spssau SPSSAU相关分析“一篇概全”

相关性分析是最基本的关系研究方法，也是一些分析方法的基础。我们在研究中经常使用相关分析，所以今天我们就来谈谈相关分析的“事”。

相关分析用于研究定量数据之间的关系，包括是否存在关系，关系有多密切，通常在回归分析之前使用。比如研究网购满意度和重复购买意向之间是否存在关系，关系有多密切？

散点图

在相关性分析之前，可以用散点图来观察数据之间的关系，也就是查看x和y之间的关系，通过观察散点的分布和趋势，可以直观的发现变量之间的关系，强弱的程度，以及数据可能的趋势。SPSSAU用户可以在“可视化”选项卡下找到散点图并进行分析。

散点图通常以特定的形式表示。比如下图，可以看出，当x增大时，y会明显减小，也就是说x和y是负相关的。

相关分析用相关系数来表示分析项目之间的关系；先判断是否存在关系，再判断关系是正还是负，或者可以通过如上的散点图直观的查看变量之间的关系；最后，判断亲密程度。

相关系数反映变量之间的线性关系程度。相关方向用正、负表示。相关系数有两种，皮尔逊相关系数和斯皮尔曼相关系数。这两种系数用来描述相关程度，判断标准基本相同。通常当绝对值大于0.7时，认为两个变量之间相关性较强，当绝对值大于0.4时，当绝对值小于0.2时，相关性较弱。

此外，SPSSAU还提供了肯德尔相关系数。三个相关系数之间的差异如下:

皮尔逊相关系数是最常用的，也是SPSSAU的默认相关系数。但是使用的时候有一定的要求。当两个变量不符合正态分布时，可以使用斯皮尔曼相关系数。

无论是皮尔逊相关系数还是斯皮尔曼相关系数，其现实仍是研究相关性，结论不会有太大差别；而数据的正态分布通常是在理想状态下建立的。因此，皮尔逊相关系数在实际研究中得到广泛应用。

肯德尔相关系数多用于计算评分一致性，如评委评分。

注意:相关性不等于因果性。相关性是指两个变量会同时发生变化，而因果关系，即一个因素导致另一个因素发生变化。

具体操作

SPSSAU在设计上区分X和Y，所以可以对应放进去。如果不区分X和Y，就把所有项目放在“分析项目Y”的方框里。

SPSSAU官方帮助手册SPSSAU官方帮助手册

SPSSAU的输出结果

SPSSAU分析结果页面