Rot. speed。靜态平衡指标：Lng、Area、Lng/A。

（2）SPSS操作

1）分析-相關-典型相關性

圖1

2）動态平衡四個指标放入"集合1"，靜态平衡三個指标放入"集合2"

點擊"确定"，查看結果。

圖2

（3）SPSS結果

圖3

圖3中，第1行為動态平衡和靜态平衡的第1對典型變量之間相關分析的結果。第2行為第2對典型變量之間相關分析的結果。

第1典型相關系數為0.812，第2典型相關系數為0.607，對典型相關系數的Wilks檢驗結果表明，第1和第2典型相關系數的P＜0.05，說明動态平衡和靜态平衡存在相關性。第3典型相關系數不具有統計學意義，不需要考慮。

由于典型變量是從原始變量提取出來的，所有需要根據典型變量的意義具體考慮兩者的相關特征。

圖4

圖4中，指标的标準化典型相關系數的絕對值越大，說明指标對典型變量的貢獻越大。動态與靜态典型相關分析的第1對典型變量中，對代表動态平衡的典型變量U1貢獻較高的指标為Center、HM，對代表靜态平衡典型變量V1貢獻較高的指标為Area、Lng/A；第2對典型變量中，對代表動态平衡的典型變量U2貢獻較高的指标為HM、Center，對代表靜态平衡典型變量V2貢獻較高的指标為Lng、Area。

圖5

典型載荷是原始變量與其典型變量之間的相關系數。兩次提取典型變量時，相關系數的差異性在一定程度上也能體現所提取信息的差異性。一般而言，差異性越大，典型變量對樣本信息的概括性越好。

圖5中，動态與靜态的典型相關分析中，第1對典型變量和第2對典型變量對應的相關系數方向相反，說明兩次提取的動态或靜态成分差異較大。

動态與靜态典型相關分析的第1對典型變量中，Center、HM、VM與表示動态平衡的典型變量U1具有負相關關系，Rot.speed與U1具有正相關關系，所以，此處U1為"低優指标"，U1越小，動态平衡能力就越好；Lng、Area與表示靜态平衡的典型變量V1具有負相關關系，Lng/A與V1幾乎沒有相關性，所以，此處V1為"高優指标"，V1越大，靜态平衡能力就越好。

U1與V1的典型相關系數為0.812（圖4），所以主要代表Center、HM的動态平衡成分與主要代表Area、Lng/A的靜态平衡成分具有較高的負相關關系（r=-0.812）。

同理，U2與V2的典型相關系數為0.607，主要代表HM、Center的動态平衡成分與主要代表Lng、Area的靜态平衡成分具有中等的負相關關系（r=-0.607）。

圖6

交叉載荷體現了原始變量與其對立的典型變量之間的相關系數，表示原始變量被其對立典型變量預測的可能性。

表6中，以相關系數的絕對值大于0.5為标準，動态與靜态典型相關分析中，與V1具有一定相關性的為HM，與U1具有較高相關性的為Lng、Area，與U2具有一定相關性的為Lng/A。

HM可以由主要代表Area、Lne/A的靜态平衡典型變量V1預測，Lng和Area可以由主要代表Center、HM的動态平衡典型變量U1預測，Lng/A可以由主要代表HM、Center的動态平衡典型變量U2預測。相關系數分别為-0.506、-0.715、-0.748和-0.518，決定系數分别為0.26、0.51、0.56、0.27。可見，中間兩個指标的預測效果較好，其餘兩個指标預測效果一般。

小結，動态平衡和靜态平衡測試中，除了給出上面的幾個反映平衡能力的指标，還經常會給出動态得分、靜态得分這樣的能夠總體概括動态平衡能力和靜态平衡能力的指标。如果直接采用動态得分與靜态得分的線性相關系數來表達兩種平衡能力之間的相關性，則較為片面，因為動态平衡和靜态平衡都包括了不同的評價維度（類似"體質"，包括形态、機能、素質等幾個方面）。因此，可以采用典型相關分析，根據典型變量的典型相關系數、标準化典型相關系數、典型載荷、交叉載荷等揭示動态平衡與靜态平衡之間存在的内部聯系。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!