目录
在进行数据分析时，我们常常会好奇变量之间是否存在某种关系：
✔ 广告费用增加会带动销售额增长吗？
✔ 学习时间越长，考试成绩越高吗？
✔ 运动时间越多，减肥效果越明显吗？
这时候就可以使用 相关分析（Correlation Analysis）来解答这些问题！
也就是想知道：“两个变量之间真的有关联，还是只是偶然呢？”
那我们现在一步一步看看，在 SPSS 中该如何进行相关分析吧！🚀
🔹 1. 什么是相关分析（Correlation Analysis）？
相关分析是一种用数值来表达两个变量之间关系的分析方法。
这个数值被称为相关系数（Correlation Coefficient, r）。
✔️ 相关系数 r 的解读：
| r 的数值范围 | 关系强度 | 说明 |
| ±0.7 ~ 1.0 | 强相关 | 两个变量之间有高度联系 |
| ±0.4 ~ 0.7 | 中等相关 | 有一定关系 |
| ±0.2 ~ 0.4 | 弱相关 | 有点关系但不强 |
| 0 ~ ±0.2 | 几乎没有相关 | 变量间几乎无关系 |
✔️ p 值（显著性）解读：
- p < 0.05：相关关系是显著的（统计上有意义）
- p > 0.05：可能只是偶然的关系，不显著
✅ 所以，如果 r 很大，且 p < 0.05，那就可以认为两个变量之间存在显著关系！
🔹 2. 在 SPSS 中如何执行相关分析
[案例] 想分析学生的学习时间与考试成绩是否有关联
📌 1）输入数据
在 SPSS 中输入如下数据：
| ID | 学习时间（study_hours） | 考试成绩（exam_score） |
| 1 | 2 | 55 |
| 2 | 3 | 60 |
| 3 | 5 | 70 |
| 4 | 7 | 85 |
| 5 | 8 | 90 |
💡 注意：相关分析只适用于连续变量（数值型数据）！
📌 2）执行分析
- 点击菜单栏：[分析] → [相关] → [双变量相关（Bivariate Correlation）]
- 选择变量：“学习时间”和“考试成绩” → 移动到右侧
- 勾选 Pearson（默认）
- 确保“显著性（双侧检验）”已勾选
- 点击“确定”运行！
📌 3）解读结果
例如 SPSS 输出如下结果：
| 学习时间 | 考试成绩 | p 值 | |
| 学习时间 | 1.00 | 0.85 | 0.002 |
| 考试成绩 | 0.85 | 1.00 | 0.002 |
💡 解读：
- r = 0.85 → 学习时间与考试成绩呈强正相关
- p = 0.002（< 0.05）→ 结果具有统计学意义
✅ 结论：学习时间越长，考试成绩越高的可能性就越大！🎯
🔹 4. Pearson 与 Spearman 相关分析的区别
SPSS 支持两种相关分析方法：
✔ Pearson 相关分析
- 适用于连续型数据（如时间、分数等）
- 数据应符合正态分布
✔ Spearman 相关分析
- 适用于等级（顺序）变量或非正态分布数据
例如职位等级（职员/主管/经理）与工作年限
💡 实际应用中，通常使用 Pearson，但数据偏态时可以用 Spearman！
🔹 5. 相关分析总结
| 分析方法 | 应用场景 | 解读要点 |
| Pearson 相关分析 | 连续变量之间（例：学习 ↔ 成绩） | r 越大 → 关系越强 |
| Spearman 相关分析 | 等级数据或非正态数据 | 非正态时的替代方法 |
| p 值（显著性检验） | 检查是否具有统计学意义 | p < 0.05 → 关系是显著的 |
📢 核心总结
- r 越大，变量之间关系越强！
- p < 0.05 → 说明这种关系是“统计上显著”的！🎯
- 根据数据类型选择 Pearson（连续）或 Spearman（等级）
现在你是不是也觉得相关分析其实不难呢？😊
快打开 SPSS 亲自试试看吧！