相关分析在论文中的应用与图形优化方法

相关系数可用来衡量两个变量之间的相关性的大小，根据数据满足的不同条件，我们要选择不同的相关系数进行计算和分析。
本文着重与相关系数的应用，对数理推导不做过多介绍。
同时，我们在进行相关性检验时，不当当是看相关系数的大小，而是需要对其进行假设检验，假设检验的过程不在本文中叙述

目录

• 一、SPSS中支持的相关系数的介绍
  • 1.Pearson简单相关系数
    • （1）Pearson简单相关系数的条件
  • 2.Spearman等级相关系数
  • 3.Kendallz τ相关系数
• 二、矩阵散点图————多变量相关分析的前置任务
  • 1.利用SPSS画矩阵散点图
• 三、多变量皮尔逊相关系数矩阵的计算与图形优化
  • 1.corrcoef函数： correlation coefficient相关系数
  • 2.利用excel美化相关系数表
    • （1）清除格式
    • （2）调整行高列宽
    • （3）设置居中对齐与保留的小数位数（一般四位）
    • （4）设置色阶
    • （5）调整色阶设置

一、SPSS中支持的相关系数的介绍

1.Pearson简单相关系数

Pearson简单相关系数用来度量两数值型变量间的线性且只能是线性相关关系。如测度收入和储蓄身高和体重、工龄和收入等变量间的线性相关关系时可用Pearson简单相关系数。

（1）Pearson简单相关系数的条件

因此，在进行Pearson简单相关系数的假设检验中，我们还需要对数据进行正态性检验

2.Spearman等级相关系数

Spearman等级相关系数主要用于定序型的变量，但是数值型的也能用。
其中，Spearman等级相关系数用的不是原始数据，而是使用原始数据的秩（也就是排名）来进行计算。思想如图下所示

3.Kendallz τ相关系数

Kendallz τ相关系数与前面介绍的等级相关系数略有不同，采用的是秩的一致对数目。
如果两个变量之间没有关系，则一致对数目和非一致对数目应该相差不大；具体思想如下图：

二、矩阵散点图————多变量相关分析的前置任务

在进行相关分析时，相关系数基本上只能反应线性关系，我们需要先画图观察变量之间是否有线性关系，才能决定是否使用相关系数
在变量很多的情况下，一个一个画散点图效率极低。因此我们会使用矩阵散点图去一步把这个问题给解决

1.利用SPSS画矩阵散点图

找到旧对话框中的矩阵散点图

将变量移动到矩阵变量

得到图像

三、多变量皮尔逊相关系数矩阵的计算与图形优化

1.corrcoef函数： correlation coefficient相关系数

函数的用法如图所示

2.利用excel美化相关系数表

在得到相关系数表后，我们不能直接把这种不美观的图插入论文，需要对其进行美化

（1）清除格式

（2）调整行高列宽

参考值：行高50；列宽10

（3）设置居中对齐与保留的小数位数（一般四位）

（4）设置色阶

在excel中的条件格式中选择，此处选择的是“红--白--蓝”

（5）调整色阶设置

条件格式————管理规则————编辑规则；在此除设置好最小值，中间值，最大值