使用散点图可以调查一对连续变量之间的关系。散点图在一个坐标平面中显示一对经过排序的 x 和 y 变量。
例如,医疗研究者会创建散点图来显示少女的体重指数 (BMI) 和身体脂肪百分比之间的正相关关系。
要创建散点图,请选择图形 > 散点图。
如果要为一段时间内、按照时间顺序定期收集的数据绘制图形,则可以使用时间序列图。
为了让图形更有效地表示数据,请考虑以下准则。
数据必须包括一对或多对数字或日期/时间数据列。
每对数据列必须包含相同数量的行。数据中最多还可以包括三列用于分组的类别数据。
样本数量应当为中到大
虽然对于散点图所需的数据量没有正式的准则,但样本越大,就越能清楚地表示数据中的模式。当样本数量大约为 40 或更大时,含拟合回归线的散点图最有效。如果样本数量小于 40,则拟合回归线可能不那么准确。
样本数据应当是随机选择的
在统计学中,随机样本用于对总体做出归纳,即推断。如果数据不是随机收集的,则结果可能无法代表总体。
按数据的收集顺序记录数据
通常,应当按照数据的收集顺序将数据记录到工作表中。然后,您就可以评估数据中与时间相关的模式。
一位医学研究人员研究了青春期女孩的肥胖症。直接测量身体脂肪百分比的难度较大、费用较高,因此研究人员想确定体重指数 (BMI)(一个易于获得的测量值)是否是身体脂肪百分比的一个好的预测变量。研究人员收集了 92 名少女的 BMI、身体脂肪百分比及其他个人变量。
作为初始研究的一部分,研究人员绘制了一个“身体脂肪百分比与 BMI”的散点图,以评估两个变量之间的关系。
1. 打开样本数据身体脂肪百分比.MTW。
2. 选择图形 > 散点图 > 简单。
3. 在Y 变量下面,输入脂肪百分比。
4. 在X 变量下面,输入BMI。
5. 单击确定。
BMI 和身体脂肪数据的散点图显示了两个变量之间的强度很大的正线性关系。体重指数 (BMI) 可能是一个很好的身体脂肪百分比预测变量。
某相机制造商的质量工程师想要缩短闪光恢复时间。闪光恢复时间是两次闪光之间需要的最短时间。工程师想确定紧接闪光之后相机中的剩余电压与闪光恢复时间之间是否存在关系。工程师还想确定电池的旧配方和新配方在闪光恢复时间上是否存在差异。工程师收集了采用旧配方和新配方制造的电池的随机样本。工程师测量了每个样本在紧接闪光之后的剩余电压和闪光恢复时间。
在初始调查中,工程师创建了闪光后剩余电压与闪光恢复时间的散点图(按电池配方分组),以评估两种配方的两个变量之间的关系。
1. 打开样本数据放电恢复时间.MTW。
2. 选择图形 > 散点图 > 包含回归和组。
3. 在Y 变量下面,输入快速恢复。
4. 在X 变量下面,输入操作后的伏特数。
5. 在用于分组的类别变量 (0-3)中,输入配方。
6. 单击确定。
散点图显示了放电之后的电压与放电恢复时间之间的负线性关系。随着放电之后电压量增加,恢复时间将缩短。新配方需要的放电恢复时间似乎比旧配方短。
免责声明:本文系网络转载或改编,未找到原创作者,版权归原作者所有。如涉及版权,请联系删