怎样用spss做pearson相关性分析
简介
相关性是指两个变量之间的变化趋势的一致性,如果两个变量变化趋势一致,那么就可以认为这两个变量之间存在着一定的关系(但必须是有实际经济意义的两个变量才能说有一定的关系)。相关性分析也是常用的统计方法,用SPSS统计软件操作起来也很简单,具体方法步骤如下。
方法步骤
选取在理论上有一定关系的两个变量,如用X,Y表示,数据输入到SPSS中。
从总体上来看,X和Y的趋势有一定的一致性。
为了解决相似性强弱用SPSS进行分析,从分析-相关-双变量。
打开双变量相关对话框,将X和Y选中导入到变量窗口。
然后相关系数选择Pearson相关系数,也可以选择其他两个,这个只是统计方法稍有差异,一般不影响结论。
点击确定在结果输出窗口显示相关性分析结果,可以看到X和Y的相关性系数为0.766,对应的显著性为0.076,如果设置的显著性水平位0.05,则未通过显著性检验,即认为虽然两个变量总体趋势有一致性,但并不显著。
spss皮尔森相关系数分析是什么？
spss皮尔森相关系数分析表示在样本中变量间的相关系数，表示相关性的大小。
一般来说相关性大小要看显著性达到什么程度。显著性越小说明相关程度越高。显著性小于0.05则为显著先关，小于0.01则为极显著相关。
spss皮尔森相关系数分析研究报告：
相关系数的绝对值越大，相关性越强：相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。
通常情况下通过以下取值范围判断变量的相关强度：
相关系数 0.8-1.0 极强相关。
以上内容参考：百度百科-Pearson相关系数
皮尔森相关性分析结果怎么看?
皮尔森相关性分析结果这样看：首先看Y与X是否有显著关系，即P值大小。接着分析相关关系为正向或负向，也可通过相关系数大小说明关系紧密程度。
一般相关系数在0.7以上说明关系非常紧密，0.4~0.7之间说明关系紧密，0.2~0.4说明关系一般。如果不太会对结果进行分析解读，SPSSAU还提供了智能分析建议。
分析工具推荐
现实研究中使用Pearson相关系数的情况比较多。
进行皮尔逊相关性分析，需要借助相关统计分析工具，关于分析工具这里推荐使用SPSSAU，在线对各种数据进行编辑和统计分析。无需下载软件安装包，无需经过繁琐的安装过程，也不必花大量时间学习如何操作软件。
Pearson能够解决哪种数据的相关性判断问题？
相关分析目前主要有四种。pearson相关分析是用来分析两连续型变量的相关性的。此外Spearman方法是分析等级资料和连续型变量或者两连续型变量间的相关性，该方法对数据的分布类型没有要求。kendall是用来分析两等级资料的相关性。最后是cramer‘V 这个方法适用于分析两无序分类变量间的相关系数，无法判断方向，值范围0到1。
Pearson，Kendall和Spearman三种相关分析方法的异同
在SPSS软件相关分析中,pearson(皮尔逊), kendall（肯德尔）和spearman（斯伯曼/斯皮尔曼）三种相关分析方法有什么异同
两个连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述.
Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析，对原始变量的分布不作要求，属于非参数统计方法，适用范围要广些。对于服从Pearson相关系数的数据亦可计算Spearman相关系数，但统计效能要低一些。Pearson相关系数的计算公式可以完全套用Spearman相关系数计算公式，但公式中的x和y用相应的秩次代替即可。
Kendall's tau-b等级相关系数：用于反映分类变量相关性的指标，适用于两个分类变量均为有序分类的情况。对相关的有序变量进行非参数相关检验；取值范围在-1-1之间，此检验适合于正方形表格；
计算积距pearson相关系数，连续性变量才可采用;计算Spearman秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据; 计算Kendall秩相关系数，适合于定序变量或不满足正态分布假设的等间隔数据。
计算相关系数：当资料不服从双变量正态分布或总体分布未知，或原始数据用等级表示时，宜用 spearman或kendall相关
Pearson 相关复选项 积差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 复选项 等级相关 计算分类变量间的秩相关，适用于合并等级资料
Spearman 复选项 等级相关计算斯皮尔曼相关，适用于连续等级资料
注：
1若非等间距测度的连续变量 因为分布不明-可用等级相关/也可用Pearson 相关，对于完全等级离散变量必用等级相关
2当资料不服从双变量正态分布或总体分布型未知或原始数据是用等级表示时,宜用 Spearman 或 Kendall相关。
3 若不恰当用了Kendall 等级相关分析则可能得出相关系数偏小的结论。则若不恰当使用，可能得相关系数偏小或偏大结论而考察不到不同变量间存在的密切关系。对一般情况默认数据服从正态分布的，故用Pearson分析方法。
在SPSS里进入Correlate－》Bivariate，在变量下面Correlation Coefficients复选框组里有3个选项：
Pearson
Kendall's tau-b
Spearman：Spearman
spearman（斯伯曼/斯皮尔曼）相关系数
斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”
斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。
Kendall's相关系数
肯德尔(Kendall)W系数又称和谐系数，是表示多列等级变量相关程度的一种方法。适用这种方法的数据资料一般是采用等级评定的方法收集的，即让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物。等级评定法每个评价者对N件事物排出一个等级顺序，最小的等级序数为1 ，最大的为N，若并列等级时，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1,2.5,2.5,5,5,5,这里2.5是2,3的平均，5是4,5,6的平均。
肯德尔(Kendall)U系数又称一致性系数，是表示多列等级变量相关程度的一种方法。该方法同样适用于让K个评委（被试）评定N件事物，或1个评委（被试）先后K次评定N件事物所得的数据资料，只不过评定时采用对偶评定的方法，即每一次评定都要将N个事物两两比较，评定结果如下表所示，表格中空白位（阴影部分可以不管）填入的数据为：若i比j好记1，若i比j差记0，两者相同则记0.5。一共将得到K张这样的表格，将这K张表格重叠起来，对应位置的数据累加起来作为最后进行计算的数据，这些数据记为γij。
正态分布的相关检验
对来自正态总体的两个样本进行均值比较常使用T检验的方法。T检验要求两个被比较的样本来自正态总体。两个样本方差相等与不等时用的计算T值的公式不同。
进行方差齐次性检验使用F检验。对应的零假设是：两组样本方差相等。P值小于0.05说明在该水平上否定原假设，方差不齐；否则两组方差无显著性差异。
U检验时用服从正态分布的检验量去检验总体均值差异情况的方法。在这种情况下总体方差通常是已知的。
虽然T检验法与U检验法所解决的问题大体相同，但在小样本（样本数n）=30作为大样本）且均方差未知的情况下就不能用U检验法了。
均值检验时不同的数据使用不同的统计量
使用MEANS过程求若干组的描述统计量，目的在于比较。因此必须分组求均值。这是与Descriptives过程不同之处。
检验单个变量的均值是否与给定的常数之间存在差异，用One-Sample T Test 单样本T检验过程。
检验两个不相关的样本是否来自来具有相同均值的总体，用Independent-Samples T test 独立样本t检验过程。
如果分组样本不独立，用Paired Sample T test 配对t检验。
如果分组不止两个，应使用One-Way ANOVO一元方差分析（用于检验几个独立的组，是否来自均值相等的总体）过程进行单变量方差分析。
如果试图比较的变量明显不服从正态分布，则应该考虑使用一种非参数检验过程Nonparametric test.
如果用户相比较的变量是分类变量，应该使用Crosstabs功能。
当样本值不能为负值时用右侧单边检验。
pearson 相关性
1、按一般经验来说：“相关系数 0.8-1.0 极强相关；0.6-0.8 强相关；0.4-0.6 中等程度相关；0.2-0.4 弱相关；0.0-0.2 极弱相关或无相关”。
2、星号对应的是显著性检验，这里的原假设为：pearson相关系数为0。拒绝原假设意味着pearson相关系数显著不为0。两个*表示极显著，p值在0.01以下。一个*号表示显著，p值在0.01-0.05之间。注意：拒绝这个原假设并不等价于强相关，这只是说明“相关系数为0”这个假设显著不成立。当样本量较大时，只要有很小的弱相关就可以显著拒绝这个原假设，所以可以经常看到结果中有两个*，lz的.378** 也是这个道理。
3、所以lz的这个结果可以解释为：pearson相关系数显著不为0，即存在一定的相关性，且这个相关性按一般经验来说属于弱相关。如果是经济变量或关系复杂的问题，这个关系有一定意义，但还不具有决定性的说服力，需要其他信息解释或佐证。如果研究目的是探索性的，这个关系值得保留关注；如果研究目的是验证性的，则这个关系需要其他信息解释或佐证。
