《最新多元统计分析典型相关分析精品课件》由会员分享，可在线阅读，更多相关《最新多元统计分析典型相关分析精品课件（20页珍藏版）》请在金锄头文库上搜索。
1、多元统计分析典型相关分析多元统计分析典型相关分析 引言 在统计学中，对两个随机变量的关系，可用线性相关系数来分析；研究一个随机变量与多个随机变量之间的关系，可用复相关系数。 然而在对社会经济现象问题的研究中，通常需要考察多个变量与多个变量之间即两组变量之间的相关性。 第一步：确定典型相关分析的研究目标 典型相关分析是对两组变量整体相关关系的分析。通常一组可定义为自变量组，另一组可定义为因变量组，典型相关分析要达到以下目标： 1确定两组变量是相互独立，或者相反，确定两组变量间存在关系的大小。 2 为每组变量推出一组权重，使每组变量的线性组合达到最大程度相关，即找到第一对典型相关变量，然后分别找出
2、第二对，第三对等等 3 解释自变量组与因变量组存在的相关关系，通常是通过测量每个变量对典型函数的相对贡献来衡量。第二步：设计典型相关分析 典型相关分析对变量类型、样本容量有一定要求，要求数据为定量数据，样本容量至少保持为每个变量10个观测，同时在变量的选择上要根据相关的专业理论来进行设计。第三步：检验典型相关分析的基本假设第三步：检验典型相关分析的基本假设 1、线性性假设：典型相关分析是对线性相关分析的分析，若变量间不是线性关系，则典型相关分析是不适用的。 2、正态性假设：虽然允许使用非正态变量，但是正态性是有意义的，因为它标准化了分布，允许变量间的更高程度的相关。对于每个典型函数的多元正态性
3、的统计检验是必要的。由于多元正态性检验不一定可行，流行的准则是保证每个单变量的正态性。这样，尽管不严格要求正态性，建议所有变量都检验正态性，如有必要，对变量进行变换。第四步：典型函数估计和识别1 推导典型函数 典型函数推导类似于没有旋转的因子分析的过程。典型相关分析集中说明两组变量之间的相关关系，结果是第一对典型变量具有最大相关关系，第二对得到的是第一对没有解释的两组变量的最大相关关系2 典型函数的解释 通常提取的典型相关变量都是某个显著性水平上显著的函数，对其的解释基于如下假设，即认为典型相关变量中每组的变量对共同方差有较大贡献。典型相关变量的实际重要程度体现在典型相关系数的大小上，典型相关
4、系数值越大，说明该典型相关系数对应的典型相关变量就越重要，越能体现两组变量间的相关关系。 第五步：解释典型变量. 建立典型相关分析模型后，需要对模型的结果进行解释，可以用以下三种方法来说明。 三种方法：1 典型权重（标准化的典型变量系数）2 典型载荷（解释典型相关分析结果的基础；反应原始变量与典型变量的共同方差，即每个原始变量对典型变量的相对贡献）3 典型交叉载荷（提供了一个更直接的测量因变量组和自变量组关系的指标）1、典型权重 传统的解释典型函数的方法包括观察每个原始变量在它的典型变量中的典型权重的符号和大小。有较大的典型权重，则说明原始变量对它的典型变量贡献较大，反之则相反。原始变量的典型
5、权重有相反的符号说明变量之间存在一种反面关系，反之则有正面关系。但是这种解释遭到了很多批评。这些问题说明在解释典型相关的时候慎用典型权重。 2、典型载荷 由于典型权重的缺陷，典型载荷逐步成为解释典型相关分析结果的基础。典型载荷，也称典型结构相关系数，是原始变量（自变量或者因变量）与它的典型变量间的简单线性相关系数。典型载荷反映原始变量与典型变量的共同方差，它的解释类似于因子载荷，就是每个原始变量对典型函数的相对贡献。 3、典型交叉载荷 它的提出是作为典型载荷的替代。计算典型交叉载荷是使每个原始因变量与自变量典型变量直接相关，反之亦然。交叉载荷提供了一个更直接的测量因变量组与自变量组关系的指标。
6、 第六步：验证与诊断 与其他的多元分析方法一样，典型相关分析的结果应该验证，以保证结果不是只适合于样本，而是适合于总体。最直接的方法是构造两个子样本（如果样本量允许），在每个子样本上分别做分析。这样结果可以比较典型函数的相似性、典型载荷等。如果存在显著差别，研究者应深入分析，保证最后结果是总体的代表而不只是单个样本的反映。 另一种方法是测量结果对于剔除一个因变量或自变量的灵敏度，保证典型权重和典型载荷的稳定性典型相关分析的局限性v1 典型相关反应变量组的线性组合所共享的方差，而不是从变量提取的方差v2 计算典型函数推导的典型权重有较大的不稳定性v3 推导的典型权重是最大化线性组合间的相关关系，而不是提取的方差v4 典型变量的解释比较困难，因为他们是用来最大化线性关系的v5 难以识别自变量和因变量的子集间有意义的关系，只能通过一些不充分的测量，如载荷和交叉载荷结束语结束语谢谢大家聆听！谢谢大家聆听！20
