两自变量相关性分析中得出P>0.05S时,结论该如何写

_问题描述：在SPSS中做主成成分分析的时候有一步是指标之间的相关性判定,我想知道具体是怎么进行判定的,他的算法、原理是什么?答案1：：说判定有些严格,其实就是观察一下各个指标的相关程度.一般来说相关

说判定有些严格,其实就是观察一下各个指标的相关程度.一般来说相关性越是高,做主成分分析就越是成功.主成分分析是通过降低空间维度来体现所有变量的特征使得样本点分散程度极大,说得直观一点就是寻找多个变量的

一般直接看相关系数和显著性双侧.你这个一列一列的看要方便些,比如第一列,表示为x1和其他各变量之间的相关性,x1和x2的相关系数为-.022,显著性双侧为0.972,说明这两个变量间无相关性,依次类推

你提供的是不完整的回归分析结果.模型汇总中的R方说明你的回归公式的拟合度很好,也就是说用这个公式模型来进行预测的能力很强.R方在0-1之间,越大说明拟合度越好.R说明两个变量之间为很密切的正相关关系,

首先建立两个变量如x,y,把数据录入进去（两列）,在analysis里头,选correlate,分别把x,y放进去,点OK就可以得到结果.再问：我用的是中文版的SPSS，点击：分析—相关-双变量相关，

两者没有相关性p>0.05再问：请问p是什么值，0.548吗，那0.277和7是什么意思再答：7是例数。相关系数r=0.277，P=0.548>0.05，表明相关性不显著。

这说明这些变量之间存在自相关,模型选择的是代表程度更高且自变量相互之间相关性低的自变量来,以保证自变量变化时,只影响因变量,而不影响其它模型中的自变量.建议你对这些自变量做两两之间的相关性检验,以说明

先进性复共线性检验,如果变量之间复共线性特别大,那么进行岭回归和主成分回归,可以减少复共线性,岭回归是对变量采取了二范数约束,所以最后会压缩变量的系数,从而达到减小复共线性的目的,另外这个方法适合于p

不能只看相关系数的大小,主要看显著性水平,你做出来的相关系数确实是有些低,很可能是与数据量比较多有关.如果你分析过程没有错误,p真的等于0.003的话,应该是显著相关的.再问：谢谢，我还想问一下，我的

产值与RD人员占比无相关(Pearson相关系数为-0.153,P=0.197).

不太明白你的意思,如果想知道多个因子的相关性,那可以先做相关性分析.SPSS中回归的自变量都是自己加入的,做了相关性分析,在回归时只对相关性大的因子做回归.如果是筛选因子的话建议用逐步线性回归,会自动

你所描述的问题是要用线性回归.就是analysis--regression---liner.那也就是y=ax+b.这样的.你就知道贡献率啦,看a就行了.

一般统计分时所做的相关是指Pearson相关或者Spearman相关,而Losgistic回归也即多元回归分析是一个更高层次的相关分析,数据要求质量比较高.如果数据用Pearson相关或者Spearm

直接用spss中的相关分析就好了如果相关性显著,就是你说的相关性比较大的,会有星号标注的

多重共线性的处理的方法（一）删除不重要的自变量自变量之间存在共线性,说明自变量所提供的信息是重叠的,可以删除不重要的自变量减少重复信息.但从模型中删去自变量时应该注意：从实际经济分析确定为相对不重要并

滞后期p一般是1个1个往上加每加一个就用t,F统计检验看看各个系数然后断定是否继续加这样

豆丁上有很详细的讲解

负相关,就是一个变量随另一个变量的增大而减小.控制变量就是实验中的无关变量,需要对其加以控制以免影响实验结果.

一般可以用统计软件中的逐步回归方法,可以自动把有意义的变量纳入到回归模型里面；也可以先做单变量的回归,然后把单变量分析有意义的自变量都纳入到回归模型里,做多元回归,但是在临床或者实际上有关联的重要观察

有什么怎么办的?那结论就是不大了啊,你还要纠结什么?非要把女人说成男人吗?