典型相关分析Word下载.docx

1、 with y1 y2;run;在proc cancorr语句之前是输入一个数据集，一个名称为exec102，结构为相关矩阵的数据集，数据集中各变量名称分别为x1,x2,y1,y2。在输入相关数据集之后就要进行典型相关分析。proc cancorr 是执行CANCORR 过程，其可以用来执行典型相关分析、典型净相关分析、及典型冗余分析。分析结果包括标准化的典型相关系数、所有典型变量与原始变量之间的相关系数以及典型变量值。它可以分析的资料集既可以是原始变量的数据，也可以是一个相关系数矩阵或是协方差阵，在本题中分析的就是一个相关关系矩阵。接下来就是定义因变量与自变量组，VAR语句用以指定第一组变量

2、，WITH语句用以指定第二组变量。接下来是结果分析。可以从上表看出样本典型相关系数分别是r1=0.394506、r2=0.068848；样本典型相关系数平方（即相应的特征值）分别为0.155635、0.004740。上表是对样本的典型相关系数是否显著为零的检验，两对典型相关系数的P值都小于0.0001，那么可以在较大概率下拒绝H0，即认为第一对与第二对典型相关系数都是显著的。接下来是输出结果上图是原始数据的典型相关变量的系数，下图则是标准化后数据的典型相关变量的系数因为原始数据的单位并不一致，所以在这里采用标准化数据的典型相关变量的系数，即第一对典型变量为第二对典型变量为最后是两对典型变量与x

3、1、x2、y1、y2的相关系数图，可以得出第一对典型变量与x1（阅读速度）和y1（数学运算速度）的相关系数较大，说明两者之间存在着一定的关系；第二对典型变量与x1（阅读速度）、x2（阅读才能）、y1（数学运算速度）和y2（数学运算才能）之间的相关系数都比较大，较大的是x2与y2，这表示x1x2与y1y2之间存在着一定的联系。10.3程序这里与上题不同的是通过导入的excel数据，运用原始数据来进行典型分析。可以从上表看出样本典型相关系数分别是r1=0.788508、r2=0.053740；样本典型相关系数平方（即相应的特征值）分别为0.621745、0.002888。上表是对样本的典型相关系数

4、是否显著为零的检验，第一对典型相关系数的P值为0.0003，小于0.005，那么在较大概率下拒绝H0，但第二对的典型相关系数的P值为0.8031，那么在较大概率下接受H0，即认为第一对典型相关系数都是显著，第二对典型相关系数是不显著的。为了减少数据的差异，在这里采用标准化数据的典型相关变量的系数，即第二对典型变量的系数并不显著，在这里就不做列举最后是两对典型变量与x1、x2、y1、y2的相关系数图，可以明显得出第一对典型变量与x1（长子头长）x2（长子头宽）和y1（次子头长）y2（次子头宽）的相关系数都非常大（接近于1），说明两者之间存在着一定的关系，这表示长子的头长宽与次子的头长宽之间很可能

5、存在着一定的联系。10.4程序部分因与上一题相似，在这里不做重复介绍了，下面直接对结果进行分析。可以从上表看出样本典型相关系数分别是r1=0.521594、r2=0.375256 r3=0.242181 r4=0.136568 ；样本典型相关系数平方（即相应的特征值）分别为0.272060、0.140817 、0.058652、0.018651。上表是对样本的典型相关系数是否显著为零的检验，四对典型相关系数的P值都小于0.0001，那么在较大概率下拒绝H0，即认为第一对到第四对典型相关系数都是显著的。因为原始数据的单位并不一致，所以在这里采用标准化数据的典型相关变量的系数，将其以表格的形式表示

6、，每一列代表一对典型变量标准化V1V2V3V4x1-0.042951.0898241.116106-1.00923x21.1622040.698785-1.4170.173189x3-1.375330.2081490.0155671.689889x40.890862-1.650570.832481-0.26301R0.5215940.3752560.2421810.136568W1W2W3W4y10.473266-0.814050.494647-0.16044y2-0.78058-0.451020.590939-0.71929y30.256703-0.605180.6981330.624613

7、y40.6919170.379952-0.418970.43757y5-0.14515-0.18399-1.51915-0.72527y6-0.070390.625541-0.334250.875976y70.3127280.5898350.2275760.186125y80.3364250.4868650.833353-0.65573最后是四对典型变量与x1、x2、x3、x4及y1、y2、y3、y4、y5、y6、y7、y8的相关系数图。可以看出第一对典型变量与x2（吸烟2（第二措词）x4（吸烟4（第四措词）y1（集中力）y4（紧张）y5（警惕）y7（疲劳）的相关系数较高，那么认为x2x4与y

8、1 y4y5y7之间存在着一定的关系。通过相关系数，依次可以观察到接下来的三对典型变量所代表的含义，但是因为第一对典型变量的相关系数最大0.521594，其它三对的相关系数较小，在此就不做细致分析。课外习题程序结果分析可以从上表看出样本典型相关系数分别是r1=0.980756、r2=0.906494 r3=0.631299 r4=0.570813 （前两个的典型系数相对较大） ；样本典型相关系数平方（即相应的特征值）分别为0.961882、0.821731 、0.398539、0.325827。上表是对样本的典型相关系数是否显著为零的检验，前两对典型相关系数的P值都小于0.0001，那么可以在

9、较大概率下拒绝H0，即认为第一对与第二对典型相关系数都是显著的；但第三、第四对典型相关系数分别为0.0640、0.1158,都大于0.05，可以认为接受H0，即认为第三对与第四对典型相关系数都是显著的因为原始数据的差异较大，并且原始数据的典型相关变量系数较小，所以在这里采用标准化数据的典型相关变量的系数，即由于第三第四对相关变量的系数并不显著，在这里就不做列举。可以看出在第一对典型相关变量中，除了x2（家庭经营收入）、x4（财产性收入）、x9（医疗保健支出）,其它变量与典型的相关变量的相关系数较大，认为劳动者报酬、转移性收入与食品支出、衣着支出、居住支出、家庭设备及服务支出、交通和通讯支出、文教娱乐用品及服务支出、其他商品及服务支出之间存在着较大的正相关关系；在第二对典型相关变量中，转移性收入与衣着支出、医疗保健支出存在着一定的负相关关系。