相关系数检验为什么要对相关系数进行显著性检验？

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
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.

检验“相关系数的临界值”，如何求．

本例中要求的相关系数临界值r0是多少？已知f=n-2=8-2=6，若α=0.05，则查表知r0=0.707。

利用所求回归直线方程预测成本会存在一定的误差，为了鉴别回归直线对预测值的可能的波动范围，需要计算直线数值与实际值之间的标准差。

标准差表明回归直线周围个体数据点的密集程度。

标准差的计算公式为： 在正常的分布条件下，一般要求实际值位于置信区间的概率应该在95%以上，这个区间应为Y±2S，从而置信区间的上下限为Y1=a+bX+2S，Y2=a+bX-2S。

将有关数据代入标准差计算公式，可得本例标准差：

求问相关系数检验和t检验要掌握吗？

【提问】咨询方法与实务，涉及第四科，第二章，一元线性回归分析，回归检验，丰老师的讲义，有两个地方需要老师确认： 1.老师说，回归检验中的方差分析不用管，相关系数检验和t检验要掌握，但在讲相关系数检验时，写出的却是方差分析的公式（公式2-13），没有写公式2-14，后面小结时还提醒要开方，这个怎么办？是不是两个公式都要记住？ 2.讲到查表（附表1和2）时，几次说，当计算结果大于或等于表上值时，表示强相关关系，小于时表示不成立，但书上写的，当“等于”时，是不成立，我很信任丰老师，请澄清一下，到底等于时该作何处理？ 【回答】学员yaobaoxian，您好！您的问题答复如下： 1.两个公式都要都要记住。

2.应该按照教材表述为准。

怎样对数据做相关性检验

简单直观做相关系数矩阵另外 Pearson 相关系数或者 Spearman 相关系数 用SPSS软件或者SAS软件都析用SPSS更简单用SPSS软件析步骤： 1.点击 析（Analyze） 2. 选 相关 （Correlate） 3. 选 双变量（Bivariate） 4 选择想要析变量 5 选择 Pearson 相关系数 （或者 Spearman 相关系数） 6 选择恰统计检验（单边或双边） 7 点击OK即 首先答定原创呵呵先谢谢楼主

为什么要对相关系数进行显著性检验？

进行显著性检验是为了消除Ⅰ类错误和Ⅱ类错误。

通常情况下，α水平就是第一类错误。

第一类错误是零假设为真却被错误拒绝的概率。

第二类错误(? ?)是零假设为误却被错误接受的概率或是研究假设为真却被拒绝的概率。

如果P值小于某个事先确定的水平，理论上则拒绝零假设，反之，如果P值大于某个事先确定的水平，理论上则不拒绝零假设。

常用的显著性水平是0.05，0.01和0.001? 。

不同的水平各有优缺点。

水平越小，判定显著性的证据就越充分，但是不拒绝错误零假设的风险，犯第二类错误的可能性就越大，统计效力(就越低。

选择水平不可避免地要在第一类错误和第二类错误之间做出权衡。

如果犯第一类错误造成的后果不严重，比如在试探性研究中，我们可以将α水平定得高一些，如0.05或0.1。

如果研究样本很小，为了提高统计效力，我们在某些研究中也不妨提高口水平。

但是，如果犯第一类错误造成的后果很严重，比如我们要基于某项研究发现决定是否在全国推行某项教学改革，我们则需要将α水平定得低一些，如0.01或0.001。

扩展资料 相关系数的显著性检验： ①积差相关系数的显著性检验 ②相关系数差异的显著性检验 ③等级相关与其他系数显著性检验 ④相关系数的合并? 显著性检验的虚无假设是变量间相关系数为0，也就是说，我们做显著性检验要解决的问题是相关系数是不是0，如果得到显著的结果，则代表相关存在，相关系数不为0。

参考资料来源：搜狗百科——显著性检验