2.3 Расчет коэффициента корреляции Спирмена и Кенделла в ппп spss.

1. Загрузите SPSS и введите данные в режиме Data View (Просмотр данных) согласно рис. 12. Сохраните в своей папке под именем Непараметрический_Анализ. Sav (данные можно также скопировать из файла MS Excel).

2. Перейдите в режим Variable View (Просмотр переменных)и для переменных R1 и R2 задайте Label (Метка) Ранг по оценке эксперта и Ранг по полученным голосам соответственно.

Рис.12. Данные в режиме Data View.

3. Выполните команду Analyze/Correlate/Bivariate (Анализ/Корреляция/Парные).

4. В диалоговом окне в область переменных перетащите обе переменные, укажите коэффициент корреляции Спирмена и Кенделла, уровень значимости – двусторонний (см. рис. 13).

Рис.13. Диалоговое окно «Корреляции».

5. Проанализируйте полученный результат (рис. 14) аналогично Заданию №1. Сравните полученные результаты с коэффициентами корреляции Спирмена и Кенделла, рассчитанными по формулам в MS Excel.

6. Сохраните отчет в своей папке под именем Непараметр_Анализ.spo.

Рис.14. Отчет по корреляции Спирмена и Кендалла.

Задание для самостоятельной работы.

Установить, зависит ли количество посетителей музея и посетителей парка от числа ясных дней за определенный период. Для этого:

• Вычислить коэффициенты корреляции с использованием функции КОРРЕЛ в MS Excel.

• Провести исследование в ППП SPSS.

• Построить корреляционное поле.

Число ясных дней (Х)	8	14	20	25	20	15
Количество посетителей музея (Y)	495	503	380	305	348	465
Количество посетителей парка (Y)	132	348	643	865	743	541

3. Регрессионный анализ.

Цель регрессионного анализа – определить количественные связи между зависимыми случайными величинами. Одна из этих величин полагается зависимой и называется откликом, другие – независимые, называются факторами или регрессорами.

Регрессионный анализ позволяет:

• Производить расчет регрессионных моделей путем определения значений параметров – постоянных коэффициентов при независимых переменных-регрессорах.

• Проверять гипотезу об адекватности модели имеющимся наблюдениям.

• Использовать модель для прогнозирования значений зависимой переменной при новых или ненаблюдаемых значениях независимых переменных.

Среди регрессионных моделей обычно выделяют:

1. Однопараметрические модели (зависимости от одной переменной).

2. Многопараметрические модели (зависимости от нескольких переменных).

3. Линейные модели относительно независимых переменных.

4. Модели нелинейные по переменным и нелинейные по параметрам.

3.1 Однопараметрические модели.

Наиболее распространенные методы регрессионного анализа являются параметрическими, большая их часть основана на предположении о нормальном распределении данных наблюдений, поэтому в каждом случае анализа необходима предварительная проверка данных нормальному распределению.