Stata学习笔记——相关性分析及解读

什么是关系分析？它简单地说就是看看两个变量是否总是一起移动。
例如，关于您的身高和体重，较高的人出去玩的次数是否更多？
先说说目的。
这些东西可以帮助您选择哪些变量可以在回归游戏中一起发挥作用。
为了继续进行，变量之间必须存在某种关系。

然后我们说说怎么玩。
数据首先要标准化，比如身高、体重的变化要统一指导。
然后，使用比较命令，您可以看到变量的比较程度。

如果您想查看变量是否总是一起变化，请使用协方差矩阵。
该矩阵中的数字越大，关系越强。

如果要判断关系是否真实，就用P值。
如果P值较小，则关系稳定。

还有一个偏相关分析，排除其他变量的影响，看看两个变量是否真的铁定。

最后你必须检查共线性。
什么是共线性？只是各个变量之间的相关性太强，很容易屈服于回归分析。
查看 VIF 值是否共线。
如果VIF值过高，应采取措施去除强相关变量，或使用回归线来挽回局面。

概括起来，相关性分析就是看变量之间是否存在关系，如何处理这种关系，以及如何避免分析中出现麻烦。
看看，是真的吗？

想问一下怎么用spss分析自变量和因变量之间的相关系数？

结论：SPSSAU相关分析步骤： 1 .检查Y和X之间的显着关系； 2 .确定相关性的方向（正或负）和强度； 3 .总结分析结果。

散点图和正态图用于观察数据的相关性和分布。

相关分析需要区分因变量和变量吗

老实说，了解因变量和自变量很重要，尤其是在进行分析时。
这两个概念很清楚。

1 .因变量，说白了，就是随自变量变化的量。
如果看一下函数 Y=f(X)，Y 是因变量，X 是自变量。
这意味着什么？如果X改变，Y也一定会改变。
就像你学英语一样，你每天记住的单词数（自变量）会增加，你的考试成绩（因变量）也肯定会增加。

2 自变量是您可以控制和更改的量。
例如，在实验中，您给老鼠服用不同剂量的药物，这些剂量就是自变量。
实验者积极地操纵它，看看它如何影响结果。
正如去年的新闻一样，人们正在研究咖啡因对睡眠的影响。
咖啡因的量是自变量。
研究人员给受试者提供了不同量的咖啡。

3 两者之间的关系非常关键。
自变量是原因，因变量是结果。
当自变量发生变化时，因变量也会发生变化。
就像你什么时候上下班、早上几点出发（自变量）、路上是否有交通（因变量）。
如果6 点出发，可以准时到达；如果你八点钟出发就晚了。

因变量在实验中非常重要。
主要有以下三点：
1 ．来衡量实验的效果。
例如，去年的一项研究想要了解一种新药对高血压的影响。
患者服药前的血压值（因变量）是多少？服药后血压下降了多少？这是为了看看实验的效果。
如果能降低血压2 0%，就说明这个药相当有效。

2 确定因果关系。
去年的研究中，如果药物组的血压明显下降，而非药物组没有变化，就说明药物确实起作用了。
这需要通过因变量来证明。

3 实验和控制设计。
设计实验时，必须选择正确的因变量。
例如，研究减肥药物时，不能只看体重（自变量），还要看体脂率和腰围（因变量）。
还必须控制其他混杂因素，例如受试者不同时服用其他减肥药物。

说白了，因变量就是看自变量如何影响结果。
只有选择正确的因变量，您的实验才会可靠。