遗传相似系数矩阵怎么看

遗传相似系数矩阵是基因分型数据中常用的相似度度量矩阵之一，用于衡量不同个体之间的遗传相似性。该矩阵是由样本的基因型数据计算得出的，在该矩阵中，矩阵元素代表的是不同样本之间的遗传相似度值，相似度值越大代表样本之间的遗传差异越小，反之亦然。在基因分型数据的分析中，遗传相似系数矩阵可以用于构建遗传谱图、基因群体遗传结构分析以及计算Q矩阵等应用，是基因分型数据处理和分析中不可缺少的重要工具之一。

现实中，事物之间的联系是错综复杂的，而事物之间的关系可以看作两类：一类是 函数关系 ，一类是 相关关系 。函数关系指的是变量间 一一对应 的确定关系，相关关系指的是两个变量之间存在的不确定的 数量关系 。

相关分析主要研究相关关系。

在进行相关分析前，最好先绘制 散点图 ，以初步判断变量之间是否存在相关趋势、该趋势是否为直线趋势。

相关分析中最常用的是二元变量的相关分析，即 简单相关分析 ；
三个及三个以上变量之间的关系称为 复相关 ，研究一个因变量和两个自变量之间的关系；
控制一个变量研究其他两个变量之间的关系称为 偏相关 ；
不是通过相关系数，而是通过相似性或距离描述变量之间的关系的方法称为 距离相关分析 。

不同类型的变量数据，应采用不同的相关分析方法。 Pearson相关 适用于数值变量； Spearman相关 和 Kendall's tau-b相关 适用于顺序变量；对于分类变量，一般采用 列联表 的方式进行χ²检验的方法研究其相关性。

Pearson相关系数适用于测度两数值的相关性。数值变量的特点是取值用数字表示，即可以进行运算而计算出差异的大小。则样本相关系数计算公式为：

在实际问题中，样本的相关系数计算具有随机性，因此需要对其进行显著性检验。

在X、Y均服从正态分布，及原假设（ρ=0）为真时，统计量

服从自由度为n-2的T分布。

Spearman相关系数又称 秩相关系数 ，适用于测度两顺序变量（等级、秩次）的相关性。 它对原始变量的分布不做要求 ，属于非参数统计方法。通俗地讲，“顺序变量”就是变量的排序等级，如1-非常不满意，2-满意，3-非常满意等。

由于Spearman相关系数可以套用Pearson相关系数的公式，在此不再重复计算式和统计量公式。值得一提的是，当n>30时，检验统计量也可以近似的用

来计算。

Kendall相关系数有3种形式，它也是测度两顺序变量的相关性。采用的仍是 非参数 的方法，它利用变量值的秩数据，计算 同序对 数目U和 异序对 数目V。

对Kendall相关系数也需要进行显著性检验。如果n≤30，可以直接利用等级相关统计量表，SPSS会自动给出相伴概率值P。如果n>30，检验统计量也可以用近似服从正态分布的Z值计算：

步骤：分析->相关->双变量，选入需要分析的变量，如图：

在“相关系数”框组中，默认的是Pearson相关系数，也可以根据需要选择Spearman相关系数和Kendall's tau-b相关系数。

输出结果：

由此可见，在001的显著性下，交易量和响应时间的相关性显著。一个 表示005的显著性；2个 表示001的显著性。

在很多情况下，当影响某个变量的因素过多时，常假定其中某些因素不变，考察其他因素的影响。

偏相关分析 假定变量之间的关系均为线性关系 ，没有线性关系的变量不能进行偏相关分析。因此在进行偏相关分析之前，可以先通过计算Pearson相关系数来考察线性关系。

步骤：分析->相关->偏相关，选入需要分析的变量和需要控制的变量，如图：

输出结果：

由表可知，在排除了成功率的干扰后，相关系数0650<0899，可见简单相关分析有夸大的成分。交易量和响应时间的相关性属于弱相关。

简单相关分析和偏相关分析都是研究两个变量之间的 线性关系 ，但由于实际问题的复杂性，我们可以通过距离相关分析来考察变量之间是否具有 相似性 ，进而研究相关关系。

距离相关分析一般不单独使用，而是作为聚类分析和因子分析等统计方法的 预分析过程 。

步骤：分析->相关->距离，选入需要分析的所有变量，如图：

此时我们先选用“基于变量间”计算距离，选取相似性，默认为Pearson相关系数。

一般而言，考察变量之间的相似性采用相似性测度；而对于样本之间的相似性采用不相似性测度。

输出结果：

输出结果为3个变量间的相似度矩阵。可以看出交易量和响应时间的相关系数同前计算结果一致。也可以进行变量间的相关程度计算。

---