相關分析是研究兩個或兩個以上處於同等地位的隨機變數間的相關關係的統計分析方法。比如我們在研究人的身高體重之間關係的時候，我們就會用到相關性分析。說到這裡，大家是不是會想到乙個比較熟悉的方法—回歸分析。其實兩種分析是不一樣的，相關性分析偏向於發現自變數之間的相關性。而回歸分析偏向於自變數的變化是如何導致因變數的變化。不過在實際分析操作中，回歸分析和相關分析有著密切的關係。
上圖就是本次分析所用到的資料。兩列資料分別代表植物的生長高度以及與之對應的重量，我們需要通過相關分析來研究兩者之間是否具有相關性，如果具有相關性又是怎樣的一種相關關係。
我們將兩個變數選中以後，下方需要選擇pearson相關係數(一般會是預設選項，主要通過pearson相關係數來判斷相關性)，其次我們在顯著性檢驗中選擇雙側檢驗，下面勾選標記顯著性相關。
在這次的分析中，小白還在右邊的選項欄裡的統計量選項中勾選了均值與標準差：
從上圖中我們可以看到，第乙個統計量的**就是系統針對本次資料進行的描述性統計。下方就是相關分析的結果，從結果中我們可以看到，植物生長高度和重量之間的pearson相關係數為0.980，一般來說，pearson相關係數的取值是-1到1，分別對應負相關以及正相關，當pearson相關係數的絕對值越趨近於1的時候，相關性就越強。這裡給大家列舉一下pearson相關係數的結果判定：
1.當係數在0.8-1.0時，兩者存在極強相關性；
2.當係數在0.6-0.8時，兩者存在強相關性；
3.當係數在0.4-0.6時，兩者中等程度相關；
4.當係數在0.2-0.4時，兩者存在弱相關性；
5.當係數在0.0-0.2時，兩者極弱相關或無相關性。
從這個我們可以判定，植物的生長高度同它們重量之間存在極強的正相關性。同時我們在表中也可以看到，顯著性p值為0.000<0.05，說明兩者之間存在顯著性差異，下方的n為樣本量大小。
到這裡，我們的相關分析就完成了，其實這只是乙個比較簡單的例子，但是在實際工作中，基本上都是會有很多因素堆積在一起，我們無法直觀的去了解哪些變數之間存在相關性，這個時候，我們就需要用相關分析來快速並且準確的找到我們所需要的變數。
spss相關性分析 SPSS篇 相關性分析
昨天跟大家 了如何使用spss進行方差分析，知道了方差分析的原理以及最後的結果如何解讀。今天跟大家來分享的是另外一種比較常見的分析 相關性分析。相關分析是研究兩個或兩個以上處於同等地位的隨機變數間的相關關係的統計分析方法。比如我們在研究人的身高體重之間關係的時候，我們就會用到相關性分析。說到這裡，大...
spss相關性分析看結果 SPSS篇 相關性分析
相關分析是研究兩個或兩個以上處於同等地位的隨機變數間的相關關係的統計分析方法。比如我們在研究人的身高體重之間關係的時候，我們就會用到相關性分析。說到這裡，大家是不是會想到乙個比較熟悉的方法 回歸分析。其實兩種分析是不一樣的，相關性分析偏向於發現自變數之間的相關性。而回歸分析偏向於自變數的變化是如何導...
SPSS 相關性的選擇
在spss中匯入資料，analyze correlate bivariate 選擇變數 ok 輸出的是相關係數矩陣 相關係數下面的sig.是顯著性檢驗結果的p值,越接近0越顯著。同樣的資料，我們接著做計算相關係數矩陣的特徵值及其對應的單位特徵向量，並計算貢獻率和累計貢獻率。將相關係數矩陣特徵值按從大...