1. pearsoncorrelation，方差的历史由来？
方差是统计学中的一个重要概念，它用于衡量一组数据的离散程度。方差最早由英国统计学家R. A. Fisher在20世纪初提出。
在19世纪，统计学家们开始研究如何对数据进行分析和描述。他们发现，平均值可以用来描述数据的集中趋势，但它并不能完全反映数据的特征。于是，他们开始研究如何度量数据的离散程度。在这个过程中，方差概念被提出。
方差的计算方法是将每个数据点与平均值的差值求平方，然后将这些差值的平方求和并除以数据点的数量。方差越大，表示数据的离散程度越大；方差越小，表示数据的离散程度越小。方差的计算方法简单易懂，因此被广泛应用于各个领域的数据分析中。
2. person相关性分析？
相关性可以通过计算两个变量之间的相关系数（如皮尔逊相关系数、Spearman等级相关系数）来确定两个变量之间的关系，如果相关系数接近于1或-1，则表明这两个变量之间存在较强的正相关或负相关，反之则表明它们没有很强的相关性。
显著性可以通过执行假设检验来确定两个变量之间的相关性是否具有统计学意义。
一般情况下，如果相关系数的绝对值大于临界值（如0.05或0.01），则表明这两个变量之间的相关性具有统计学意义，这时相关系数就可以被视为显著。
此外，对于person相关性的分析，我们可以采用相关分析方法，来分析变量之间的相关性，并通过相关系数和p值来衡量相关性大小和显著性。
3. corrplot使用方法？
corrplot是一个用于可视化相关系数矩阵的R函数，可以用于展示变量之间的相关性。使用方法如下：1. 安装和加载corrplot包：首先需要安装corrplot包，在R命令行中输入`install.packages("corrplot")`进行安装。然后，加载corrplot库，使用`library(corrplot)`。2. 准备数据：将需要可视化的相关系数矩阵存储为一个数据框或矩阵。确保矩阵的行和列名称对应变量的名称。3. 调用`corrplot()`函数：使用`corrplot`函数来绘制相关系数矩阵的可视化图。常用的参数包括： - `x`：相关系数矩阵的输入数据。 - `method`：相关系数的计算方法，可以是`"pearson"`（默认）、`"kendall"`或`"spearman"`。 - `type`：可视化类型，可以是`"upper"`（默认，显示上三角矩阵）、`"lower"`（显示下三角矩阵）或`"full"`（显示整个矩阵）。 - `tl.col`：文本标签的颜色。 - `tl.srt`：文本标签的旋转角度。 - `tl.cex`：文本标签的大小。 - `addgrid.col`：是否添加网格线。4. 自定义可视化：可以通过设置参数来自定义可视化效果。例如，可以使用`col`参数设置相关系数的颜色映射，使用`cl.lim`参数设置相关系数的范围等。以下是一个简单示例：```R# 安装和加载corrplot包install.packages("corrplot")library(corrplot)# 创建一个相关系数矩阵cor_mat <- cor(mtcars)# 绘制相关系数矩阵的可视化图corrplot(cor_mat, method = "circle", tl.col = "black")```这将绘制出一个圆形的相关系数矩阵图，其中变量之间的相关性以颜色和半径大小表示。
4. 如何做量表的信度和效度检验？
量表的信度检验可以通过重测信度（即测试-重测）或内部一致性信度（例如Cronbach's alpha）来进行。
量表的效度检验可以通过内容效度、面效度、构效度、相关效度和准则效度等方面来考察。
下面是详细的解答:
信度和效度是评价心理测量工具质量的两个主要维度。信度是指量表在不同时间、不同场合和不同评分者之间，能够稳定地反映出被测对象的特征。效度则是指量表能否有效地反映出被测对象的所要测的特征。
对于信度的检验，有两种方法：重测信度和内部一致性。重测信度是指对同一组被试，用同一测量工具在不同场合下进行测试，然后计算不同时间得到的测量结果之间的相关系数。该方法的优点是简便易行，缺点是测量结果可能受到记忆效应和实验环境变化的影响。内部一致性是指在同一时间、同一场合下，用同一测量工具来测量被试不同项目得分之间的相关性。其中Cronbach's alpha是最常用的测量内部一致性的指标之一。
对于效度的检验，有五种方法：内容效度、面效度、构效度、相关效度和准则效度。内容效度是判断量表项目是否全面、准确地反映所要测量的特征。面效度是指量表测量的特征是否符合被测对象的个性特征和文化背景。构效度是指分析量表得分的因素结构，以获得量表项目是否能够衡量所要测量的因素。相关效度是指与其他测量工具或指标相关，以考察量表的测量结果是否具有预期的相关性。准则效度是指与某个基准测试或标准测量结果的相关性，以评估量表的测量结果在某一特定方面的正确性和准确性。
总之，在进行量表的信度和效度检验时，需要综合运用以上方法，以确保量表具有足够的精确度和有效性，从而保证量表的可靠性和实用性。
5. pearson和spearman怎么选？
pearson和spearman选为
pearson释义：
n. 皮尔森（人名）
例句：
The original use was typed by Wayne Pearson, in Calgary, who says he wrote the first ever LOL in reply to a gag by someone called "Sprout".
最初的用法是加拿大卡尔加里的 Wayne Pearson 输入的，他说他在回复一个名叫 “Sprout” 的笑话时第一次写下了 LOL。
spearman释义：
n. 枪兵
n. (Spearman)人名；(英)斯皮尔曼
例句：
Data were analyzed by rank sum test and Spearman correlation test.
资料采用秩和检验和等级相关分析的统计学处理方法。
6. spss中correlation？
correlationmatrix即为相关系数矩阵，做相关数据分析时：点击：“分析”----”相关”----“双变量”，然后，选择在“相关系数”框中选择“Pearson”，做pearson相关分析；若为两个分类变量，或者一个分类变量一个连续性的变量，则以可用Spearman相关分析，这时输出的结果就是correlationmatrix矩阵。
7. 列出非参数统计的方法及对应的参数统计？
统计方法有： 1、计量资料的统计方法 分析计量资料的统计分析方法可分为参数检验法和非参数检验法。 参数检验法主要为t检验和 方差分析(ANOVN，即F检验)等，两组间均数比较时常用t检验和u检验，两组以上均数比较时常用方差分析；非参数检验法主要包括秩和检验等。t检验可分为单组设计资料的t检验、配对设计资料的t检验和成组设计资料的t检验；当两个小 样本比较时要求两 总体分布为 正态分布且方差齐性，若不能满足以上要求，宜用t 检验或非参数方法( 秩和检验)。 方差分析可用于两个以上 样本均数的比较，应用该方法时，要求各个样本是相互独立的随机样本，各样本来自正态总体且各处理组总体方差齐性。根据设计类型不同，方差分析中又包含了多种不同的方法。对于 定量资料，应根据所采用的设计类型、资料所具备的条件和分析目的，选用合适的统计分析方法，不应盲目套用t检验和 单因素方差分析。 2、计数资料的统计方法 计数资料的统计方法主要针对四格表和R×C表利用检验进行分析。 检验或u检验，若不能满足 检验：当计数资料呈配对设计时，获得的四格表为配对四格表，其用到的检验公式和校正公式可参考书籍。 R×C表可以分为双向无序，单向有序、双向有序属性相同和双向有序属性不同四类，不同类的行列表根据其研究目的，其选择的方法也不一样。 3、等级资料的统计方法 等级资料(有序变量)是对性质和类别的等级进行分组，再清点每组观察单位个数所得到的资料。在临床医学资料中，常遇到一些定性指标，如临床疗效的评价、疾病的临床分期、病症严重程度的临床分级等，对这些指标常采用分成若干个等级然后分类计数的办法来解决它的量化问题，这样的资料统计上称为等级资料。 统计方法的选择： 统计资料丰富且错综复杂，要想做到合理选用统计分析方法并非易事。对于同一 个资料，若选择不同的统计分析方法处理，有时其结论是截然不同的。 正确选择统计方法的依据是： ①根据研究的目的，明确研究试验设计类型、研究因素与水平数； ②确定数据特征(是否正态分布等)和样本量大小； ③ 正确判断统计资料所对应的类型(计量、计数和等级资料)，同时应根据统计方法的适宜条件进行正确的统计量值计算； 最后，还要根据专业知识与资料的实际情况，结合统计学原则，灵活地选择统计分析方法。
