实验九典型相关分析
课时授课计划课次序号： 22一、课题：实验九典型相关分析二、课型：上机实验三、目的要求：1.掌握典型相关分析的理论与方法、模型的建立与显著性检验；2.掌握利用典型相关分析的SAS过程解决有关实际问题.四、教学重点：典型相关分析的SAS过程.教学难点：相关分析的理论与方法、模型的建立与显著性检验.五、教学方法及手段：传统教学与上机实验相结合．六、参考资料：《应用多元统计分析》，高惠璇编，北京大学出版社，2005；《使用统计方法与SAS系统》，高惠璇编，北京大学出版社，2001；《多元统计分析》(二版)，何晓群编，中国人民大学出版社，2008；《应用回归分析》(二版)，何晓群编，中国人民大学出版社，2007；《统计建模与R软件》，薛毅编著，清华大学出版社，2007.七、作业：八、授课记录：九、授课效果分析：实验九典型相关分析(Canonical Correlation Analysis) （2学时）一、实验目的和要求能利用原始数据与相关矩阵、协主差矩阵作相关分析,能根据SAS输出结果选出满足要求的几个典型变量．二、实验内容1.典型相关分析的SAS过程—PROC CANCORR过程基本语句：PROC CANCORR <data=数据集> <OUT=SAS 数据集> <OUTSTAT=SAS 数据集> <CORR> <NCAN=m> <EDF=n-1>;VAR variables;WITH variables;RUN;说明：此过程输入数据可以是原始数据，也可以是相关系数矩阵或协方差矩阵，输出结果包含相关系数矩阵、典型相关系数、典型变量的系数、典型变量对之间的相关性检验的F统计量值、自由度、p值、典型变量与原始变量的相关系数等．（1）proc cancorr语句的<选项列表>：OUT=SAS 数据集——创建含原始数据和典型相关变量得分(观测值)的SAS集．OUTSTAT=SAS 数据集——创建含原始变量的样本均值、样本标准差、样本相关系数阵、典型相关系数和典型变量的标准化和非标准化系数等SAS集．CORR（或C）——打印原始变量的样本相关系数矩阵．NCAN=m——规定要求输出的典型变量对个数，默认为两组变量个数较小者．EDF=n-1——针对输入原始数据集为样本相关系数矩阵或样本协方差矩阵，借此选项指定样本容量为观测个数减1．输入为原始观测数据时，省略此项．all——所有输出项．noprint——不输出分析结果．short——只输出典型相关系数和多元分析统计数．simple——简单统计数．vname=变量名——为var语句的变量定义名称．vprefix=前缀名——为var语句的典型变量定义前缀．wname=变量名——为with语句的变量定义名称．wprefix=前缀名——为with语句的典型变量定义前缀．（2）VAR variables——VAR后列出进行相关分析的第一组变量名称．（3）WITH variables——WITH后列出进行相关分析的第二组变量名称var与with语句经常同proc cancorr语句一起使用．其他语句类似corr过程．2. 典型相关分析步骤两组随机变量T q T p Y Y Y X X X ),,,(,),,,(2121 ==Y X ，取值 T q T p y y y x x x ),,,(,),,,(2121 ==y x n 组观测数据 T iq i i i T ip i i i y y y x x x ),,,(,),,,(2121 ==y x ，标准化样本),,,(),,,(22221111**2*1*ppp ip i i Tip i i i s x x s x x s x x x x x ---== x T q iq i i i y y y y y y ),,,(1111221111*σσσ---= y n i ,,2,1 =样本相关系数矩阵⎪⎪⎭⎫⎝⎛=22211211R R R R R 为总体TT T ),(Y X 相关系数矩阵ρ的估计． 样本典型相关分析步骤：（1）求2112212111*R R R R A --∧=（1211121122*R R R R B --∧=）的特征值022221≥≥≥≥∧∧∧pρρρ（2）求2112212111*R R R R A --∧=和1211121122*R R R R B --∧=对应的正交单位化特征向量∧∧∧p e e e ,,,21 和∧∧∧p f f f ,,,21（3）第k 对典型相关变量为*2122**2111*,y R f x R e -∧∧-∧∧==T kkT kkV U ，其中 ),,,(),,,,(**2*1***2*1*q p y y y x x x ==y x样本典型相关系数为∧=∧∧k V U k k ρρ**,， p k ,,2,1 =（4）典型相关系数的显著性检验0:0:)(1)(0≠↔=k k k k H H ρρ p k ,,2,1 =统计量 ),(~121/1/112)(0k k H kkt k k k k d d F d d F k 真ΛΛ-=检验p 值为 )),(()(210k k k k k H k f d d F P f F P p ≥=≥=若α<p ，拒绝)(0k H ．依次就p k ,,2,1 =进行检验，若对某个k ，检验p 值首次满足α>p ，则认为只有前1-k 对典型变量显著相关，选取前1-k 对即可．注意：利用样本协方差矩阵，分析方法一样．不需要对数据标准化处理．3.实例分析例 为研究空气温度与土壤温度的关系，考虑六个变量:1X 日最高土壤温度； :2X 日最低土壤温度； :3X 日土壤温度积分值； :1Y 日最高气温； :2Y 日最低气温； :3Y 日气温曲线积分值．观测了46=n 天，数据如表．TT Y Y Y X X X ),,(,),,(321321==Y X ,做典型相关分析．解：（1）建立输入数据集，程序如下：data examp4_6; input x1-x3 y1-y3; cards ;85 59 151 84 65 147 86 61 159 84 65 149 83 64 152 79 66 142 83 65 158 81 67 147 88 69 180 84 68 167 77 67 147 74 66 131 78 69 159 73 66 131 84 68 159 75 67 134 89 71 195 84 68 161 91 76 206 86 72 169 91 76 206 88 73 176 94 76 211 90 74 187 94 75 211 88 72 171 92 70 201 58 72 171 87 68 167 81 69 154 83 68 162 79 68 149 87 66 173 84 69 160 87 68 177 84 70 160 88 70 169 84 70 168 83 66 170 77 67 147 92 67 196 87 67 166 92 72 199 89 69 17194 72 204 89 72 180 92 73 201 93 72 186 93 72 206 93 74 188 94 72 208 94 75 199 95 73 214 93 74 193 95 70 210 93 74 196 95 71 207 96 75 198 95 69 202 95 76 202 96 69 173 84 73 173 91 69 168 91 71 170 89 70 189 88 72 179 95 71 210 89 72 179 96 73 208 91 72 182 97 75 215 92 74 196 96 69 198 94 75 192 95 67 196 96 75 195 94 75 211 93 76 198 92 73 198 88 74 188 90 74 197 88 74 178 94 70 205 91 72 175 95 71 209 92 72 190 96 72 208 92 73 189 95 71 208 94 75 194 96 71 208 96 76 202 ; run ;(2) 调用典型相关分析cancorr 过程菜单操作方法为，选择Globals/SAS/Assist/Data analysis/multivariate/canonical correlation analysis(典型相关分析)菜单命令． 编程方法如下：proc cancorr data =examp4_6 corr ; /*调用相关分析过程，打印样本相关系数矩阵*/ var x1-x3; /* 第一组变量x1-x3*/ with y1-y3; /* 第二组变量y1-y3*/ run ;由SAS proc cancorr 过程求得TY Y Y X X X ),,,,,(321321样本相关系数矩阵⎪⎪⎭⎫⎝⎛=22211211R R R R R SAS 系统 10:24 Sunday, November 2, 2008 14The CANCORR ProcedureCorrelations Among the Original VariablesCorrelations Among the VAR Variables （变量x1-x3的相关系数矩阵11R ） x1 x2 x3x1 x2 x3Correlations Among the WITH Variables （变量y1-y3的相关系数矩阵22R ） y1 y2 y3 y1 y2 y3Correlations Between the VAR Variables and the WITH Variables变量x1-x3与y1-y3的相关系数矩阵12Ry1 y2 y3 x1 x2 x3 变量间高度相关。
SAS 系统 10:24 Sunday, November 2, 2008 15 The CANCORR Procedure Canonical Correlation Analysis典型相关分析的一般结果Adjusted Approximate Squared Canonical Canonical Standard Canonical Correlation Correlation Error Correlation 典型相关系数∧k ρ 校正的典型相关系数 近似的标准误 典型相关系数平方 1 ∧1ρ= ∧21ρ=2 ∧2ρ= ∧22ρ=3 ∧3ρ= . ∧23ρ=（3）检验各对典型变量是否显著相关表 各对典型变量相关性检验结果Eigenvalues of Inv(E)*H Test of H0: The canonical correlations in the = CanRsq/(1-CanRsq) 即)1/(22∧∧-k k ρρ current row and all that follow are zero Likelihood ApproximateEigenvalue Difference Proportion Cumulative Ratio F Value Num DF Den DF Pr > F 各对相关系 相邻两特 特征值占 特征值占方差 似然比k Λ k F 值 k d 1 k d 2k p数特征值 征值之差 方差比例 比例累计值 1 9 <.0001 2 0. 4 82 3 0. 1 42检验假设0:)(0=k k H ρ检验统计量),(~121/1/112)(0k k H kk t k k k k d d F d d F k 真ΛΛ-=，k k d d 21,为第一、第二自由度．由检验结果可知，05.0,05.021=<=<ααp p ，05.02816.03>=p ．故只有前两对典型变量显著相关．取前两对进行分析即可．另外，从对典型变量),(k k V U 进行分析求得特征值在方差占比例的累计值（贡献率）为也可看出，只需要前两对变量即可．以下输出用wilks ’Lambda 等四种方法对典型相关系数为零的假设检验Multivariate Statistics and F Approximations S=3 M= N=19Statistic Value F Value Num DF Den DF Pr > F 统计方法 F 值 检验p 值 Wilks' Lambda 9 <.0001 Pillai's Trace 1. 9 126 <.0001 Hotelling-Lawley Trace 6. 9 <.0001 Roy's Greatest Root 6. 3 42 <.0001NOTE: F Statistic for Roy's Greatest Root is an upper bound.（4）求出典型变量及典型相关系数，并解释典型变量的系数和典型结构SAS 系统 10:24 Sunday, November 2, 2008 16 The CANCORR Procedure Canonical Correlation AnalysisRaw Canonical Coefficients for the VAR Variables 第一组变量x1-x3的典型变量的系数（原始变量未标准化）第一典型变量1ˆU 第二典型变量2ˆU 3ˆU V1 V2 V3 x1 x2 x3第二组变量y1-y3的典型变量的系数（原始变量为标准化）Raw Canonical Coefficients for the WITH Variables第一典型变量1ˆV 第二典型变量2ˆV 3ˆV W1 W2 W3 y1 y2 y3数据未标准化结果，即利用协方差矩阵分析的结果32110219.003139.01280.0x x x U +-=∧32210624.00612.00115.0y y y V +--=∧其余略SAS 系统 10:24 Sunday, November 2, 2008 17 The CANCORR Procedure Canonical Correlation Analysis第一组变量x1-x3的典型变量的系数（原始变量标准化后）Standardized Canonical Coefficients for the VAR Variables第一典型变量∧*1U 第二典型变量∧*2U ∧*3UV1 V2 V3 x1(即*1x ) x2(即*2x ) x3(即*3x )第二组变量y1-y3的典型变量的系数（原始变量标准化后）Standardized Canonical Coefficients for the WITH Variables 第一典型变量∧*1V 第一典型变量∧*2V ∧*3V W1 W2 W3 y1 y2给出2112212111*ˆR R R R A --=的三个特征值 0.860919ˆ21=ρ,0.316047ˆ22=ρ,0.027547ˆ23=ρ.第一对典型变量*3*2*1*14600.01149.06485.0ˆx x x U +-=主要日最高、日均土壤温度加权 *3*2*1*12527.12016.00863.0ˆy y y V+--=主要受日均气温影响 第一对典型变量主要表现日均气温与日均、最高土壤温度相关性。
染色体核型分析报告
染色体核型分析报告:核型染色体分析报告染色体核型分析弱精染色体核型分析46 xn 染色体核型分析46 xy篇一:染色体核型分析细胞遗传学(染色体核型)分析克隆性染色体异常是诊断恶性血液病的重要依据。
许多特异性染色体畸变和特定的恶性血液病亚型相联系，因而成为恶性血液病诊断分型的重要指标;诊断时的染色体核型对恶性血液病具有独立的预后价值，对于治疗方案的选择具有指导意义;同时染色体畸变可作为监测白血病缓解、复发及突变的重要参考指标，也为分子学研究提供了重要线索。
比如t(9;22)异常的急性淋巴细胞白血病、复杂染色体异常的白血病预后很不好，应尽早进行异基因造血干细胞移植等。
WHO制定的恶性血液病分型系统中，将染色体核型作为最重要的分型及诊断指标，发现重现性异常的染色体可提前作出AML的诊断。
很多染色体异常导致特异性的白血病融合基因。
染色体分析除用于各类恶性血液病患者，如急、慢性白血病、MDS、MPNs、淋巴瘤、多发性骨髓瘤(MM)患者外，还可用于儿童遗传性疾病、先天性畸形的染色体检测，以及习惯性流产、不孕不育等疾病的诊断。
但是染色体分裂相的制备和分析具有一定的难度，需要时间长，因此导致临床染色体的诊断缺乏及时性，往往发报告时间需要一个月甚至更长的时间;染色体核型分析需要细胞分裂才能完成，因此需要细胞具有良好的分裂活性，部分患者的细胞不分裂就不能观察到可供分析的中期分裂相(正常染色体分裂相，核型排列后如图3和图4)，在一定程度上影响了患者的确诊和治疗。
此外染色体一般只能分析20-30个分裂相细胞，敏感性只有百分之一，当异常细胞比例较低时，也难以发现异常的染色体。
异常染色体核型的判断需要经验丰富的技术人员，尤其对一些复杂染色体异常，或异常较小的染色体，往往难以正确判断。
采用染色体全自动扫描暨自动核型分析系统可以加快染色体检测和发报告速度。
通过加用一些促细胞分裂的试剂可增加可供分析的核型。
图3 正常男性的染色体核型图4:正常女性核型 46,XX不同血液恶性肿瘤常见的染色体异常见表2，具体介绍如下。
初中化学实验案例分析
初中化学实验案例分析
化学实验在初中教育中起着非常重要的作用，既能帮助学生巩固知识，又能培养他们的实践能力和动手能力。
今天我们就来分析一个初
中化学实验案例，看看其中的教育意义和实践价值。
这个实验案例是关于酸碱中和反应的，主要目的是让学生通过实际
操作，观察酸和碱溶液混合后产生的中和反应。
在这个实验中，我们
需要准备一些基本的实验器材和试剂，比如玻璃容器、酸、碱溶液等。
在实验开始前，老师首先向学生介绍了酸和碱的一些基本知识，让
他们了解酸碱的定义、性质和常见的酸碱指示剂等。
然后，学生们分
组进行实验操作，将酸和碱溶液按照一定的比例混合在一起，观察溶
液的变化。
通过实验操作，学生们发现酸和碱混合后的溶液呈现中性，PH值
接近7，产生了中和反应。
他们还学会了如何使用PH试纸或PH仪器
来测试溶液的酸碱性，并能够准确地判断溶液的PH值。
通过这个实验案例，学生不仅加深了对酸碱中和反应的理解，还提
高了他们的实验操作能力和观察力。
同时，这个实验还激发了学生对
化学实验的兴趣，促进了他们对化学学科的学习。
总的来说，初中化学实验案例的分析有助于提高学生对化学知识的
学习热情和实践能力，培养他们的动手能力和科学精神。
希望通过这
样的实验案例分析，能够激发更多学生对化学学科的热爱，为他们的
学习和未来发展打下坚实的基础。
初中化学实验中的实验记录与分析方法
初中化学实验中的实验记录与分析方法化学实验作为初中学生学习化学的重要环节，通过实际操作提高学生对化学理论的理解和应用能力。
在实验中，准确的实验记录和合理的实验数据分析方法对于获取准确的实验结果和推理结论至关重要。
本文将介绍初中化学实验中的实验记录和分析方法。
一、实验记录1. 记录要准确在进行化学实验时，必须保持严谨和准确的态度。
每一步操作和每一次观察都应该记录下来，包括实验步骤、观察现象、产生的化学变化等。
要注意记录实验条件，如温度、浓度、PH值等。
准确的实验记录有助于实验结果的可重现性，也为后续的数据分析提供数据依据。
2. 确保实验记录清晰实验记录应该清晰可读，使用工整的字迹和明确的标志。
采用表格、图表等形式整理记录，有助于整体把握实验过程和结果。
对于观察到的现象可以绘制示意图，以帮助理解和描述。
避免出现涂改或无法辨认的实验记录，确保实验数据的准确性。
二、实验数据分析方法1. 数据处理在化学实验中，经常需要测量、记录和计算实验数据。
对于测量得到的数值数据，可以进行平均值的计算，以减小个别误差的影响。
同时，可以计算测定值的相对偏差或百分比误差，评估测量结果的准确度和精确度。
2. 图表分析对于实验数据的大量测量结果，可以使用图表进行分析。
常用的图表包括直方图、折线图、散点图等，可以清晰地展示实验结果的规律和变化趋势。
通过图表的分析，可以更直观地理解实验现象和化学反应的关系。
3. 结果推理在实验数据的基础上，可以进行结果的推理。
通过分析实验数据的特点，归纳出规律和定律，进一步理解化学反应的机理和原理。
比如，可以通过观察溶液颜色的变化来推测化学反应的进行，从而验证化学反应的特性。
4. 结果总结在实验记录和数据分析的基础上，进行实验结果的总结。
总结应该包括实验目的、实验方法、结果及分析以及实验结论等要素。
对于实验中出现的问题和不确定性，也可以在总结中提出，并对后续实验提出改进建议。
总之，初中化学实验中的实验记录和分析方法对于获得准确的实验结果和科学推理都至关重要。
九年级化学教学案例范文初三化学经典教学案例及分析
九年级化学教学案例范文初三化学经典教学案例及分析教学目标：1、通过水电解实验，认识水的组成。
2、能说出由分子和原子构成的常见物质。
3、体会水是一种重要的自然资源、氢气是一种理想能源的涵义。
起点分析：在上节课学生已经了解到物理变化中分子本身没变，本节继续采用学生熟悉的水作为载体，通过对水分解产生氢气和氧气的微观过程的描述，使学生认识到化学反应的实质。
教学重点：1、通过对水分解反应的微观解释，认识化学变化中分子发生了本质的改变，分成了原子，而原子不可再分。
2、通过水的分解和氢气的燃烧反应，了解分解反应和化合反应，并能对学过的典型反应进行分类。
教学难点：1、知道化学反应过程中同时伴随着能量的变化。
2、认识同种分子化学性质相同，不同种分子化学性质不同。
教学方法：实验、讨论、交流媒体选择：多媒体系统，实验器材教学过程：[创设情境]水的三态变化是分子见的间隔和分子的排列方式发生了改变，如果往水中通以直流电，情形是否会有不同呢？[活动天地]探究课题：水在直流电作用下的分解探究目标：1、通过实验，验证电解水的产物。
2、通过电解水实验，进一步从分子、原子角度理解什么是化学变化。
2、培养科学探究精神。
提出问题：1、水中通以直流电，会有什么现象？2、水通电与水的三态变化是否属于同一种变化？收集资料：1、氧气是一种无色无味不易溶于水的气体，能使带火星的木条复燃。
2、氢气是一种无色无味难溶于水的气体，在空气中燃烧时，产生淡蓝色火焰。
做出假设：水通电后有新物质生成设计实验并进行验证：实验步骤实验现象实验结论1、在水电解器的玻璃管中注满水，接通直流电源，观察两个电极和两支玻璃管内液面的变化与电源正极相连的玻璃管内液面下降较，与电源负极相连的玻璃管内液面下降较。
2、用一根点燃的火柴接近液面下降较多的玻璃管尖嘴处，慢慢打开活塞，观察。
该气体是3、用一根带火星的木条接近液面下降较小的玻璃管尖嘴处，慢慢打开活塞，观察。
该气体是分析归纳：1、电解水是变化。
数学建模__SPSS_典型相关分析
数学建模__SPSS_典型相关分析典型相关分析（Canonical Correlation Analysis）是一种多变量统计方法，用于分析两组变量之间的关系。
在典型相关分析中，我们尝试找到两组变量之间的线性组合，使得这些线性组合之间的相关性最大化。
典型相关分析可以帮助研究者理解两组变量之间的关系，并发现潜在的相关结构。
典型相关分析适用于有两组或多组相关变量的研究。
典型相关分析既可以用于预测模型的建立，也可以用于变量选择和降维。
下面我们将介绍典型相关分析的基本原理、步骤和应用。
典型相关分析的基本原理是寻找两个组合线性关系，使得两个组合相互之间具有最大的相关性。
在典型相关分析中，我们将一个变量集作为自变量，另一个变量集作为因变量，然后寻找这两个变量集之间的最佳线性组合。
典型相关分析的步骤如下：1.收集数据：首先需要收集自变量和因变量的数据。
这些数据可以是观察数据、实验数据或调查数据。
2.数据预处理：在进行典型相关分析之前，我们需要对数据进行预处理。
这包括缺失数据处理、异常值检测和变量归一化等步骤。
3.计算相关系数：接下来，我们需要计算自变量和因变量之间的相关系数。
这可以通过计算皮尔逊相关系数、斯皮尔曼相关系数或肯德尔相关系数来实现。
4.计算典型变量：通过应用典型相关分析模型，我们可以计算出一组自变量和一组因变量的典型变量。
典型变量是自变量和因变量的线性组合，它们具有最大的相关性。
5.进行相关性检验：在典型相关分析中，我们常常需要进行相关性的显著性检验。
这可以通过计算典型相关系数的显著性水平来实现。
6.结果解释和应用：最后，根据典型相关分析的结果，我们可以解释自变量和因变量之间的关系，并根据这些结果进行应用和决策。
典型相关分析的应用非常广泛。
例如，在金融领域，典型相关分析可以帮助分析公司的财务指标与市场指标之间的关系。
在医学研究中，典型相关分析可以用于分析不同变量对医疗结果的影响。
在社会科学研究中，典型相关分析可以帮助分析人们的行为和态度之间的关系。
初中科学实验结果分析方法总结
初中科学实验结果分析方法总结实验结果分析是科学实验中非常重要的一部分，通过对实验结果的分析，我们可以得出结论，验证实验假设，进一步推断或解释实验现象，为科学研究提供证据和支持。
下面是初中科学实验结果分析方法的总结：1.数据整理：在进行实验结果分析之前，首先要对实验数据进行整理和清理。
确保数据的准确性和完整性，去除可能存在的异常值或错误数据，以保证分析的可靠性和准确性。
2.数据图表化：将实验数据以图表的形式展示出来，有助于直观地观察实验结果的分布和变化规律。
常用的数据图表包括柱状图、折线图、散点图等，通过这些图表可以更清晰地看出数据之间的关系和趋势。
3.平均值计算：计算实验数据的平均值是一种常用的结果分析方法。
通过计算平均值可以对数据的集中程度进行评估，了解数据的总体倾向。
平均值是对数据集中趋势的一个简要描述，可以帮助我们初步判断实验结果的特点和规律。
4.方差分析：方差分析是一种用来检验不同组别之间差异是否显著的统计方法。
对于实验结果有多个组别的情况，可以利用方差分析来比较各组别之间的差异是否有统计学意义，确定是否存在显著差异。
5.相关性分析：在一些涉及多个变量的实验中，我们常常需要通过相关性分析来探究变量之间的关系。
通过计算相关系数可以评估变量之间的线性相关程度，进而判断它们之间是否存在相关性和关联性。
6.对比分析：对比分析是一种比较不同组间或样本间差异的方法。
通过对比分析可以发现不同条件下的差异和变化，从而得出结论，并验证实验假设。
常用的对比分析方法包括比较平均值、比较频数等。
7.数据模型拟合：有时候实验数据并不完全符合预期的理论模型，需要通过数据模型拟合来找到更合适的解释。
通过拟合数据模型可以更好地理解数据的规律和趋势，为实验结果的解释提供更深入的参考。
综上所述，实验结果分析是科学实验中不可或缺的一部分，通过科学合理的方法对实验结果进行准确分析，可以得出准确的结论和科学的解释。
希望以上总结的初中科学实验结果分析方法对您有所帮助。
实验 相关分析与回归分析
实验相关分析与回归分析一、实验目的学习利用SPSS进行相关分析、偏相关分析、距离分析、线性回归分析和曲线回归。
二、实验内容及实验步骤（一）两变量的相关分析（Bivariate过程）实验内容：某地区10名健康儿童头发和全血中的硒含量（1000ppm）如下，试作发硒与血硒的相关分析。
编号发硒血硒1 2 3 4 5 6 7 8 9 107466886991736696587313101311169714510实验步骤：1．建立数据文件。
定义变量名：发硒为x，血硒为y，按顺序输入相应数值。
2．选择菜单“Analyze→Correlate→Bivariate”，弹出“Bivariate Correlation”对话框。
在对话框左侧的变量列表中选x、y，使之进入“Variables”框；再在“Correlation Coefficients”框中选择Pearson相关系数（r）；在“Test of Significance”框中选相关系数的“Two-tailed”（双侧）检验。
选中复选框“Flag significant correlations”设置是否突出显示显著相关。
3．单击“Options”按钮，弹出“Bivariate Correlation: Options”对话框，选择“Means and standard deviations”和“Cross-product deviations and covariances”项，输出X、Y的均数与标准差以及XY交叉乘积的标准差与协方差。
4．单击“OK”按钮，得到输出结果。
（二）偏相关分析(Partial 过程)实验内容：某地29名13岁男童身高（cm）、体重（kg）和肺活量（ml）的数据如下表,1．建立数据文件。
定义变量名：身高为height，体重为weight，肺活量为vc，按顺序输入相应数据。
2．选择菜单“Analyze→Correlate→Partial”，弹出“Partial Correlations”对话框。
预防医学实习九环境相关病案例分析
预防医学实习九环境相关病案例分析案例某周二下午，一位52岁男子前来就诊，主诉过去三周头痛伴头晕，无呕吐；上周日早晨醒来突发轻微的心绞痛，在含服硝酸甘油几分钟后得到缓解。
病史：3年前诊断患有心绞痛，一直用硝酸甘油控制病情。
病人在进行强度较大的活动前都坚持舌下含服0.4mg硝酸甘油。
病人每隔一天服用一片阿司匹林。
他已经连续2年半没有出现任何症状了。
无烟酒嗜好。
该病人衣着整洁，面色微红。
目前，血压120/85mmHg，脉搏80/分钟，呼吸20次/分钟。
体格检查：心、肺、中枢神经系统均正常。
ECG检查无异常。
实验室检查：血脂、血沉、血糖、甲状腺功能等均属正常。
问题1.该病人有哪些健康问题？问题2.你的诊断结果是什么？你认为引起这些问题的原因是什么？问题3.为了帮助你诊断，还需收集哪些信息？为什么？环境接触史信息收集首先，我们谈谈为什么要了解环境接触史。
这里所说的环境包括职业和生活环境。
职业和生活环境中的有毒有害物质和放射线可以对在该环境下生活和工作的人群产生不同的毒性（见第二章）。
病人往往以某一系统或多系统症状前来就诊，在对病人进行诊断和病因分析时，收集环境有害因素的接触史，可提供线索，促使医生去调查病人是否有接触环境有害因素，以判断病人的表现是否与某种环境有害因素有关。
环境接触史信息收集一般通过回答一些问题（见附表）获得。
回答这些问题可以是病人自填，也可以是医生询问病人回答。
环境接触史收集的主要内容包括职业环境接触史和生活环境接触史。
职业环境接触史的询问内容包括：1.接触来源目前及过去是否接触有毒金属、粉尘、纤维、化学物品、生物有害因素、放射线、噪声、震动典型的一个工作日（工作任务、地点、原料、使用物品）与通常不同的一些变化其他同事或家人是否同样受影响2.工作场所的健康安全防护措施通风设施和效果医疗及工业卫生监测职业性体检个人防护用品个人卫生习惯警示性标志或标语3.职业史描述目前和以前做过的所有工作，包括短期、季节性的、兼职的工作或兵役的情况。
spass相关分析实验报告
实训的心得与体会
人们在实践中发现，变量之间关系分为两种类型：函数关系和相关关系。
函数关系是变量间的一咱确定性关系。
但是，在实际问题中，变量间的关系往往并不是那么简单，也就是说，变量之间有着密切关系，但又不能由一个（或几个）变量的值确定另一个变量的值，这
种变量之间的关系是不确定性关系，称为相关关系。
其特点是：一个变量的取值不能由另一个变量唯一确定，即当自变量x取某个值时，因变量y的值可能会有多个。
这种关系不确定的变量显然不能用函数形式予以描述，但也不是杂乱无章、无规律可循的。
因此在本章利用spss 软件学习了相关分析后，事物之间的相互关系及相似性，就可以很好的通过定量的计算出来而来。
通过本次实验用spass统计分析软件来进相关分析后，感觉统计学中的很多问题不再像以前那么陌生了，同时也感觉统计学不再是想象中那么困难，之前学习统计学最怕的就是对数据进行求解与分析，现在使用这款软件后，让我从之前对统计学的陌生转变为熟悉，从此，在解决统计方面的问题又多了一项解决的工具：spss。
典型信号自相关分析
典型信号自相关分析一、试验目的1.加深对相关分析概念、性质、作用的理解；2.掌握用相关分析法测量信号中的周期成分的方法。
二、试验原理相关是指客观事物变化量之间的相依关系，在统计学中是用相关系数来描述两个变量x，y之间的相关性的，即：自相关函数表示波形自身不同时刻的相似程度。
与波形分析、频谱分析相比，它具有能够在强噪声干扰情况下准确地识别信号周期的特点。
为研究随机变量x, y是与时间有关的函数，即x(t)与y(t)，引入一个与时间τ有关的量ρxy(τ)，称为相关系数，并有：式中假定x(t)、y(t)是不含直流分量(信号均值为零)的能量信号。
分母部分是一个常量，分子部分是时移τ的函数，反映了二个信号在时移中的相关性，称为相关函数。
因此相关函数定义为：或如果x(t)=y(t)，则称)()(ττxyxRR=为自相关函数，即：⎰+∞∞--=dtt xt xRx)()()(ττ，相关函数描述了两个信号或一个信号自身波形不同时刻的相关性（或相似程度），揭示了信号波形的结构特性，通过相关分析我们可以发现信号中许多有规律的东西。
相关分析作为信号的时域分析方法之一，为工程应用提供了重要信息，特别是对于在噪声背景下提取有用信息，更显示了它的实际应用价值。
实验内容为计算正弦波、方波、三角波、白噪声和受50%白噪声干扰的正弦波信号的自相关系数，确定信号周期。
三、程序及波形t1=0:0.01:1;t2= 0:0.0001:0.06;t3=0:0.001:0.1;y1=2*sin(10*pi*t1);y2 = SQUARE(2*pi*50*t2);y3=sawtooth(c,width);y4=rand(1,200);m1=rand(1,201);m2=sin(10*pi*t5);y5=m1+m2;w1=xcorr(y1,'unbiased');w2=xcorr(y2,'unbiased');w3=xcorr(y3,'unbiased');w4=xcorr(y4,'unbiased');w5=xcorr(y5,'unbiased');n1=corrcoef(y1);n2=corrcoef(y2);n3=corrcoef(y3);n4=corrcoef(y4);n5=corrcoef(y5);subplot(5,2,1);plot(t1,y1);subplot(5,2,2);plot(w1);subplot(5,2,3);plot(t2,y2,'g');subplot(5,2,4);plot(w2,'g');subplot(5,2,5);plot(y3,'r');subplot(5,2,6);plot(w3,'r');subplot(5,2,7);plot(y4,'c');subplot(5,2,8);plot(w4,'c');subplot(5,2,9);plot(y5,'y');subplot(5,2,10);plot(w5,'y');四、结论1.正弦信号的自相关函数为余弦信号。