相关性分析的增加技巧

1. 相关性分析的增加技巧

1、搜索引擎对搜索结果进行匹配的时候并不使用元标签如关键词或描述标签。这是由于在这些元标签中所使用的文字并不能为实际的访问者所看到，因而一般是将一个网页的头几行文字内容来生成对一个网站的描述。如果网站的关键词或关键短语放到网页的上方，这样搜索引擎会很容易找到它们，就会相应提高你网站的相关性。而假如搜索引擎在顶部找不到这样相关的内容，那么它要花费很大的力气来寻找你页面的其它具备相关性的部分，之所以用很大力气来形容是相对于那0.1秒的时间来说的。2、搜索引擎还会考虑网页中正文内容的关键词密度，所以你要确保在你的整个网页中贯穿出现了若干次关键词和关键短语。但是密度过火了你的网页也烧不起来。3、在内容标题中放入关键词，并尽可能对内容中出现的关键词进行加粗，搜索引擎会认为加粗的是重点。但是太粗了我看见都吐了更可况搜索引擎。4、图片的索引增加ALT属性文字描述，那么ALT属性中包含关键词，可以增加网站的相关性。5、外链尽量与网站具备相关性，外链页面的权重是次要的，然后再看外链页面导出链接数量和外链页面可用链接位置。6、尽量使你网站上的外链页面文字包含关键字锚文本超链接可有效提高你的网站相关性。网站相关性最好做到自然和符合用户体验，不要为了取悦搜素引擎又在无形中做出了触犯了另一条搜索引擎规则甚至用户。总之网站相关性无论是进行搜索引擎优化还是在网站关键词的选择、网站优化和价格定制之上都有非常重要的意义，网站排名提升主要因素中网站相关性是非常重要的因素之一，将网站相关性做好做细，无论对于企业还是个人来说是必须要考虑的因素。

2. 用检验分析的方式解释 相关系数的性质

相关系数的性质分析：1.

性质1: r 的取值范围是 [-1,1] n | r |=1,为完全相关 l r =1,为完全正相关 l r =-1,为完全负正相关 n r = 0,不存在 线性 相关关系 n -1GBP r <0,为负相关 n 0< r GBP1,为正相关 n | r |越趋于1表示关系越强;| r |越趋于0表示关系越弱

性质2: r 具有对称性.即x与y之间的相关系数和 y 与x之间 的相关系数相等,即rxy = r yx

性质3: r 数值大小与 x 和y原点及尺度无关,即改变 x 和y的数据原点及计量尺度,并不改变 r 数值大小【摘要】
用检验分析的方式解释 相关系数的性质【提问】
检验等级相关系数时用的相关系数是（ ）。


参考答案：Spearman等级相关系数【回答】
相关系数的性质分析：1.

性质1: r 的取值范围是 [-1,1] n | r |=1,为完全相关 l r =1,为完全正相关 l r =-1,为完全负正相关 n r = 0,不存在 线性 相关关系 n -1GBP r <0,为负相关 n 0< r GBP1,为正相关 n | r |越趋于1表示关系越强;| r |越趋于0表示关系越弱

性质2: r 具有对称性.即x与y之间的相关系数和 y 与x之间 的相关系数相等,即rxy = r yx

性质3: r 数值大小与 x 和y原点及尺度无关,即改变 x 和y的数据原点及计量尺度,并不改变 r 数值大小【回答】

3. 各系数相关性分析

土地利用系数是将农用地指定作物多年单产的平均值与农用地分等二级指标区最高单产的比值进行指标量化，用来反映农用地生产能力的现实产量水平。土地经济系数是反映农用地所能实现的经济效益的水平，主要由指定作物经济生产力水平决定，影响作物经济生产力水平的因素很多，主要包括农用地的自然质量、影响农户对农用地的生产投入农村的社会经济发展状况和交通便利条件以及各方面对农业生产的重视程度和农业气候等因素。
广西壮族自治区耕地的自然质量相对处于一个稳定的水平区间，但耕地利用水平差异较大，并且农业经济条件也存在较大差异，只是这种差异略小于耕地的利用水平差异。经过分析，指定作物土地利用系数对农用地分等结果有显著影响（图4-34，图4-35）。
从图4-34和图4-35可以看出，各系数之间具有较好的相关性。水稻的自然质量分明显高于甘蔗的自然质量分，并且各系数变化趋势相一致。自然质量分高，土地利用系数和土地经济系数也相对高；自然质量分低，土地利用系数和土地经济系数也相对低。

图4-34 广西壮族自治区农用地分等自然质量分、土地利用系数、土地经济系数变化趋势图（水稻）


图4-35 广西壮族自治区农用地分等自然质量分、土地利用系数、土地经济系数变化趋势图（甘蔗）

4. 相关分析的相关关系

相关分析与回归分析在实际应用中有密切关系。然而在回归分析中，所关心的是一个随机变量Y对另一个（或一组）随机变量X的依赖关系的函数形式。而在相关分析中 ，所讨论的变量的地位一样，分析侧重于随机变量之间的种种相关特征。例如，以X、Y分别记小学生的数学与语文成绩，感兴趣的是二者的关系如何，而不在于由X去预测Y。

5. 正确选择相关性分析的统计方法

转自： https://www.medsci.cn/article/show_article.do?id=55c91839569a 
  
 相关性分析主要用于：（1）判断两个或多个变量之间的统计学关联；（2）如果存在关联，进一步分析关联强度和方向。
  
 那么，什么样的研究可以进行相关性分析呢？我们在这里列举了几个相关性研究的例子供大家参考：
  
 确定要进行相关性分析后，对两个变量或多个变量进行相关性分析所采取的统计方法是不同的。那么，怎么判断研究变量的数量呢？
  
 我们分别就两个变量的研究和三个及以上变量的研究进行了举例，帮助大家理解。同时，我们也对例子中变量数据类型进行了描述（如，连续变量、二分类变量、无序分类变量和有序分类变量）。
  
 确定拟分析变量之间的相关性后，我们需要判断变量的数据类型。
  
 变量的数据类型主要分为连续变量、二分类变量、无序分类变量和有序分类变量4类。拟分析的变量可以同属于一个数据类型，也可以分属不同的数据类型。根据这两个变量数据类型的不同，应采用的统计分析方法也不同。
  
 连续变量是指对连续的指标测量所得到的数值，比如体重。其特点是等距区间的差异相同，例如体重在50kg-60kg之间的差异与60kg-70kg之间的差异相同。连续变量的示例如下：
  
 有序分类变量可以有两个或者多个已排序的类别。举例来说，如果某患者的治疗结果是“痊愈”、“好转”、“不变”或者“恶化”。这就是一个有序分类变量，因为可以对四个类别进行排序。
  
 需要注意的是，虽然我们可以对有序分类变量的类别排序，但还需要判断这种类别排序是不是等距的。例如，用各年龄段的近似中位数代表年龄类别，即24（18-30）岁、40（31-50）岁、60（51-70）岁、80（70岁以上）岁，可以将年龄视为定距变量。
  
 但将患者的诊疗结果“痊愈”、“好转”、“无变化”或者“恶化”就不能认为是等距的，换句话说，不能认为“好转”是“无变化”的2倍；也不能认为“痊愈”和“好转”的差异与“不变”和“恶化很满意”的差异一样，即有序分类变量各类别之间不是可能是定距、也可能不是定距的，这是与连续变量的根本不同。有序分类变量的示例如下：
  
 患者对医疗效果的满意程度，用5类测量：1-非常不满意、2-不满意、3-一般、4-满意、5-非常满意
  
 对疾病的疗效：用4类测量：1-痊愈、2-好转、3-不变、4-变差
  
 BMI指数是一种用于评估体重水平的指标。一般来说，BMI是连续变量（例如BMI为23.7或BMI为34.1），但按以下方式分类时可以视为有序分类变量：体重过轻（BMI小于18.5）、健康/正常体重（BMI在18.5—23.9之间）、超重（BMI在24—27.9之间）和肥胖（BMI大于28）。
  
 二分类变量是只有两个类别的分类变量。二分类变量的类别之间没有顺序，不能像有序分类变量的类别那样进行排序。比如，性别变量就是一个二分类变量，可以分为“男性”和“女性”两个分类。再如，罹患心脏病也是一个二分类变量，分为“是”和“否”两个分类。
  
 二分类变量类别是互斥的，一个研究对象不能同时分属于两个类别，比如一个人不能同时是男性或者女性，也不能同时患有心脏病又没有心脏病。二分类变量的示例如下：
  
 性别，两个类别：男性或女性
  
 罹患心脏病，两个类别：是或否
  
 研究分组，两个类别：实验组或对照组
  
 无序分类变量是具有三个及以上类别的分类变量。无序分类变量的类别之间没有内在顺序，也不能像有序分类变量类别那样进行排序。比如，出行方式是一个典型的无序分类变量，可以分为自行车、自驾、出租车、地铁或公交5个类别。无序分类变量的类别也是互斥的，一个研究对象不能同时分属于不同的类别，比如一次出行不能同时坐地铁又自己开车。无序分类变量的示例如下：
  
 手机品牌，四个类别：苹果、三星、华为或其他
  
 头发的颜色，五个类别：棕色、黑色、金色、红色或者灰色
  
 民族，七个类别：汉族、回族、蒙古族、满族、维吾尔族、朝鲜族或其他
  
 自变量也称为预测变量或解释变量，因变量也称为应答变量或结局变量。两者的区分在于，自变量可以影响因变量，因变量的值取决于对应自变量的值。也可以用因果关系来区分自变量和因变量，即自变量的变化导致了因变量的变化（但自变量和因变量之间并不一定真的存在因果关系）。自变量是对因变量的描述，而因变量可以被自变量所解释。
  
 研究设计也可以帮助我们区分自变量和因变量。举例来说，我们计划开展一项研究分析不同剂量药物的治疗效果，治疗药物就是这个研究的自变量，治疗效果则是因变量。
  
 比如我们想知道抗感染药物剂量（1.5 mg / d、4 mg /d或者 8 mg/d）与患者发热时长的关系，抗感染药物剂量就是自变量，因为这个剂量的是由研究者干预产生的，且很可能是发热时长差异的原因；而同时发热时长就是这项研究的因变量。
  
 横断面调查并不区分自变量和因变量。举例来说，研究者根据问卷调查研究对象的工作效率（1-5类：1代表非常高效、5代表非常低效）和锻炼情况（1-4类：1代表经常锻炼、4代表不锻炼）的关系。
  
 在该研究中，受调查者的工作效率和锻炼情况并不存在明确的因果关系，因为效率高可能意味着受调查者有更多的锻炼时间，而反之经常锻炼可能也会提高工作效率。因此，我们就不区分该研究的自变量和因变量。
  
 本文先说说研究中涉及两个变量的情况。
  
 Pearson相关用于评估两个连续变量之间的线性关联强度。这种统计方法本身不区分自变量和因变量，但如果您根据研究背景已经对变量进行了区分，我们仍可以采用该方法判断相关性。
  
 Pearson相关不区分自变量和因变量。虽然这不影响我们采用Pearson相关分析两个连续变量的相关性，但如果还是想通过统计方法区分一下，可以采用线性回归。
  
 这里还需要判断有序分类变量是否为定距变量。如果认为拟分析的有序分类变量是定距变量，我们就可以为变量中的类别赋值，然后根据这些数值进行分析（即看作连续变量），比如测量满意度（从“完全同意”到“完全不同意”5个类别）就是一个定距变量，可以用1-5为各类别赋值，即1 =完全同意、2 =同意、3 =一般、4 =不同意、5 =完全不同意。
  
 对于不能作为定距变量的有序分类变量，比如军衔的类别（少将、中将、上将、大将等）之间就不是等距的，就不能赋值后对数值进行分析（只能对类别进行分析）。
  
 实际上，将有序分类变量作为连续变量进行分析，这在大多数情况下可能不符合我们的研究目的。对类别进行分析是对有序分类变量相关性分析的常见选择。但是，如果基于的研究背景，待分析的有序分类变量确实可以作为定距变量处理，也是可以的。
  
 Mantel-Haenszel 趋势检验。该检验也被称为Mantel-Haenszel 卡方检验、Mantel-Haenszel 趋势卡方检验。该检验根据研究者对有序分类变量类别的赋值，判断两个有序分类变量之间的线性趋势。
  
 Spearman相关又称Spearman秩相关，用于检验至少有一个有序分类变量的关联强度和方向。
  
 Kendall's tau-b 相关系数是用于检验至少有一个有序分类变量关联强度和方向的非参数分析方法。该检验与Spearman相关的应用范围基本一致，但更适用于存在多种关联的数据（如列联表）。
  
 卡方检验常用于分析无序分类变量之间的相关性，也可以用于分析二分类变量之间的关系。但是该检验只能分析相关的统计学意义，不能反映关联强度。因此，我们常联合Cramer's V检验提示关联强度。
  
 Fisher精确检验可以用于检验任何R C数据之间的相关关系，但最常用于分析2 2数据，即两个二分类变量之间的相关性。与卡方检验只能拟合近似分布不同的是，Fisher精确检验可以分析精确分布，更适合分析小样本数据。但是该检验与卡方检验一样，只能分析相关的统计学意义，不能反映关联强度。
  
 确定进行两个二分类变量的相关性分析后，我们需要判断是否区分自变量和因变量。
  
 相对风险是流行病学或前瞻性队列研究中的常用指标，可以在一定条件下比较两个比例之间的关系，但其提示的结果是比值而不是差异。
  
 比值比可以计算多类研究的关联强度，也是很多统计检验（如二分类logistic回归）的常用指标。在相对风险指标不适用的病例对照研究中，比值比仍可以很好地反映结果。
  
 卡方检验可用于分析两个二分类变量之间的关系。但是该检验只能分析相关的统计学意义，不能反映关联强度。因此，该检验可以联合Phi (φ)系数提示关联强度。
  
 Fisher精确检验可以用于检验任何R C数据之间的关系，但最常用于分析2 2数据，即两个二分类变量之间的相关性。与卡方检验只能拟合近似分布不同的是，Fisher精确检验可以分析数据的精确分布，更适用于小样本数据。但是该检验与卡方检验一样，只能分析相关的统计学意义，不能反映关联强度。
  
 Point-biserial相关。Point-biserial相关适用于分析二分类变量和连续变量之间的相关性。其实，该检验是Pearson相关的一种特殊形式，与Pearson相关的数据假设一致，也可以在SPSS中通过Pearson相关模块进行计算，我们会在教程中具体介绍。
  
 确定进行二分类变量和有序分类变量的相关性分析后，我们需要判断是否区分自变量和因变量：
  
 有序Logistic回归。有序Logistic回归在本质上并不是为了分析二分类变量和有序分类变量之间的相关性。但我们仍可以用有序logistic回归及其对应的OR值判断这两类变量之间的统计学关联。
  
 Cochran-Armitage 检验。Cochran-Armitage 检验又称Cochran-Armitage 趋势检验，常用于分析有序分类自变量和二分类因变量之间的线性趋势。该检验可以判断随着有序分类变量的增加，二分类因变量比例的变化趋势，是对其线性趋势的统计学分析。我们将在教程中进一步解释这一问题。
  
 此问题可以使用Mantel-Haenszel卡方检验或Cochran-Armitage趋势检验。Mantel-Haenszel卡方检验也称线性趋势检验（Test for Linear Trend）或定序检验（Linear by Linear Test）。
  
 Mantel-Haenszel卡方检验和Cochran-Armitage趋势检验的区别是：Mantel-Haenszel卡方检验要求一个变量是有序分类变量，另一个变量可以是二分类变量，也可以是有序多分类变量。而Cochran-Armitage趋势检验要求一个变量是有序分类变量，另一个变量是二分类变量。
  
 SPSS不提供Cochran-Armitage趋势检验， Mantel-Haenszel卡方可以得到近似的结果。Cochran-Armitage趋势检验可以在SAS等其它软件中实现（SAS可以同时提供Cochran-Armitage趋势检验和Mantel-Haenszel卡方检验的结果）。
  
 Biserial秩相关：Biserial秩相关可以用于分析二分类变量和有序分类变量之间的相关性。在用二分类变量预测有序分类变量时，该检验又称为Somers' d检验。此外，Mann-Whitney U检验也可以输出Biserial秩相关结果。
  
 Spearman相关。没有适用于分析有序分类变量和连续变量相关性的检验方法，我们需要将连续变量视为有序分类变量进行检验，即分析两个有序分类变量之间的关系。在这种情况下，我们可以应用Spearman相关或者其他针对有序分类变量的检验方法。

6. 什么叫做相关分析？相关系数、决定系数各有什么具体意义？如何计算？如何对相关系数作假设检验？

决定系数（coefficient of determination），有的教材上翻译为判定系数，也称为拟合优度。 计量中的判定系数 拟合优度(或称判定系数,决定系数)
目的:
企图构造一个不含单位,可以相互进行比较,而且能直观判断拟合优劣的指标.拟合优度的
定义:
意义:拟合优度越大,自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比高.观察点在回归直线附近越密集.
取值范围:
0-1判定系数只是说明列入模型的所有解释变量对应变量的联合的影响程度,不说明模型中单个解释变量的影响程度.对时间序列数据,判定系数达到0.9以上是很平常的;但是,对截面数据而言,能够有0.5就不错了. 表征依变数Y的变异中有多少百分比,可由控制的自变数X来解释. 相关系数（coefficient of correlation）的平方即为决定系数。
它与相关系数的区别在于除掉|R|=0和1情况， 由于R2<R,可以防止对相关系数所表示的相关做夸张的解释。 
决定系数：在Y的总平方和中，由X引起的平方和所占的比例，记为R2(R的平方) 决定系数的大小决定了相关的密切程度。 当R2越接近1时，表示相关的方程式参考价值越高；相反，越接近0时，表示参考价值越低。这是在一元回归分析中的情况。但从本质上说决定系数和回归系数没有关系，就像标准差和标准误差在本质上没有关系一样。 在多元回归分析中，决定系数是通径系数的平方。 
表达式：R^2=SSR/SST=1-SSE/SST 其中：SST=SSR+SSE，SST (sum of squares for total)为总平方和，SSReg (sum of squares for regression为回归平方和，SSE (sum of squares for error) 为残差平方和。 注：（不同书命名不同） 回归平方和：SSR(Sum of Squares for regression) = ESS (explained sum of squares) 残差平方和：SSE（Sum of Squares for Error） = RSS (residual sum of squares) 　　总离差平方和：SST(Sum of Squares for total) = TSS(total sum of squares) 　　SSE+SSR=SST RSS+ESS=TSS 意义：拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。 取值范围：0-1.

7. 相关性分析的概念及方法

相关分析就是根据一个因素（变量）与另一个因素（变量）的相关系数是否大于临界值，判断两个因素是否相关。在相关的因素之间，根据相关系数大小判断两个因素关系的密切程度，相关系数越大，说明两者关系越密切（何晓群，2002）。这种方法从总体上对问题可以有一个大致认识，但却很难在错综复杂的关系中把握现象的本质，找出哪些是主要因素，哪些是次要因素，有时甚至得出错误结论。为此，提出使用数学上的偏相关分析与逐步回归相结合的办法来解决这类问题。
偏相关性分析基本原理是，若众多因素都对某一因素都存在影响，当分析某一因素的影响大小时，把其他因素都限制在某一水平范围内，单独分析该因素对某一因素所带来的影响，从而消除其他因素带来的干扰。比如分析压实作用（或埋深）对孔隙度和渗透率的影响时，便把岩石成分、粒度、胶结类型等都限制在一定范围来单独讨论压实作用，而数学上的偏相关分析恰恰就是解决这类问题的方法，偏相关系数的大小就代表了这种影响程度。结合多因素边引入、边剔除的逐步回归分析方法，也可消除多个因素（自变量）间的相互干扰和多个因素对因变量的重复影响，保留其中的有用信息，挑选出对因变量影响较显著的因素，剔除了一些次要因素，被挑选出的主要因素的标准回归系数和偏回归平方和的大小反映了各参数对因变量（充满度）的影响大小。因此根据各因素（自变量）与因变量间的偏相关系数大小，结合标准回归系数和偏回归平方和，便可以将各因素对因变量的影响大小进行定量排序。其基本步骤如下：
第一步，找出所有可能对因变量产生影响的因素（或参数），同时对一些非数值型参数进行量化处理；
第二步，计算因变量与各参数间的简单相关系数，根据这些简单相关系数的大小，初步分析它们与因变量间的简单相关关系；
第三步，计算因变量与各参数间的偏相关系数、标准回归系数和偏回归平方和；
第四步，根据偏相关系数的大小，再结合标准回归系数和偏回归平方和，综合分析因变量与各参数间的关系密切程度，其值越大，关系越密切，影响越大，反之亦然。

8. 相关系数多少算具有相关性

相关系数的强弱仅仅看系数的大小是不够的。一般来说，取绝对值后，0-0.09为没有相关性，0.3-弱，0.1-0.3为弱相关，0.3-0.5为中等相关，0.5-1.0为强相关。但是，往往你还需要做显著性差异检验，即t-test，来检验两组数据是否显著相关，这在spss里面会自动为你计算的。
样本书越是大，需要达到显著性相关的相关系数就会越小。所以这关系到你的样本大小，如果你的样本很大，比如说超过300，往往分析出来的相关系数比较低，比如0.2，因为你样本量的增大造成了差异的增大，但显著性检验却认为这是极其显著的相关。
一般来说，我们判断强弱主要看显著性，而非相关系数本身。但你在撰写论文时需要同时报告这两个统计数据。