spss相关性分析方法

A. spss分析方法-相关分析（转载）

相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。

[if !supportLineBreakNewLine]

[endif]

相关分析是不考虑变量之间的因果关系而只研究分析变量之间的相关关系的一种统计分析方法，包括简单相关分析、偏相关分析、距离分析等。

下面我们主要从下面四个方面来解说：

[if !supportLineBreakNewLine]

[endif]

实际应用

理论思想

操作过程

分析结果

[if !supportLineBreakNewLine]

[endif]

一、实际应用

[if !supportLineBreakNewLine]

[endif]

相关性不等于因果性，也不是简单的个性化，相关性所涵盖的范围和领域几乎覆盖了我们所见到的方方面面，相关性在不同的学科里面的定义也有很大的差异。

1、简单相关分析

[if !supportLineBreakNewLine]

[endif]

生活中常需要我们对 两个变量间的相关关系 进行分析，即通过计算两个变量之间的相关系数，是否显着相关作出判断。

2、偏相关分析相关分析通过计算两个变量之间的相关系数分析变量间线性相关的程度。在多元相关分析中，由于受到其他变量的影响，两变量相关系数只是从表面上反映了两个变量的性质，往往不能真实地反映变量间的线性相关程度，此时就需要用到偏相关分析，这时候就 需要把其他变量控制住，然后输出控制其他变量影响后的相关系数，得以从中剔除其他变量的线性影响 。3、距离分析偏相关分析通过控制一些被认为次要的变量的影响得到两个变量间的实际相关系数，但实际问题中，变量可能会多到无法一一关心的地步，每个变量都携带了一定的信息，但彼此又有所重叠，此时 最直接的方法就是将所有变量按照一定的标准进行分类，即进行聚类分析。

[if !supportLineBreakNewLine]

[endif]

[if !supportLineBreakNewLine]

[endif]

二、理论思想

相关分析研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向及相关程度，是研究随机变量之间相关关系的一种统计方法。

现象与现象之间的依存关系，从数量联系上看，可以分为两种不同的类型，即函数关系和相关关系。

[if !supportLineBreakNewLine]

[endif]

函数关系是从数量上反映现象间严格的依存关系，即当一个或几个变量取一定的值时，另一个变量有确定值与之相对应。相关关系是现象间不严格的依存关系，即各变量之间不存在确定性的关系。

[if !supportLineBreakNewLine]

[endif]

在相关关系中，当一个或几个相互联系的变量取一定数值时，与之相对应的另一变量值也相应发生变化，但其关系值不是固定的，往往按照某种规律在一定的范围内变化。

[if !supportLineBreakNewLine]

[endif]

回归方程的确定系数在一定程度上反映了两个变量之间关系的密切程度，并且确定系数的平方根就是相关系数。但确定系数一般是在拟合回归方程之后计算的，如果两个变量间的相关程度不高，拟合回归方程便没有意义， 因此相关分析往往在回归分析前进行。

[if !supportLineBreakNewLine]

[endif]

对不同类型的变量，相关系数的计算公式也不同。在相关分析中，常用的相关系数主要有皮尔逊简单相关系数、斯皮尔曼等级相关系数、肯德尔等级相关系数和偏相关系数。

[if !supportLineBreakNewLine]

[endif]

皮尔逊简单相关系数适用于等间隔测度，而斯皮尔曼等级相关系数和肯德尔等级相关系数都是非参测度。 一般用ρ和r分别表示总体相关系数和样本相关系数。

（1）皮尔逊简单相关系数简单相关系数r有如下性质：①-1≤r≤1，r绝对值越大，表明两个变量之间的相关程度越强。②0<r≤1，表明两个变量之间存在正相关。若r=1，则表明变量间存在着完全正相关的关系。③-1≤r<0，表明两个变量之间存在负相关。r=-1表明变量间存在着完全负相关的关系。④r=0，表明两个变量之间无线性相关。应该注意的是，简单相关系数所反映的并不是任何一种确定关系，而仅仅是线性关系。另外，相关系数所反映的线性关系并不一定是因果关系。（2）斯皮尔曼等级相关系数   

    等级相关用来考察两个变量中至少有一个为定序变量时的相关系数，例如，学历与收入之间的关系。（3）肯德尔等级相关系数   

   肯德尔等级相关系数利用变量等级计算一致对数目U和非一致对数目V，采用非参数检验的方法度量定序变量之间的线性相关关系 若p值小于显着性水平，则拒绝原假设，即认为两个变量之间的相关关系显着；否则，接受原假设，即认为变量之间不存在显着相关性。

[if !supportLineBreakNewLine]

[endif]

三、操作过程

相关分析的数据条件：

条件宽松

偏相关分析案例：

题目：随机抽取的山东省某学校的12名学生的IQ值、语文成绩和数学成绩。因为语文成绩和数学成绩都受IQ的影响，所以试用偏相关分析研究学生语文成绩和数学成绩的相关关系。

一、数据输入

[if !vml]

[endif]

二、操作步骤 1、进入SPSS，打开相关数据文件，选择“分析”|“相关”|“偏相关”命令2、选择进行偏相关分析的变量和控制变量。在“偏相关性”对话框的左侧列表框中，同时选中“语文成绩”和“数学成绩”进入“变量”列表框，然后选中IQ进入“控制”列表框。

[if !vml]

[endif]

3、设置显着性检验的类型。在“显着性检验”选项组中选中“双尾”单选按钮。

[if !supportLineBreakNewLine]

[endif]

4、选择是否标记显着性相关性，也就是是否在输出结果中把有统计学意义的结果用“*”表示出来。这里我们选中“标记显着性相关性”复选框。

[if !vml]

[endif]

5、选择相关统计量的输出和缺失值的处理方法。单击“偏相关性”对话框中的“选项”按钮。选中”统计”选项组中的“平均值和标准差”和“零阶相关性”两个复选框在“缺失值”选项组中选中“成对排除个案”单选按钮。也就是说，如果我们在分析时遇到缺失值的情况就将缺失值排除在数据分析之外。设置完毕后，单击“继续”按钮返回“偏相关性”对话框。

[if !supportLineBreakNewLine]

[endif]

[if !vml]

[endif]

6、其余设置采用系统默认值即可。单击“确定”按钮，等待输出结果。

[if !supportLineBreakNewLine]

[endif]

四、结果分析

1、描述性统计量表参与偏相关分析的两个变量的样本数都是12，语文成绩的平均值是77.50，标准差是19.019，数学成绩的平均值是76.17，标准差是22.811，IQ的平均值是98.33，标准差是22.960。[if !vml]

[endif]

2、偏相关分析结果表不控制IQ时语文成绩和数学成绩的相关系数为0.991，显着性水平为0.000，小于0.01，控制IQ后语文成绩和数学成绩的相关系数为0.893，显着性水平也为0.000，所以语文成绩和数学成绩的相关关系为正向且相关性很强。[if !vml]

[endif]

分析结论： 综上所述，通过控制IQ，语文成绩和数学成绩的相关系数为0.893， 显着性水平也为0.000远远小于0.01，拒绝原假设，语文成绩和数学成绩的相关关系为正向且相关性很强。

（获取更多知识，前往gz号程式解说）

原文来自：https://mp.weixin.qq.com/s/g8ttH9LDunqKYTuFs_k7nw

B. 如何用spss做相关性分析要求详细步骤！

1、在spss的主界面上输入数据以后，通过分析那里点击非参数检验中的相关样本。

C. 如何用spss做相关性分析

(3)spss相关性分析方法扩展阅读

开始做数据分析：

在工具栏处，点击：

“分析”----”相关”----“双变量”，如下图所示，则开始进行变量的选择

如图，需要先确定要分析的变量，首先将两个变量放入“变量”框中。

此时，需要注意，要分析哪几个变量就只能选择那几个变量，而不能将所有的变量选入；

当然，如果分析的是多有的变量，也可以同时将所有的变量选入

然后，选择在“相关系数”框中选择“Pearson”。

因为，这里的两个变量为连续性的变量，因此采用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，则可以用Spearman 相关分析

选择好变量之后，如果需要对数据进行一定的描述，或者查看，可以打开右上角的按钮，即选择“选项”，如下图所示

大部分分析需要对原始数据进行统计描述，即如果需要进行描述性分析，可以选择均值和标准差，如上图所示的.mean （均值）和 sd （标准差），分别对数据的大小和离散程度作出一定的描述，并点击“确定按钮”

如果需要对数据进行模拟分析，则可以选择右上角的“bootsTrap”模拟分析，打开后如下图所示。

其中样本数为需要模拟的总共的次数，可以自己定义；后面的种子数，是开始模拟随机数字的起始种子数，同样可以自行定义。其中的置信区间为CI， 即结果的可信区间

单击确定后，再output窗口中可以看到：结果如下所示。

结果给出两个分析，一个是描述性分析，为以下的第二个图，和pearson 相关分析结果为第一个图。

一般结果，应该先描述第二个图的表格含义，

其中mean表示均值，为两个连续性变量的均数；第二个值为Std. Deviation 表示标准差，即原始数据的标准差

第一个图为pearson correlations表格为相关系数表

其中pearson correlation 为相关系数

sig 为P 值（<0.05为有显着性意义）

N 为样本量

D. SPSS常用的相关性分析方法解析（转载）

相关性分析旨在分析两组数据之间是否相互影响，彼此是否独立的变动。SPSS内部提供了多种分析数据相关性的方法：卡方检验（Chi-SquareTest），Pearson相关系数计算，Spearman相关系数计算和Kendall的tau-b（K）相关系数计算。这四种分析方法适用于不同的数据类型，下面向大家介绍常用的SPSS相关性分析方法。

   1.卡方检验（Chi-SquareTest）

   卡方检验（Chi-SquareTest）是由Pearson提出的一种统计方法，在一定的置信水平和自由度下，通过比较卡方统计量和卡方分布函数概率值，判断实际概率与期望概率是否吻合，进而分析两个分类变量的相关性。

   卡方检验（Chi-SquareTest）适用于不服从正态分布的数据，两组变量是无序的。使用SPSS进行卡方检验的操作方法，大家可以登录SPSS中文网站进行学习，这里仅作原理性的介绍。如图1是某种药物单独使用和药物与放疗同时使用时，治疗是否有效的卡方检验结果。

图1某地某种疾病发病人数统计

   个案处理摘要显示了有效数据和无效数据的数量。VAR00001*VAR00002交叉表显示各变量对应的频数，VAR00001列1代表单独使用药物，2代表药物与放疗同时使用，VAR00002行1代表有疗效的人数，2代表无疗效的人数。

   行列变量为各为二组，自由度为（2-1）×（2-1）=1，Pearsonχ2值为22.475，显着性数值为0.000小于0.05，有显着性差异，不能接受无关假设，即单独使用药物与药物放疗同时进行有显着性差异。

   2.Pearson相关系数计算

   Pearson相关系数用于评估两组数据是否符合线性关系，不能用于符合曲线关系的数据，线性相关越强，Pearson相关系数就越接近1（线性递增）或-1（线性递减）。图2为一组数据的线性相关性检验，可以看出，Peason相关系数0.984，表明两者有较强的线性相关性，一般认为<0.3无相关性，0.3～0.7弱相关性，>0.7较强的相关性。

图2Pearson检验结果

   3.Spearman相关系数计算

   Spearman相关系数适用于不满足线性关系，且不满足正态分布的数据，如图3所示，实际这是两组随机产生的数据，用Spearman相关系数计算时，结果为0.257，<0.3无相关性，与Pearson相关系数类似，<0.3不相关，0.3～0.7为弱相关，>0.7为强相关。

图3Spearman相关系数计算

   4.Kendall的tau-b（K）相关系数计算

   进行Kendall的tau-b（K）相关分析，需要满足下列3个条件：

   1.两个变量是有序分类变量；

   2.两个变量相对应的研究对象是一定的。

   例如调查工资与学历之间的关系，两个变量学历和收入都是等级变量，符合条件1；两个变量均对应同一研究对象：一个区域内的所有工作的成年人。符合条件2。收入等级分别为1高收入，2中收入，3低收入，学历等级分别为1高学历，2中等学历，3低学历。结果分析如图4所示。相关系数为0.480，有弱的相关性。

图4Kendalltau-b系数计算

   对于不同种类的数据，应采用不同的统计方法进行相关性分析，SPSS内置了丰富的统计计算功能，可以充分满足不同统计数据的使用需求。

E. 相关性分析spss步骤

spss如何进行相关性分析，相关性分析首先要看两变量的情况，符合正态分布，样本量大于30-50，线性关系，而且是连续变量，可以用Pearson分布。

工具／原料：戴尔灵越5000、win10、SPSS24

1、样本数据能用Pearson相关就用这个，这个最准确，开始时，首先分布样本正态性，用k-s检验。

F. 如何用spss做相关性分析

你好，step1：建立数据文件 file——new——data；
定义变量 选中左下角菜单Variable view，输入变量名T，其他选项不变，令起一行，输入变量
名G其他选项不变，切换到data view（在左下角），将数据复制进去。

Step2：进行数据分析：在spss最上面菜单里面选中Analyze——correlate——bivariate（双变量）

左边包含G，T的框为源变量框，后面的空白框为分析变量框，我们现在需要分析G和T的关系，因此将源变量框中的G和T选进分析变量框待分析。

（1）correlation coefficients（相关系数）包括三个选项：
Pearson：皮尔逊相关，计算连续变量或是等间距测度的变量间的相关分析；
Kendall：肯德尔相关，计算等级变量间的秩相关；
Spearman：斯皮尔曼相关，计算斯皮尔曼秩相关。
注：Pearson可用来分析①分布不明，非等间距测度的连续变量
Kendall可用来分析①分布不明，非等间距测度的连续变量，②完全等级的离散变量，③数据资料不服从双变量正态分布或总体分布型未知。第②种情况只能用Kendall分析
Spearman可用来分析数据资料不服从双变量正态分布或总体分布型未知
（2）Test of significance选项
Two-tailed：双尾检验，如果事先不知道相关方向（正相关还是负相关）则可以选择此项；
One-tailed：单尾检验，如果事先知道相关方向可以选择此项。
（3）Flag significant correlations：表明显着水平，如果选择此项，输出结果中在相关系数值右上方使用*标示显着性水平为5%，用**标示其显着性水平为1%
首先使用pearson，two-tailed（下图），点击右侧options

statistics为统计量，包括均值和标准差 叉积离方差和协方差
missing values 选择默认
点击continue——ok
输出结果（下图）

相关系数为0.975，显着性p=0.000<0.01,有统计学意义
选用Kendall 肯德尔，结果如下：

选用spearman 斯皮尔曼，结果如下：

画散点图：选中Graphs——Scatter/dot-----Simple scatter------define

G. 如何用spss做相关性分析

偏相关 从菜单中选择： 分析 相关 偏相关... 选择两个或更多要为之计算偏相关的数值变量。 E 选择一个或多个数值控制变量。 还可以使用以下选项： 􀂄 显着性检验。您可以选择双尾概率或单尾概率。如果预先已知关联的方向，请选 择单尾。否则，请选择双尾。 􀂄 显示实际显着性水平。缺省情况下，将显示每个相关系数的概率和自由度。如果 取消选择此项，则使用单个星号标识显着性水平为0.05 的系数，使用两个星号 标识显着性水平为0.01 的系数，而不显示自由度。此设置同时影响偏相关矩阵 和零阶相关矩阵。 偏相关：选项 “偏相关性: 选项”对话框 统计量。可以选择以下方式中的一个或两个都选： 􀂄 均值和标准差。为每个变量显示。还显示具有非缺失值的个案数。 􀂄 零阶相关系数。显示所有变量（包括控制变量）之间简单相关的矩阵。 缺失值。您可以选择以下选项之一： 􀂄 按列表排除个案。将从所有计算中排除其任何变量（包括控制变量）具有缺失值 的个案。 􀂄 按对排除个案。对于偏相关所基于的零阶相关的计算，不使用其一对变量或其中一个 变量具有缺失值的个案。按对删除可以充分使用数据。但是，个案数可能随系数的 不同而不同。如果按对删除有效，则某个特定的偏相关系数的自由度是基于在任何 零阶相关计算中使用的最小个案数。