上一篇文章跟大家探讨了如何使用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。這篇文章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于同等地位的随機變量間的相關關系的統計分析方法。比如我們在研究人的身高體重之間關系的時候，我們就會用到相關性分析。說到這裡，大家是不是會想到一個比較熟悉的方法—回歸分析。其實兩種分析是不一樣的，相關性分析偏向于發現自變量之間的相關性。而回歸分析偏向于自變量的變化是如何導緻因變量的變化。不過在實際分析操作中，回歸分析和相關分析有着密切的關系。

下面，我們就進入到今天的相關分析：

上圖就是本次分析所用到的數據。兩列數據分别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系。

我們從分析選項欄中選擇相關，然後選擇雙變量，我們就可以進入到相關性分析的界面了：

我們将兩個變量選中以後，下方需要選擇Pearson相關系數（一般會是默認選項，主要通過Pearson相關系數來判斷相關性），其次我們在顯著性檢驗中選擇雙側檢驗，下面勾選标記顯著性相關。

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标準差：

其它選項我們均按系統默認的就行，不用進行更改，點擊确定以後就會出現本次相關分析的結果：

從上圖中我們可以看到，第一個統計量的表格就是系統針對本次數據進行的描述性統計。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相關系數為0.980，一般來說，Pearson相關系數的取值是-1到1，分别對應負相關以及正相關，當Pearson相關系數的絕對值越趨近于1的時候，相關性就越強。這裡給大家列舉一下Pearson相關系數的結果判定：

1.當系數在0.8-1.0時，兩者存在極強相關性；

2. 當系數在0.6-0.8時，兩者存在強相關性；

3. 當系數在0.4-0.6時，兩者中等程度相關；

4. 當系數在0.2-0.4時，兩者存在弱相關性；

5. 當系數在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，其實這隻是一個比較簡單的例子，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量之間存在相關性，這個時候，我們就需要用相關分析來快速并且準确的找到我們所需要的變量。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!