1、spss中做相关分析

53 阅读 0 评论 35 点赞

我是靠谱客的博主现实墨镜，最近开发中收集的这篇文章主要介绍1、spss中做相关分析，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

相关分析是很基础的一种分析方法，接触spss的同学很快就会学习到想相关分析。虽然他很基础，但是在做很多高级分析之前，都要进行相关分析。这篇问文章就系统的和大家分享一下spss里如何做相关分析。

在spss中相关分析主要分为三大类，分别是双变量相关分析，偏相关分析和距离相关分析。

1、双变量相关分析主要研究两个变量数量之间的相关性。它又分为pearson相关分析，kendall相关分析，kendall等级相关分析，还有spearmen等级相关分析这四种。

Pearson相关分析是应用最最多的一种分析方法，它适用于评价两个连续变量十是否相关，常见的例子有分析体重和身高的相关性啊，分析睡眠时间和学习时间的相关性啊等等。这两个例子里变量都是连续性的，所以用pearson相关分析。主要分析过程如下，选择菜单分析——相关——双变量，打开双变量主对话框，把要分析的变量选入变量框（两个以上哈），确定就可以了。很简单。结果也很容易看，主要看两个指标，一个是p值，就是sig（不要笑，虽然很简单的一个点，可是就是有好多人都搞不清楚），p值小于0.5，就认为两个变量显著相关，p值小于0.01，就认为极其显著。另一个是相关系数，相关系数为正就是正相关，为负就是负相关，相关系数的绝对值越接近一就说明相关性越强。一般认为0.7以上是强相关。注意，这里有一个事情很多人都搞不清楚，要特别说一下哈，p值很小，同时相关系数也很小这种情况是存在的。这说明两个变量显著相关，但是是弱相关，也就是说p值和相关系数没什么关系，两个的取值互相不影响，如果出现p值和相关系数都很小的情况，不要太紧张，很正常哈。

Kendall相关分析主要用来反映两个有序分类变量的一致性，有序分类变量就是等级变量，1.2.3.这类递进的，时间序列也是有序分类变量，无序分类则是性别啊，是否成年啊，这种的。总之kendall相关分析的使用范围是用来分析两个有序分类变量，举个例子，如果把睡眠时间和学习时间都用等级表示出来（比如一小时一个等级），那这个分析就可以用kendall，它的结果观察方法和pearson一样，就不在重复了。

Kendall等级相关分析所适用的情况是另一种，它操作方法和上一个kendall的例子一样，但是用于等级资料，是要加权的。举个例子，比如我想分析一下一个人每天吃不吃水果和这个人的营养状况的相关性，那就要用到等级分析。这个例子和上边的例子的区别很明显，上边都是数值型的变量，而这个例子中是要自己定义的，比如我定义吃水果是1，不吃是2，定义营养状况为差，中，强，分别对应1，2，3。然后我想分析的话我就定义变量水果食用情况，营养状况，计数，用计数进行加权后做kendall分析，当然可以直接输入一大堆数据，如果不嫌麻烦的话。结果分析方法同上。

Spearman等级相关分析和kendall有一点点类似，适用于分析含有等级资料的变量，举个例子，分析努力程度和学习成绩之间的关系，其中努力程度是要分等级的资料，学习成绩则是数值型的，这时候就要用spearman，结果分析同上。

2、偏相关分析和双变量相关分析的不同之处在于偏相关分析要考虑除却分析的变量以外是否有其他变量影响到这两个变量。比如，举个例子，比如我现在有一个运动员的身高，肺活量，和短跑成绩。我想要分析身高和短跑成绩的相关性的话，我就要使用偏相关分析，因为肺活量也影响到了身高和短跑成绩，我得剔除这个变量的影响，所以呢，我就不用双变量，而是使用偏相关。我打开菜单分析——相关——偏相关，打开主面板，把身高和短跑成绩选到变量里，把肺活量选到控制里边，然后点确定。输出表的观察方式和上边一样，不在重复。在输出表里，它会显示出没有控制变量的时候的相关系数和有控制变量的时候的相关系数，如果数据恰当的话，你会观察到一个相当有趣的现象，不控制肺活量的时候，身高和短跑成绩是相关的，控制的时候，身高和短跑成绩就不相关了。So，明白偏相关的作用了吗?

需要特别说明一下的是，偏相关分析并不像双变量那样有四种方法可以供你选择，它的适用范围一般是一些数值型的变量，一些你能判断到底有没有关系的变量，你也许应该先用双变量两两测出自变量是否相关，然后再考虑要不要用偏相关，而且假如你的偏相关的变量是等级资料，结果有可能会很尴尬。

3、距离相关分析是一个初学者不那么常用到的分析，不过为了完整性，本文还是列了出来。它用来计算个案或变量之间距离相异性或相似性度量，和其他模块，比如因子分析，聚类分析，多维尺度分析一起使用以助于分析复合数据集。它也分为两种，变量距离相关分析，个案距离相关分析。

我们还是使用一个例子来进行学习。比如我们想要分析学生的身高，肺活量，短跑成绩这三个变量的亲密度，我们选择菜单分析——相关——距离，打开主面板，在变量列表选入这三个变量，下边的计算距离选择变量间，在下边的标准选择相似性，单击度量，打开度量面板。这个面板里边默认为区间，pearson相关性。另外还有一个二分类，我们在这里不讨论二分类到底是干嘛的（有兴趣的同学可以自己去试试），就按默认的，点继续，点确定。然后我们观察输出窗口，他会输出一个近似矩阵，由于我们上边选的是相似性，所以这个矩阵里边的值越接近1，就说明对应的两个变量距离越近，就是说越亲近，相关性越强。如果选的是不相似性，那么得出的数值越小距离越近，最小是0，最大值很可能超过1，超过了也不要紧张。它比双变量做出来的结果要直接，它不考虑p值，所以两个分析还是不一样的哈。个案距离相关分析和这个类似，只是把计算距离选成了个案，假如你只想分析其中几个个案，你需要在数据——选择个案，里边选择一下你的个案。然后做距离相关分析，其他的默认哈。