spss26没有典型相关性分析_SPSS在线_SPSSAU_SPSS典型相关分析
4、SPSSAU输出结果
此表格展示出典型变量的提取情况,上表中共显示有5个典型变量被提取出来,在进行F
检验时显示,其中仅2个典型变量是呈现出0.01水平的显著性,因此,最终应该以两个典型变量为准进行后续研究。并且第一个典型变量的相关系数值为0.763,第二个典型变量为0.706,相关系数值较高,说明典型变量之间有着紧密的正向相关关系。此步骤非常重要,共提取出2个典型变量,并且直接得出典型变量对的相关关系情况(即X组和Y组之间的相关关系情况)。
通俗上讲,即可理解为总共X组7项指标,与Y组5项指标之间,最终可由两个典型变量对进行浓缩提取表示,而且此2个典型变量间的相关系数值均高于0.7,说明X组和Y组之间有着非常紧密的正向相关关系。
特别提示
上表格显示共提取出5个典型变量,因而接下来共3个表格均会以5个为准展示信息;但是仅2个典型变量呈现出显著性,因此,在具体分析时,仅分析对应的2个典型变量即可,其余3个没有呈现出显著性的典型变量不需要深入分析。
典型变量是成对出现的,比如当前两个典型变量分别是典型变量1和典型变量2;下述分析时会出现典型变量X1和典型变量Y1;典型变量X2和典型变量Y2。
上表格共展示出两项信息,分别是典型变量与X组7项指标的数学表达式(典型系数),以及典型变量与X组7项指标之间的相关关系(典型载荷系数);
从数学表达式上看可列出为如下:
典型变量X1 =
-0.015*x1-0.014*x2-0.002*x3-0.009*x4-0.004*x5-0.001*x6-0.002*x7
典型变量X2 =
0.008*x1-0.010*x2+0.000*x3+0.005*x4+0.010*x5+0.004*x6-0.008*x7
典型变量X3 =
0.037*x1-0.012*x2+0.000*x3-0.002*x4-0.007*x5+0.017*x6-0.002*x7
典型变量X3 =
-0.021*x1+0.011*x2+0.000*x3-0.019*x4+0.005*x5+0.013*x6-0.010*x7
典型变量X5 =
0.028*x1-0.006*x2+0.000*x3-0.021*x4-0.002*x5-0.007*x6+0.019*x7
从典型变量与X组7项指标的相关关系来看,其相关关系情况由典型载荷系数值表示,典型载荷系数绝对值越大说明该项与典型变量之间的相关关系越强:上述分析显示共有2个典型变量呈现出显著性,因而上表格的分析应该着重于研究此2个典型变量。典型变量X1与X组7项的相关关系(载荷系数)值分别是:-0.598,-0.751,-0.316,-0.296,-0.306,-0.277。典型变量X2与X组7项的相关系数(载荷系数)值分别是:0.311,-0.510,-0.118,0.039,0.773,-0.060,-0.163。
如果用图示表示的话,如下面两图所示:
上图非常直接的展示出第1个典型变量与7个指标之间的相关关系情况,明显的,典型变量与X1(反向横向跳),X2(纵跳)的关系很强,即典型变量更多地提取X1(反向横向跳),X2(纵跳)这两项的信息。
上图非常直接的展示出第2个典型变量与7个指标之间的相关关系情况,明显的,典型变量与X2(纵跳),X5(台阶试验指数)的关系很强,即典型变量更多地提取X2(纵跳),X5(台阶试验指数)这两项的信息。
上表格共展示出两项信息,分别是典型变量与Y组5项指标的数学表达式(典型系数),以及典型变量与Y组5项指标之间的相关关系(典型载荷系数);
从数学表达式上看可列出为如下:
典型变量Y1 =
0.271*y1-0.001*y2-0.012*y3-0.010*y4-0.000*y5
典型变量Y2 =
-0.353*y1-0.004*y2-0.016*y3+0.002*y4-0.005*y5
典型变量Y3 =
0.150*y1+0.001*y2+0.010*y3-0.021*y4-0.004*y5
典型变量Y4 =
0.206*y1-0.003*y2+0.059*y3+0.035*y4+0.002*y5
典型变量Y5 =
-0.238*y1-0.000*y2+0.042*y3-0.042*y4+0.001*y5
从典型变量与Y组5项指标的相关关系来看,其相关关系情况由典型载荷系数值表示,典型载荷系数绝对值越大说明该项与典型变量之间的相关关系越强:上述分析显示共有2个典型变量呈现出显著性,因而上表格的分析应该着重于研究此2个典型变量。典型变量Y1与Y组5项的相关关系(载荷系数)值分别是:0.866,-0.777,-0.564,-0.733,0.358。典型变量Y2与Y组5项的相关系数(载荷系数)值分别是:-0.286,-0.446,-0.131,0.017,-0.300。
如果用图示表示的话,如下面两图所示:
上图非常直接的展示出第1个典型变量与5个指标之间的相关关系情况,明显的,典型变量与Y1(50米跑时间),Y2(跳远),Y3(投球),Y4(引体向上)的关系很强,载荷系数绝对值均大于0.5,即典型变量更多地提取Y1(50米跑时间),Y2(跳远),Y3(投球),Y4(引体向上)这4项的信息。
上图非常直接的展示出第2个典型变量与5个指标之间的相关关系情况,明显的,典型变量与Y2(跳远)的关系很强,载荷系数绝对值为0.446,即典型变量更多地提取Y2(跳远)的信息。
完成上述分析后,已经得出结论即:X组与Y组进行典型相关分析时,总共提取出两个典型变量对,典型变量对1更多地提取X1(反向横向跳),X2(纵跳)这两项的信息;典型变量对2更多地提取X2(纵跳),X5(台阶试验指数)这两项的信息;典型变量对1更多地提取Y1(50米跑时间),Y2(跳远),Y3(投球),Y4(引体向上)这4项的信息;典型变量对2更多地提取Y2(跳远)的信息。除此之外,典型变量对1之间的相关系数值为0.763,并且典型变量对2之间的相关系数值为0.703,典型变量相关系数值均高于0.7,意味着X组7项指标与Y组5项指标之间有着非常紧密的正向相关关系。
接着进一步进行典型冗余分析,即了解典型变量对于研究数据的信息提取量情况。上表格展示5个典型变量分别对于X组或者Y组指标的信息提取情况;比如上表中典型变量X1可提取出X组7个指标20.325%的信息量,典型变量X1可提取出Y组5个指标11.826%的信息量。由于总共仅2个典型变量呈现出显著性,因而仅分析2项,而且只分析组内差异(即典型变量X与X组的信息提取,典型变量Y与Y组的信息提取);
从上表可以看出:典型变量X1和典型变量X2对于X组7项指标的信息提取量分别是20.325%和14.293%,共计34.62%;以及典型变量Y1和和典型变量Y2对于Y组5项指标的信息提取量分别是46.751%和7.760%,共计)54.51%。
spss26没有典型相关性分析_SPSS在线_SPSSAU_SPSS典型相关分析相关推荐
- 基于典型相关性分析(CCA)的多视图学习方法综述
本文主要借鉴自<Canonical Correlation Analysis (CCA) Based Multi-View Learning: An Overview>,转载自伍冬睿科学网 ...
- 第六讲 典型相关性分析
目录 简介 步骤 SPSS操作步骤 简介 典型相关性分析(Canonical Correlation Analysis),研究两组变量(每组变量中都可能又多个指标)之间相关关系的一种多元统计方法.它能 ...
- 典型相关性分析(CCA)原理详细总结合集
典型相关性分析(CCA) 最近研究CCA相关的算法,从头原理入手 推荐以下两位大佬的Blog,希望对你有所帮助. 刘建平Pinard 网名为JerryLead的大佬 第一位大佬的Blog: 第二位大佬 ...
- 机器学习(32)之典型相关性分析(CCA)详解 【文末有福利......】
微信公众号 关键字全网搜索最新排名 [机器学习算法]:排名第一 [机器学习]:排名第一 [Python]:排名第三 [算法]:排名第四 人工智能与Python公开课 限时免费 文末领取 前言 典型关联 ...
- spss相关性分析_SPSS有话说:如何得出问卷或量表的结构或维度——探索性因素分析...
导 语 为进一步明晰量表的结构模型并确定正式量表,除进行项目分析外,随后根据探索性因素分析的结果剔除预测量表中不合适的项目. SPSS有话说 基本概念: 探索性因素分析是依据样本数据,根据变量间相 ...
- python分类变量相关性分析_Python数据科学:相关分析
目前手上有两本书,一本<利用Python进行数据分析>,一本<Python数据科学>.app 对于学习什么东西,都有它的「道」和「术」.「道」即原理,「术」即技巧.dom 经过 ...
- 数据分析与预测(四)——相关性分析
0 前言 变量之间的相关性分析主要包括: 分析变量自身的规律 自相关分析 偏相关分析 分析任意两个等长数列之间的相关性 简单相关分析 允许在一定的间隔下进行简单的相关分析 互相关分析 分析两组变量的相 ...
- 相关性分析原理与实操
在数据分析过程中,通常引入统计学名词"变量"来代替不同的影响因素.在大量的变量关系中,相关关系是非常重要的关系.相关关系是指两个变量或若干变量之间存在的一种非严格的确定性关系.例如 ...
- 典型相关分析(cca)原理_CCA典型关联分析原理与Python案例
文章来源于"脑机接口社区" CCA典型关联分析原理与Python案例mp.weixin.qq.com Rose今天分享一下CCA的相关原理以及Python应用,CCA在EEG等脑 ...
最新文章
- python3字符串的常见操作
- 安卓事件机制与页面跳转
- Codeforces Round #691 (Div. 2)
- vue的基本项目结构
- Java中带有NetSuite数据实体的对象关系映射(ORM)
- 罗斯蒙特电磁流量计8723说明书_罗斯蒙特8732E电磁流量计故障原因及解决办法!...
- python中变量的作用域
- iOS App的图标,启动画面及其它
- 这是我见过最全面的Python装饰器详解 没有学不会这种说法
- 计算机考试考试被纳入中考了吗,中考迎来变动,将在2022年正式执行,学生家长们注意了!...
- 【转载】Java中String类的方法及说明
- WCF框架基础(一)
- ADC参数中的SNR、SNDR与SFDR的区别是什么
- linux分段加载程序_Linux的分段机制
- Linux上创建和更改硬链接和符号链接(软连接)
- 彻底解决Vsart无法拖拽问题!!!Win10无法拖拽问题
- tomcat服务部署与nginx负载均衡
- 图像检索中一些特征索引技术
- 医院信息集成平台现状总结
- 22位压缩版UUID