關于偏差相關系數(shù)的問題。self 相關和biased self 相關這兩個概念是指序列與自身序列之間存在一定程度的相關是由某種序滯后形成的，部分self 相關函數(shù)是雙序列條件相關給定其他序列的測度函數(shù)，在結果中，ACF是self 相關系數(shù)的圖，而PACF是bias 相關系數(shù)的圖，用于bias 相關分析的變量必須是正態(tài)分布，并且各因素之間應該有相關性。

首先要看你的變量數(shù)據(jù)是否屬于連續(xù)數(shù)據(jù)。如果是連續(xù)數(shù)據(jù)，那么就畫出變量的散點圖，看是否明顯不符合正態(tài)分布。如果完全不一致，那就只能由別人來分析了。如果它們只是輕微傾斜，皮爾遜仍然可以對它們進行分析。如果將數(shù)據(jù)分為不同的數(shù)據(jù)類型，可以直接用spearman方法進行分析。

好像在那個C開關的菜單里很久了。用于bias 相關分析的變量必須是正態(tài)分布，并且各因素之間應該有相關性。如果不滿足上述條件，則應進行轉換。打開spss中的分析相關偏關系，將兩個或兩個以上的變量移入variables，并將至少一個控制變量移入controllingfor列，按ok按鈕。

graphstimeseriesAutocorrelations，選擇要分析成變量的變量，勾選顯示的自相關和部分自相關。然后ok分析。在結果中，ACF是self 相關系數(shù)的圖，而PACF是bias 相關系數(shù)的圖。Grade 相關系數(shù)(CoefficientofRankCorrelation)bias相關實際上是從X和Y的關系中減去Z和他們的相關，然后在消除Z的影響后再看X和Y的關系，雖然X和Z不是-。但是如果z和y有相關，那么你就不能通過直接計算x和y的相關，來消除z對y的影響，因為當z取不同的值時y會發(fā)生變化，而你僅僅通過計算x和y的相關，是無法控制這種變化的。

所謂的自我相關是指序列與自身序列之間有一定程度的相關是由某種順序滯后形成的。常用自協(xié)方差函數(shù)和self-相關函數(shù)來度量自我，部分self 相關函數(shù)是雙序列條件相關給定其他序列的測度函數(shù)。以滯后期k為變量的self 相關系數(shù)序列形成的函數(shù)成為self 相關函數(shù)；系數(shù)列中某個系數(shù)與對應的k形成的函數(shù)是偏自相關函數(shù)，F(xiàn)rom 相關指信號在某一時刻的瞬時值與另一時刻的瞬時值之間的依賴關系。