1. 按File→New→Syntax的顺序新建一个语句窗口。在语句窗口中输入下面的语句:
INCLUDE 'C:\Program Files\IBM\SPSS\Statistics\20\Samples\English\Canonical correlation.sps'.
CANCORR SET1=x1 x2 x3 /
SET2= x4 x5 x6 / .
2. click Run => all
结果:
Correlations for Set-1
x1 x2 x3
x1 1.0000 .8362 .8651
x2 .8362 1.0000 .7863
x3 .8651 .7863 1.0000
Correlations for Set-2
x4 x5 x6
x4 1.0000 .7403 .8086
x5 .7403 1.0000 .8538
x6 .8086 .8538 1.0000
Correlations Between Set-1 and Set-2
x4 x5 x6
x1 .8089 .8800 .8407
x2 .8897 .8213 .8458
x3 .7685 .7786 .7200
Canonical Correlations
1 .954
2 .346
3 .212
上面是提取出的两个典型相关系数的大小,可见第一典型相关系数为0.954,第二典型相关系数为0.346,第三典型相关系数为0.212
Test that remaining correlations are zero:
Wilk's Chi-SQ DF Sig.
1 .075 187.428 9.000 .000
2 .841 12.586 4.000 .013
3 .955 3.340 1.000 .068
上表为检验各典型相关系数有无统计学意义,可见第一典型相关系数有统计学意义(p-value: .000) ,而第二典型相关系数 (p-value=.013)。
Standardized Canonical Coefficients for Set-1
1 2 3
x1 -.460 2.065 -.920
x2 -.563 -1.563 -.865
x3 -.023 -.525 1.979
上面为各典型变量与变量组1中各变量间标准化的系数列表,由此我们可以写出典型变量的转换公式(标化的)为:
第一典型变量: v1=-0.460 * X1 -0.563 * x2 -0.023 * X3
第一典型变量 v2= 2.065 * X1 -1.563 * x2 -0.525 * X3
Raw Canonical Coefficients for Set-1
1 2 3
x1 -.027 .121 -.054
x2 -.401 -1.114 -.616
x3 -.006 -.147 .552
上面为各典型变量与变量组1中各变量间未标准化的系数列表
Standardized Canonical Coefficients for Set-2
1 2 3
x4 -.482 -1.459 .778
x5 -.430 1.269 1.412
x6 -.165 .201 -2.209
上面为各典型变量与变量组2中各变量间标准化的系数列表,由此我们可以写出典型变量的转换公式(标化的)为:
第一典型变量: v1= -0.482 * X4 - 0.430 * x5 - 0.165 * X6
第一典型变量 v2= -1.459 * X4 + 1.269 * x5 +0.201 * X6
Raw Canonical Coefficients for Set-2
1 2 3
x4 -.143 -.432 .230
x5 -.173 .510 .567
x6 -.161 .196 -2.158
上面为各典型变量与变量组2中各变量间未标准化的系数列表
Canonical Loadings for Set-1
1 2 3
x1 -.950 .304 .070
x2 -.965 -.249 -.077
x3 -.863 .032 .504
Cross Loadings for Set-1
1 2 3
x1 -.907 .105 .015
x2 -.921 -.086 -.016
x3 -.824 .011 .107
Canonical Loadings for Set-2
1 2 3
x4 -.933 -.358 .037
x5 -.927 .360 .102
x6 -.921 .104 -.374
Cross Loadings for Set-2
1 2 3
x4 -.890 -.124 .008
x5 -.885 .125 .022
x6 -.879 .036 -.079
Redundancy Analysis:
冗余度(Redundancy)分析结果,它列出各典型相关系数所能解释原变量变异的比例,可以用来辅助判断需要保留多少个典型相关系 数。
Proportion of Variance of Set-1 Explained by Its Own Can. Var.
Prop Var
CV1-1 .860
CV1-2 .052
CV1-3 .088
首先输出的是第一组变量的变异可被自身的典型变量所解释的比例,可见第一典型变量解释了总变异的86.0%,而第二典型变量只能解释5.20%。
Proportion of Variance of Set-1 Explained by Opposite Can.Var.
Prop Var
CV2-1 .783
CV2-2 .006
CV2-3 .004
第一组变量的变异能被它们相对的典型变量(即第二组的典型变量)所解释的比例,例,对于第一典型变量来说第一组变量可以被第二组变量的第一典型变量解释78.3%。
Proportion of Variance of Set-2 Explained by Its Own Can. Var.
Prop Var
CV2-1 .860
CV2-2 .090
CV2-3 .051
第二组变量的变异可被自身的典型变量所解释的比例,可见第一典型变量解释了总变异的86.0%,而第二典型变量只能解释9.0%。
Proportion of Variance of Set-2 Explained by Opposite Can. Var.
Prop Var
CV1-1 .783
CV1-2 .011
CV1-3 .002
第二组变量的变异能被它们相对的典型变量(即第一组的典型变量)所解释的比例,例,对于第一典型变量来说第二组变量可以被第一组变量的第一典型变量解释78.3%。
评论