相关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值一般介于-1～1之间。相关系数不是等距度量值,而只是一个顺序数据。计算相关系数一般需大样本. 相关系数又称皮（尔生）氏积矩相关系数，说明两个现象之间相关关系密切程度的统计分析指标。 相关系数用希腊字母γ表示，γ值的范围在-1和+1之间。 γ＞0为正相关，γ＜0为负相关。γ＝0表示不相关； γ的绝对值越大，相关程度越高。 两个现象之间的相关程度，一般划分为四级： 如两者呈正相关，r呈正值，r=1时为完全正相关；如两者呈负相关则r呈负值，而r=-1时为完全负相关。完全正相关或负相关时，所有图点都在直线回归线上；点子的分布在直线回归线上下越离散，r的绝对值越小。当例数相等时，相关系数的绝对值越接近1，相关越密切；越接近于0，相关越不密切。当r=0时，说明X和Y两个变量之间无直线关系。 相关系数的计算公式为<见参考资料>. 其中xi为自变量的标志值；i＝1，2，…n；■为自变量的平均值， 为因变量数列的标志值；■为因变量数列的平均值。 为自变量数列的项数。对于单变量分组表的资料，相关系数的计算公式<见参考资料>. 其中fi为权数，即自变量每组的次数。在使用具有统计功能的电子计算机时，可以用一种简捷的方法计算相关系数，其公式<见参考资料>. 使用这种计算方法时，当计算机在输入x、y数据之后，可以直接得出n、■、∑xi、∑yi、∑■、∑xiy1、γ等数值，不必再列计算表。 简单相关系数： 又叫相关系数或线性相关系数。它一般用字母r 表示。它是用来度量定量变量间的线性相关关系。 复相关系数: 又叫多重相关系数
标准差（Standard Deviation ） ，也称均方差（mean square error ），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用S （σ）表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。 标准差也被称为标准偏差，或者实验标准差，公式如下两式： ()1 n x x S n 1 i 2 i --= ∑= 或 1 n n x x S 2 n 1i i n 1 i 2i -??? ??- =∑∑ == 即： () 1 n x x 1 n n x x S n 1 i 2 i 2 n 1i i n 1 i 2i --= -??? ??- = ∑∑∑ === 如是总体，标准差公式根号内除以n 如是样本，标准差公式根号内除以（n-1) 因为我们大量接触的是样本，所以普遍使用根号内除以（n-1) 公式意义 所有数减去其平均值的平方和，所得结果除以该组数之个数（或个数减一)，再把所得值开根号，所得之数就是这组数据的标准差。 标准差越高,表示实验数据越离散,也就是说越不精确；反之,标准
差越低,代表实验的数据越精确 简单来说，标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。 例如，两组数的集合{0, 5, 9, 14} 和{5, 6, 8, 9} 其平均值都是7 ，但第二个集合具有较小的标准差。 标准差可以当作不确定性的一种测量。例如在物理科学中，做重复性测量时，测量数值集合的标准差代表这些测量的精确度。当要决定测量值是否符合预测值，测量值的标准差占有决定性重要角色：如果测量平均值与预测值相差太远（同时与标准差数值做比较），则认为测量值与预测值互相矛盾。这很容易理解，因为如果测量值都落在一定数值范围之外，可以合理推论预测值是否正确。 标准差应用于投资上，可作为量度回报稳定性的指标。标准差数值越大，代表回报远离过去平均数值，回报较不稳定故风险越高。相反，标准差数值越细，代表回报较为稳定，风险亦较小。 例如，A、B两组各有6位学生参加同一次语文测验，A组的分数为95、85、75、65、55、45，B组的分数为73、72、71、69、68、67。这两组的平均数都是70，但A组的标准差为17.07分，B组的标准差为2.37分（此数据时在R统计软件中运行获得），说明A组学生之间的差距要比B组学生之间的差距大得多。
参见： [1] 衷克定数据统计分析与实践—SPSS for Windows[M].北京：高等教育出版社，2005.4：195— [2] 试验设计与SPSS应用[M].北京，化学工业出版社，王颉著，2006.10：141— 多元相关与偏相关 如何用SPSS求相关系数 1 用列联分析中，计算lamabda相关系数，在分析——描述分析——列联分析 2 首先看两个变量是否是正态分布，如果是,则在analyze-correlate-bivariate中选择 pearson相关系数，否则要选spearman相关系数或Kendall相关系数。如果显著相关，输出结果会有*号显示，只要sig的P值大于0.05就是显著相关。如果是负值则是负相关。 在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同 两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述. Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。 Kendall's tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格； 计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。 计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用spearman或kendall相关 Pearson 相关复选项积差相关计算连续变量或是等间距测度的变量间的相关分析Kendall 复选项等级相关计算分类变量间的秩相关，适用于合并等级资料 Spearman 复选项等级相关计算斯皮尔曼相关，适用于连续等级资料 注： 1若非等间距测度的连续变量因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关 2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用Spearman 或Kendall相关。 3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。 在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项：
相 关 系 数 r AB 的 计 算 公 式 的 推 导 设 A i 、 B i 分别表示证券 A 、证券 B 历史上各年获得的收益率； A 、 B 分别表示证券 A 、证券 B 各 年获得的收益率的平均数； P i 表示证券 A 和证券 B 构成的投资组合各年获得的收益率，其他符号的含义 同上。 2 = 1A n 1 2 = 1B n 1 2 1 P = 1 n = 1 n 1 = 1 n 1 = 1 n 1 = 1 n 1 =A 2 A × =A 2 2 A A ( A i A) 2 (B i B) 2 (P i 1 P i ) 2 n 1 [( A A A i A B B i ) ( A A A i A B B i )]2 n [( A A A i A B B i ) (A A A A B B)] 2 [ A A ( A i A) A B (B i B)] 2 [ 2 ( A i ) 2 2 ( B i B ) 2 2 A A A B ( A i )( B )] A A A A B A B i ( A i A) 2 A B 2 × ( B i B) 2 2A A A B [( A i A)( B i B)] n 1 n 1 n 1 2 2 2A A A B [( A i A)( B i B)] A B B n 1 对照公式（ 1）得： ( A i A) 2 (B i B) 2 = × n × r AB n 1 1 ∴ r AB = [( A i A)( B i B)] ( A i A)2 (B i B) 2 这就是相关系数 r AB 的计算公式。 投资组合风险分散化效应的内在特征 1. 两种证券构成的投资组合为最小方差组合（即风险最小）时各证券投资比例的测定 公式（ 1）左右两端对 A A 求一阶导数，并注意到 A B =1—A A ： 2 2 2 A B r AB ( P )′=2A A A －2(1 －A A ) B ＋ 2 (1 － A A ) A B r AB －2A A 令 ( P 2 )′=0 并简化，得到使 P 2 取极小值的 A A ： 2 B r AB A A = B A （ 3） 2 2 2 A B r AB A B 式中,0 ≤ A A ≤ 1, 否则公式（ 3）无意义。
标准差σ的4种计算公式: 简易标准差,Rbar/d2，Sbar/C4和Minitab中 标准差σ的4种计算公式: 简易标准差,Rbar/d2，Sbar/C4和Minitab中的Pooled standard deviation(合并标准差) 做数据分析，经常会碰到提到标准差σ这个概念，关于标准差σ的计算方式，目前，本人知道有4种标准差σ的计算方法，如下： 一，简易标准差σ的计算方式 上面是计算整体的标准差，如果是计算样本的标准差，这里的N, 应该为N-1. 一般情况下，都是计算样本的标准差。关于这个标准的详细运算公式和案例分析，可以参考附件，里面有比较详细的解释。 标准差的简易计算公式和案例分析.rar(28.19 KB, 下载次数: 1262) 二，XBAR－R管制图分析( X－R Control Chart)图中的Rbar/d2 算法 XBAR－R管制图分析( X－R Control Chart)：由平均数管制图与全距管制图组成。 ●品质数据可以合理分组时，可以使用X管制图分析或管制制程平均；使用Ｒ管制图分析制程变异。 ●工业界最常使用的计量值管制图。
关于上面公式中用到的A2、A3、D2、D3、D4等常数请参考帖子下面的表格三，XBAR－ｓ管制图分析( X－ｓControl Chart)中的Sbar/C4算法 XBAR－S 管制图分析( X－S Control Chart)：由平均数管制图与标准差管制图组成。 ●与X－R管制图相同，惟s管制图检出力较R管制图大，但计算麻烦。 ●一般样本大小ｎ小于等于8可以使用R管制图，ｎ大于8则使用S管制图。 ●有电脑软件辅助时，使用S管制图当然较好。
统计相关计算 互协方差矩阵描述两个随机信号()i x ξ和()j x ξ之间的相关程度。一般来说，互协方差函数越大，则两个随机信号的相关程度越强；反之，相关程度越弱。但是，这种使用互协方差的绝对大小度量两个随机向量的相关程度并不方便。 两个随机变量()x ξ和()y ξ之间的相关系数定义为： def xy xy x y c ρσσ= (1.1) 2x σ和2y σ分别是()x ξ和()y ξ的方差。对相关系数的定义公式，易知 01xy ρ≤≤ (1.2) 相关系数xy ρ给出了两个随机变量()x ξ和()y ξ之间的相似程度的度量：xy ρ越接近于零，随机变量()x ξ和()y ξ之间的相似程度越弱；反之，xy ρ越接近于1，则变量()x ξ和()y ξ之间的相似程度越大。特别地，相关系数的两个极端值0和1有重要的意义。 容易验证随机变量()x ξ和()y ξ之间只相差一个固定的幅值比例因子和一个固定的相位角，这两个随机变量完全相关（或相干）。 备注：在操作时一般选择无偏的情况 Matlab 编程 %% 统计的数据相关 clear ; %生成两组数据各50个 x=randint(1,50,[1 10]); y=randint(1,50,[1 10]); %% 做两个数据的统计相关性当n 很大的时候有偏估计和无偏估计是一致的
% 数据的互协方差 hxfcwp=cov(x,y,0); %数据的无偏协方差除以数据n-1 hxfcyp=cov(x,y,1); %数据的有偏协方差除以数据n % 数据的标准差 bzcwpx=var(x,0); %数据的无偏方差除以数据n-1 bzcwpy=var(y,0); %数据的无偏方差除以数据n-1 bzcypx=var(x,1); %数据的有偏方差除以数据n bzcypy=var(y,1); %数据的有偏方差除以数据n % 相关性计算 Awuxgx=hxfcwp/(sqrt(bzcwpx)*sqrt(bzcwpy));%无偏的相关性 Ayuxgx=hxfcyp/(sqrt(bzcypx)*sqrt(bzcypy));%有偏的相关性 % 无偏的相关性和有偏的相关性得到的是2*2矩阵非对角元素是他们的相关性%% 更简单的是直接matlab自带结果 Az=corrcoef(x,y); %matlab自带的求解器非对角元素是他们的相关性
线性回归方程中的相关系数r r=∑(Xi-X的平均数)(Yi-Y平均数)/根号下[∑(Xi-X平均数)^2*∑(Yi-Y平均数)^2]
R2就是相关系数的平方， R在一元线性方程就直接是因变量自变量的相关系数，多元则是复相关系数 判定系数R^2 也叫拟合优度、可决系数。表达式是: R^2=ESS/TSS=1-RSS/TSS 该统计量越接近于1，模型的拟合优度越高。 问题：在应用过程中发现，如果在模型中增加一个解释变量，R2往往增大 这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。 ——但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，R2需调整。 这就有了调整的拟合优度: R1^2=1-(RSS/(n-k-1))/(TSS/(n-1)) 在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响: 其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。 总是来说，调整的判定系数比起判定系数，除去了因为变量个数增加对判定结果的影响。R = R接近于1表明Y与X1，X2 ，…，Xk之间的线性关系程度密切； R接近于0表明Y与X1，X2 ，…，Xk之间的线性关系程度不密切 相关系数就是线性相关度的大小，1为（100%）绝对正相关，0为0%，-1为（100%）绝对负相关 相关系数绝对值越靠近1，线性相关性质越好，根据数据描点画出来的函数-自变量图线越趋近于一条平直线，拟合的直线与描点所得图线也更相近。 如果其绝对值越靠近0，那么就说明线性相关性越差，根据数据点描出的图线和拟合曲线相差越远（当相关系数太小时，本来拟合就已经没有意义，如果强行拟合一条直线，再把数据点在同一坐标纸上画出来，可以发现大部分的点偏离这条直线很远，所以用这个直线来拟合是会出现很大误差的或者说是根本错误的）。 分为一元线性回归和多元线性回归 线性回归方程中,回归系数的含义 一元： Y^=bX+a b表示X每变动（增加或减少）1个单位,Y平均变动（增加或减少）b各单位多元： Y^=b1X1+b2X2+b3X3+a 在其他变量不变的情况下，某变量变动1单位，引起y平均变动量 以b2为例：b2表示在X1、X3（在其他变量不变的情况下）不变得情况下，X2每变动1单位，y平均变动b2单位 就一个reg来说y=a+bx+e a+bx的误差称为explained sum of square e的误差是不能解释的是residual sum of square
标准差 次数分布中的数据不仅有集中趋势，而且还有离中趋势。所谓离中趋势指的是数据具有偏离中心位置的趋势，它反映了一组数据本身的离散程度和差异性程度。标准差能综合反映一组数据的离散程度或个别差异程度。 例如，甲、乙两班学生各50人，其语文平均成绩都是80分，但甲班最高成绩98分，最低42分，而乙班最高成绩86分，最低60分。初步看出，两班语文成绩是不一样的，甲班学生的语文成绩个别差异程度大、水平参差不齐；而乙班学生的语文成绩差异程度小，语文水平整齐度大些。怎样用标准差这个特征量数来刻画一组数据的差异程度呢？下面介绍标准差的概念及计算。 一、标准差概念与计算 1.标准差定义与计算公式 一组数据的标准差，指的是这组数据的离差平方和除以数据个数所得商的算术平方根。若用S 代表标准差，则标准差的计算公式为： 标准差的平方，称为方差，用S2表示方差。 计算标准差时，首先要计算数据的平均数，接着要计算各数据与平均数之间的离差 平方，即（）2，最后由公式（2-5）计算标准差S。 例如，4名儿童的身高分别是110厘米，100厘米，120厘米和150厘米，若求4名儿童身高数据的标准差时，其基本步骤如下： ①求平均数：（厘米） ②求离差平方和： )2=(110―120)2+(100―120)2+(120―120)2+(150―120)2 =100+400+0+900=1400（平方厘米） ③求标准差S：S= （厘米）
这样，我们大体可认为，这4名儿童身高差异程度，从平均角度来看，约相差18.71厘米。 2.标准差的计算中心方法 计算标准差的方法有三种，一是按公式逐步分析计算，如上述所示；二是以列表计算的方式；三是利用计算器或计算机进行计算。下面再举一例说明采用列表方式计算标准差S。 [例7] 已知8 位同学在某图形辨认测验中的成绩数据（见表2-2），计算这组数据的标准差。 [分析解答] 采用列表计算方式,应用公式（2-5）确定数据的标准差，详见表2-2。 表2-2 计算标准差S的示例 - () (1) = (2) () = 标准差在实际中有广泛的用途，同时对深化研究数据也具有重要的作用。如不同班级考试成绩的平均数和标准差，不同年度或不同学科测验分数的平均数和标准差，以及其他体能测试或心理测验数据的平均数和标准差，就是一些具体的应用。后续各章内容的学习，将经常用到平均数、标准差和方差这些概念。 由于标准差计算公式结构适合于代数处理，因此，许多具有统计功能的计算器，都有计算方差和标准差的相应功能。学习者只要花少量时间学习与掌握有关计算器的使用，即可以轻松自如地处理大量数据，求取平均数和标准差。 在利用公式（2-5）手工求标准差时,如表2-２所示，由于平均数有小数，这使计算离差平方的数据更加复杂,小数点的位数加倍增加，同时四舍五入的计算误差以及出错的可能性都有所增加。为克服这个弊病，我们可从公式（2-5）出发,通过代数演算，推导出另一个与公式（2-5）等价的新公式，即公式（2-6）。这一新公式对计算标准差来讲，不用通过计 算平均数以及离差平方和，用原始数据直接计算标准差，因而在许多情况下，具有更简便、准确的特点。其计算公式：
Spss电脑实验－第六节(3)线性相关系数的计算 https://www.doczj.com/doc/f07742559.html,更新时间：2006-1-19 21:11:30 关注指数：7992 Ⅲ．线性相关系数的计算 1. 线性相关的概念 如果各统计指标是定量数据，要了解它们间的关系密切程度，可用线性相关分析。 例如：大家都知道的糖尿病病人，它靠胰岛素来治疗。现测量20 名糖尿病病人（以ID 来编号）血中的血糖值（y）、胰岛素值（x1）和生长激素值（x2）。我们即可分析 y、x1 和x2 间的两两/ 双变量间的线性关系。数据见下面的程序文件CorreRegre2.sps 的例*2。 2. 线性相关计算的所用命令 用SPSS Analyze 菜单中的子菜单Correlate，其中的Bivariate 对话框即可计算两两/ 双变量间的线性相关系数r 及其显著性。这是通常最常见、最常用的情况。 本例所用程序文件名为CorreRegre2.sps 中的例*2。（例*2 中还有用于偏相关系数与距离相关系数的计算命令，详后）。 ---------------------------------------------------------------- *2. Prof. Zhang Weng-Tong: SPSS 11, P.273-277:. DATA LIST FREE /ID y x1 x2. BEGIN DATA. 1 12.21 15.20 9.51 2 14.54 16.70 11.43 3 12.27 11.90 7.53 4 12.04 14.00 12.17 5 7.88 19.80 2.33 6 11.10 16.20 13.52 7 10.43 17.00 10.07 8 13.32 10.30 18.89 9 19.59 5.90 13.14 10 9.05 18.70 9.63 11 6.44 25.10 5.10 12 9.49 16.40 4.53 13 10.16 22.00 2.16 14 8.38 23.10 4.26 15 8.49 23.20 3.42 16 7.71 25.00 7.34 17 11.38 16.80 12.75 18 10.82 11.20 10.88 19 12.49 13.70 11.06 20 9.21 24.40 9.16 END DATA. CORRELATIONS /VARIABLES=y x1 x2 /PRINT=TWOTAIL NOSIG. NONPAR CORR /VARIABLES=y x1 x2 /PRINT=SPEARMAN TWOTAIL NOSIG.
标准差σ的4种计算公式
标准差σ的4种计算公式: 简易标准差,Rbar/d2，Sbar/C4和Minitab中标准差σ的4种计算公式: 简易标准差,Rbar/d2，Sbar/C4和Minitab中的Pooled standard deviation(合并标准差) 做数据分析，经常会碰到提到标准差σ这个概念，关于标准差σ的计算方式，目前，本人知道有4种标准差σ的计算方法，如下： 一，简易标准差σ的计算方式 上面是计算整体的标准差，如果是计算样本的标准差，这里的N, 应该为N-1. 一般情况下，都是计算样本的标准差。关于这个
关于上面公式中用到的A2、A3、D2、D3、D4等常数请参考https://www.doczj.com/doc/f07742559.html,/thread-476-1-1.html帖子下面的表格 三，XBAR－ｓ管制图分析( X－ｓControl Chart)中的Sbar/C4算法 XBAR－S 管制图分析( X－S Control Chart)：由平均数管制图与标准差管制图组成。
●与X－R管制图相同，惟s管制图检出力较R 管制图大，但计算麻烦。 ●一般样本大小ｎ小于等于8可以使用R管制图，ｎ大于8则使用S管制图。 ●有电脑软件辅助时，使用S管制图当然较好。 关于上面公式中用到的A2、A3、D2、D3、D4等常数请参考https://www.doczj.com/doc/f07742559.html,/thread-476-1-1.html帖子下面的表格 四，Minitab中所使用的Pooled standard
deviation(合并标准差) Minitab中所使用的Pooled standard deviation，这个标准差的计算和一般的不一样，这个是Minitab默认的，相关的计算公式可以参考《Minitab: Pooled standard deviation》https://www.doczj.com/doc/f07742559.html,/thread-288-1-1.html Minitab: Pooled standard deviation(合并标准差), Rbar, Sbar Pooled standard deviation(合并标准差) is a way to find a better estimate of the true standard deviation given several different samples taken in different circumstances where the mean may vary between samples but the true standard deviation (precision) is assumed to remain the same. It is calculated by where sp is the pooled standard deviation,
设A i 、B i 分别表示证券A 、证券B 历史上各年获得的收益率；A 、B 分别表示证券A 、证券B 各年获得的收益率的平均数；P i 表示证券A 和证券B 构成的投资组合各年获得的收益率，其他符号的含义同上。 2 A σ= 11 -n 2)(∑-A A i 2 B σ=1 1-n )(B B i -∑2 2 P σ=11-n 2)1(∑∑-i i P n P =2)](1 )[(11i B i A i B i A B A A A n B A A A n +-+-∑∑ =2)]()[(1 1 B A A A B A A A n B A i B i A +-+-∑ =2)]()([1 1 B B A A A A n i B i A -+--∑ =)])((2)()([1 122 22B B A A A A B B A A A A n i i B A i B i A --+-+--∑ =A 2 A × 2 2 1 )(B i A n A A +--∑× 1 )] )([(21 )(2 ---+ --∑∑n B B A A A A n B B i i B A i =A 1 )])([(22 2 2 2---? ++∑n B B A A A A A i i B A B B A A σσ 对照公式（1）得： = 1 )(2 --∑n A A i × 1 )(2 --∑n B B i × r AB ∴ r AB = ∑∑∑-?---2 2 ) ()()] )([(B B A A B B A A i i i i 这就是相关系数r AB 的计算公式。 投资组合风险分散化效应的内在特征 1.两种证券构成的投资组合为最小方差组合（即风险最小）时各证券投资比例的测定 公式（1）左右两端对A A 求一阶导数，并注意到A B =1—A A ： (2 P σ)′=2 A A 2 A σ－2 (1－A A )2 B σ＋2 (1－A A )B A σσ r AB －2A A B A σσ r AB 令 (2 P σ)′= 0 并简化，得到使2 P σ取极小值的A A ： AB B A i i r n B B A A σσ =---∑1 )])([(
二、常用相关分析方法及其计算 在教育与心理研究实践中，常用的相关分析方法有积差相关法、等级相关法、质量相关法，分述如下。 （一）积差相关系数 1. 积差相关系数又称积矩相关系数，是英国统计学家皮尔逊（Pearson ）提出的一种计算相关系数的方法，故也称皮尔逊相关。这是一种求直线相关的基本方法。 积差相关系数记作XY r ，其计算公式为 ∑∑∑===----= n i i n i i n i i i XY Y y X x Y y X x r 1 2 1 2 1 ) ()() )(( (2-20) 式中i x 、i y 、X 、Y 、n 的意义均同前所述。 若记X x x i -=,Y y y i -=，则（2-20）式成为 Y X XY S nS xy r ∑= (2-21) 式中n xy ∑称为协方差，n xy ∑的绝对值大小直观地反映了两列变量的一致性程 度。然而，由于X 变量与Y 变量具有不同测量单位，不能直接用它们的协方差 n xy ∑来表示两列变量的一致性，所以将各变量的离均差分别用各自的标准差 除，使之成为没有实际单位的标准分数，然后再求其协方差。即： ∑∑?= = )()(1Y X Y X XY S y S x n S nS xy r
Y X Z Z n ∑?= 1 (2-22) 这样，两列具有不同测两单位的变量的一致性就可以测量计算。 计算积差相关系数要求变量符合以下条件：（1）两列变量都是等距的或等比的测量数据；（2）两列变量所来自的总体必须是正态的或近似正态的对称单峰分布；（3）两列变量必须具备一一对应关系。 2. 积差相关系数的计算 利用公式 (2-20)计算相关系数，应先求两列变量各自的平均数与标准差，再求离中差的乘积之和。在统计实践中，为方便使用数据库的数据格式，并利于计算机计算，一般会将(2-20)式改写为利用原始数据直接计算XY r 的公式。即： ∑∑∑∑∑∑∑---= 2 22 2 ) () (i i i i i i i i XY y y n x x n y x y x n r (2-23) （二）等级相关 在教育与心理研究实践中，只要条件许可，人们都乐于使用积差相关系数来度量两列变量之间的相关程度，但有时我们得到的数据不能满足积差相关系数的计算条件，此时就应使用其他相关系数。 等级相关也是一种相关分析方法。当测量得到的数据不是等距或等比数据，而是具有等级顺序的测量数据，或者得到的数据是等距或等比的测量数据，但其所来自的总体分布不是正态的，出现上述两种情况中的任何一种，都不能计算积差相关系数。这时要求两列变量或多列变量的相关，就要用等级相关的方法。 1. 斯皮尔曼(Spearman)等级相关 斯皮尔曼等级相关系数用R r 表示，它适用于两列具有等级顺序的测量数据，或总体为非正态的等距、等比数据。
标准差和标准偏差 1）首先给出计算公式 标准差：σ=（1） 标准偏差：s =（2）方差就是标准偏差的平方 这下大家就困惑了，这两个公式分别表示什么意义？他们分别在什么情况下用？这两个公式是怎么来的？ 2）公式由来 标准差又叫均方差、标准方差，这个大家都不陌生，它是各数据偏离平均数的距离的平均数，是距离均差平方和平均后的方根，用σ表示。。说白了就是表示数据分本离散度的一个值。计算公式也很好理解，从一开始接触我们用的看的都是这个公式。 那么第二个公式，怎么来的呢？其实标准偏差从样本估计中来的。比如我们有一批数据，共10000个点，他们服从正太分布，很容易计算出它的均值和标准差。在这里我们叫做样本均值和样本标准差。表示如下： 样本均值：1 1n i i X X n ==∑ 样本方差：2211()n n i i s X X n ==-∑ 这两个公式就是大家常用的公式。那么现在我们认为，我们想用采集到的这10000个样本估计数据的真实分布，想要求出其均值μ和方差2σ。 对于均值μ，我们容易通过期望获得：
但是对于方差，我们知道 2 1 2 () n i i X X σ = - ∑ 是服从卡分分布2 1 n χ - 的（这一点请查阅卡分分布的 定义）。因此有下面的公式： 这个公式的第一个等号后面是利用期望的性质，试图构造卡分分布来求解。第二个等号后面是利用卡分分布的均值计算出来的。请自行查阅卡方分布的定义和性质。 这么一来，我们就能看出，X是μ的无偏估计，而2 n s则不是2σ的无偏估计。但是我们 可以通过对样本方差进行重新构造，从而是2 n s就是2σ的无偏估计。我们定义：这样我们重新来求解方差的期望： 这样一来，2s就是2σ的无偏估计，这也就是这个公式的由来。 3）这两个公式的应用。 在实际中，公式（2）用的更多。因为当样本容量比较小的时候，公式（1）会过小的估计实际标准差；如果样本容量较大，公式（1）和公式（2）很接近。这时候公式（1）叫做渐近无偏估计，当然还是比不上公式（2）的无偏估计喽。 看了上面这段话，你可能还不知道该用哪个。其实是这样的：如果我们想求一批数据的标准差，那么自然就用公式（1）。如果我们是利用现在的样本估计真实的分布，那么就用公式（2）。 4）在EXCEL中，方差是VAR(),标准偏差是STDEV()，函数里解释是基于样本，分母是除的N-1，其实就是公式（2）。还有个VARP()和STDEVP(),基于样本总体，分母是N，也就是说你关注的就是这批数据。 在Excel透视表中 标准偏差为=STDEVA()
相 关 系 数 r AB 的计算公式的推导 设A i 、B i 分别表示证券A 、证券B 历史上各年获得的收益率；A 、B 分别表示证券A 、证券B 各年获得的收益率的平均数；P i 表示证券A 和证券B 构成的投资组合各年获得的收益率，其他符 号的含义同上。 2 A σ=1 1-n 2)(∑-A A i 2 B σ=1 1-n )(B B i -∑2 2 P σ= 12)1(-i i P P 公式（1）左右两端对A A 求一阶导数，并注意到A B =1—A A ： (2P σ)′=2 A A 2A σ－2 (1－A A )2B σ＋2 (1－A A )B A σσ r AB －2A A B A σσ r AB 令 (2P σ)′= 0 并简化，得到使2 P σ取极小值的A A ： A A =AB B A B A AB B A B r r σσσσσσσ22 22-+- … …………………………………（3） 式中, 0≤A A ≤1,否则公式（3）无意义。 由于使(2P σ)′=0的A A 值只有一个，所以据公式（3）计算出的A A 使2 P σ为最小值。
以上分析清楚地说明：对于证券A和证券B，只要它们的系数r AB 适当小（r AB 的“上限”的 计算，本文以下将进行分析），由证券A和证券B构成的投资组合中，当投资于风险较大的证券B 的资金比例不超过按公式（3）计算的（1—A A ），会比将全部资金投资于风险较小的证券A的方 差（风险）还要小；只要投资于证券B的资金在（1—A A ）的比例范围内，随着投资于证券B的资 金比例逐渐增大，投资组合的方差（风险）会逐渐减少；当投资于证券B的资金比例等于（1—A A ）时，投资组合的方差（风险）最小。这种结果有悖于人们的直觉，揭示了风险分散化效应的内在特征。按公式（3）计算出的证券A和证券B的投资比例构成的投资组合称为最小方差组合，它是证券A和证券B的各种投资组合中方差（亦即风险）最小的投资组合。
直接转的：看看对你有帮助没有。 Sfcu=[(∑ fcu?i2-n?mfcu2)/(n-1)]1/2 公式表述显示不明，用语言表述下，即公式中的2和1/2都应为上角表，分别表示平方和根号（开平方）。 语言表述如下：fcu.i的平方求和再减去n 乘以fcu平均值的平方，用他们的差再除以（n-1）这样得出的除数开方；也可以是fcu.i-fcu平均值差的平方求和得出的数再除以（n-1）这样得出的除数开方。当Sfcu<0.06fcu,k时，取Sfcu=0.06fcu,k 具体参数表述如下： fcu,k一混凝土立方体抗压强度标准值 fcu为设计强度标准值 mfcu为平均值 n为试块组数 Sfcu为n组试块的强度值标准差 fcu.i : 第i组试块的立方体抗压强度值
在线规范网https://www.doczj.com/doc/f07742559.html, 协助网站：给排水On Line 5.4 混凝土强度换算及推定 5.4.1 混凝土强度换算值可采用以下三类测强曲线计算： 1 统一测强曲线：由全国有代表性的材料、成型养护工艺配制的混凝土试件，通过试验所建立的曲线。其允许的强度平均相对误差(δ)应为±15.0％，相对标准差(er)不应大于18.0％。 2 地区测强曲线：由本地区常用的材料、成型养护工艺配制的混凝土试件，通过试验所建立的曲线。其允许的强度平均相对误差(δ)应为±14.0％，相对标准差(er）不应大于17.0％。 3 专用测强曲线：由与结构或构件混凝土相同的材料、成型养护工艺配制的混凝土试件，通过试验所建立的曲线。其允许的强度平均相对误差(δ)应为±12.0％，相对标准差(er)不应大于14.0％。 4 平均相对误差(δ)和相对标准差(er)的计算应符合本规程附录F的规定。 5 各检测单位应按专用测强曲线、地区测强曲线、统一测强曲线的次序选用测强曲线。 5.4.2 地区和专用测强曲线应与制定该类测强曲线条件相同的混凝土相适应，不得超出该类测强曲线的适用范围。应经常抽取一定数量的同条件试件进行校核，当发现有显著差异时，应及时查找原因，并不得继续使用。 5.4.3 符合下列条件的混凝土应采用本规程附录G进行测区混凝土强度换算： 1 混凝土采用的材料、拌和用水符合国家现行的有关标准； 2 不掺引气型外加剂； 3 采用普通成型工艺； 4 采用符合现行的《铁路混凝土与砌体工程施工质量验收标准》(TB10424)规定的模板； 5 自然养护或蒸汽养护出池后经自然养护7d以上，且混凝土表层为干燥状态； 6 龄期为14～1000d； 7 抗压强度为10～60MPa。 5.4.4 当有下列情况之一时，测区混凝土强度值不得按本规程附录G换算，但可制定专用测强曲线或通过试验进行修正，专用测强曲线的制定方法宜符合本规程附录F的有关规定：
三种常用的不同变量之间相关系数的计算方法 1．定类变量之间的相关系数． 定类变量之间的相关系数，只能以变量值的次数来计算，常用λ系数法， 其计算公式为： (3.2.12) 式中，为每一类x中y分布的众数次数；为变量y各分类次数的众数次数；n为总次数。一般来说，λ系数在0～1之间取值，值越大表明相关程度越高。 例如，性别与对吸烟的态度资料见表3—2。 表3—2 性别与对吸烟态度 态度y 性别x 男女合计（Fy） 容忍反对37 15 8 42 45 57 合计（Fx）52 50 102 从y的分布来看，对吸烟的态度众数是“反对”，众数次数为57,即＝57。再从x的每 一个分组(男、女)中y的次数分布来看，男性中y的分布众数是“容忍”，次数为37(f1m)；女性中y的分布众数是“反对”，次数为42(f2m)；总次数为102(n)。于是， 从计算结果可知，性别与对吸烟态度的相关程度为0.49，属于中等相关。 2．定序变量之间的相关系数
定序变量之间的相关测量常用Gamma系数法和Spearman系数法。Gamma系数法计算公式为： (3.2.13) 式中，G为系数；Ns为同序对数目；Nd为异序对数目。 所谓序对是指表明高低位次的两两配对，如果一对个案在变量x，y的分类表现位次一致，则为同序对；如果位次相反，则为异序对。 G系数取值在—1--十1之间。G=1，表示完全正相关；G=-1，表示完全负相关；G=0,表示完全不相关；－1 计算全距、平均差、方差和标准差 一、全距 R（range） 全距是一组数据中的最大值（maximum）与该组数据中最小值（minimum）之差，又称极差。 R＝Xmax－Xmin 一般用于研究的预备阶段，用它检查数据的分布范围，以便确定如何进行统计分析 原始数据计算公式 三、四分位差(Quartile) 四分位差是第一个四分位数与第三个四分位数之差计算公式为 Q=Q 3-Q 1 四、方差与标准差 方差：又称为变异数、均方，是每个数据与该组数据平均数之差乘方后的均值，是表示一组数据离散程度的统计指标。 样本的方差用表示，总体的方差用表示。 标准差是方差的算术平方根。一般样本的标准差用 S 表示，总体的标准差用表示。 标准差和方差是描述数据离散程度的最常用的差异量。 分组数据方差与标准差的计算公式 方差与标准差的性质 ?方差是对一组数据中各种变异的总和的测量,具有可加性和可分解性特点。 ?标准差是一组数据方差的算术平方根，它不可以进行代数计算，但有以下特性： 总体方差、标准差或者方差、标准才差的合成 ?方差具有可加性的特点。当已知几个小组数据的方差或标准差时，可 以计算几个小组联合在一起的总的方差或标准差。 ?需要注意的是，只有在应用同一种观测手段，测量的是同一种特质，只是样本不同的数据时，才能计算合成方差或标准差。 方差和标准差的优点： 方差与标准差是表示一组数据离散程度的最好指标，其值越大，离散程度越大。 应用方差和标准差表示一组数据的离散程度，须注意必须是同一类数据（即同一种测量工具的测量结果），而且被比较样本的水平比较接近。 优点： ?反应灵敏。每个数据发生变化，方差与标准差也随之变化 ?有一定计算公式的严密确定 ?容易计算 ?受抽样变动的影响小 ?简单明了 ?方差具有可加性（区分变异源，组间/组内） 五、差异系数（coefficient of variation） 差异系数指标准差与其算术平均数的百分比，它是没有单位的相对数。用CV表示。 何种情况下运用差异系数： ?两个或两个以上样本所测特质不同，即所使用的观测工具不同，如何比较两者的离散程度？ ?即使使用同一种观测量具，但样本水平相差较大，如何比较其离散程度？ 差异系数的作用 ?比较不同单位资料的差异程度 ?比较单位相同而平均数相差较大的两组资料的差异程度 ?可判断特殊差异情况 3种相关系数的区别 在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述. Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。 Kendall's tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格； 计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。 计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用spearman或kendall相关 Pearson 相关复选项积差相关计算连续变量或是等间距测度的变量间的相关分析 Kendall 复选项等级相关计算分类变量间的秩相关，适用于合并等级资料 Spearman 复选项等级相关计算斯皮尔曼相关，适用于连续等级资料 注： 1若非等间距测度的连续变量因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关 2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用Spearman 或Kendall相关。 3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。 在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项： Pearson Kendall's tau-b Spearman：Spearman spearman（斯伯曼/斯皮尔曼）相关系数 斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法” 斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究 Kendall's相关系数 肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的计算全距平均差方差和标准差
SPSS 3种相关系数的区别
相关主题
文本预览