一 : 如何用spss做相关性分析_Jerry

例：学生每天学习时间T与学习综合成绩G之间的相关性

原始数据

TG

1.1	54
1.5	60
2.2	62
3	70.1
3.4	74
4	74.5
4.2	77
5.5	81.5
5.9	85
6	85.5
6.5	86.2
8	90

G=f(T),其中T为自变量，G为因变量

step1：建立数据文件file——new——data；

定义变量选中左下角菜单Variable view，输入变量名T，其他选项不变，令起一行，输入变量

名G其他选项不变，切换到data view（在左下角），将数据复制进去。

Step2：进行数据分析：在spss最上面菜单里面选中Analyze——correlate——bivariate（双变量）

左边包含G，T的框为源变量框，后面的空白框为分析变量框，我们现在需要分析G和T的关系，因此将源变量框中的G和T选进分析变量框待分析。

（1）correlation coefficients（相关系数）包括三个选项：

Pearson：皮尔逊相关，计算连续变量或是等间距测度的变量间的相关分析；

Kendall：肯德尔相关，计算等级变量间的秩相关；

Spearman：斯皮尔曼相关，计算斯皮尔曼秩相关。

注：Pearson可用来分析①分布不明，非等间距测度的连续变量

Kendall可用来分析①分布不明，非等间距测度的连续变量，②完全等级的离散变量，③数据资料不服从双变量正态分布或总体分布型未知。第②种情况只能用Kendall分析

Spearman可用来分析数据资料不服从双变量正态分布或总体分布型未知

（2）Test of significance选项

Two-tailed：双尾检验，如果事先不知道相关方向（正相关还是负相关）则可以选择此项；

One-tailed：单尾检验，如果事先知道相关方向可以选择此项。

（3）Flag significantcorrelations：表明显著水平，如果选择此项，输出结果中在相关系数值右上方使用*标示显著性水平为5%，用**标示其显著性水平为1%

首先使用pearson，two-tailed（下图），点击右侧options

statistics为统计量，包括均值和标准差 叉积离方差和协方差

missing values 选择默认

点击continue——ok

输出结果（下图）

相关系数为0.975，显著性p=0.000<0.01,有统计学意义

选用Kendall 肯德尔，结果如下：

选用spearman 斯皮尔曼，结果如下：

画散点图：选中Graphs——Scatter/dot-----Simplescatter------define

二 : SPSS学习笔记之——相关分析（Pearson、Spearman、卡方检验

原文地址：SPSS学习笔记之——相关分析（Pearson、Spearman、卡方检验）作者：王江源

一、相关分析方法的选择及指标体系

（一）2个连续变量的相关分析

1、Pearson相关系数

最常用的相关系数，又叫积差相关系数，取值-1到1，绝对值越大，说明相关性越强。该系数的计算和检验为参数方法，适用条件如下：

（1）两变量呈直线相关关系，如果是曲线相关可能不准确。

（2）极端值会对结果造成较大的影响

（3）两变量符合双变量联合正态分布。

2、Spearman秩相关系数

对原始变量的分布不做要求，适用范围较Pearson相关系数广，即使是等级资料，也可适用。但其属于非参数方法，检验效能较Pearson系数低。

（二）有序分类变量的相关分析

有序分类变量的相关性又叫为一致性，即行变量等级高的列变量等级也高，如果行变量等级高而列变量等级低，则称为不一致。

常用的统计量有：Gamma、Kendall的tau-b、Kendall的tau-c等。

（三）无序分类变量的相关分析

最常用的为卡方检验，用于评价2个无序分类变量的相关性。根据卡方值衍生出来的指标还有列联系数、Phi、Cramer的V、Lambda系数、不确定系数等。

OR、RR也是衡量两变量之间的相关程度的指标。

二、SPSS相关操作

SPSS的相关分析散布在交叉表和相关分析2个模块中。

（1）交叉表过程

如下图：

以上的指标很全面，解释如下：

（1）“卡方”复选框：为常用的卡方检验，适用于2个无序分类变量的检验。

（2）“相关性”复选框：适用于2个连续性变量的相关分析，给出两变量的Pearson相关系数和Spearman相关系数。

（3）“有序”复选框组：包含了一组反映有序分类变量一致性的指标，只能用于两变量均为有序分类变量的情况。

（4）“名义”复选框组：包含一组分类变量相关性的指标，有序和无序分类时都可使用，但变量为有序时，检验效能没有“有序”复选框组中的统计量高。

（5[www.61k.com））Kappa：为内部一致性系数。

（6）风险：给出OR或RR值。

（7）McNemar：为配对卡方检验。

（二）“相关”过程

如下图：

可以计算Pearson、Kendall的tau-b、Spearman3种相关系数。

三 : 如何在SPSS中利用sytax进行典型相关分析

在spss中可以有两种方法来拟合典型相关分析
采用Manova过程来拟合
采用专门提供的宏程序（syntax)进行拟合。
在这里主要介绍syntax的操作步骤。
进行典型相关的变量名称必须是英文名称，否则不能再syntax中进行读取
语句的主要格式如下，因此我们需要首先找到宏程序 canonical correlation.sps的路径

将路径复制，然后打开syntax的编辑器，编写如下图所示命令
然后点击RUN-all
然后得到结果。

四 : spss相关分析

运筹学与数据分析实践
数据分析部分

相关分析
1

相关分析的基本概念 二元相关分析

2

3

偏相关分析
距离相关分析

4

1 相关分析的基本概念
任何事物的变化都与其他事物是相互联系 和相互影响的，用于描述事物数量特征的变量 之间自然也存在一定的关系。变量之间的关系 归纳起来可以分为两种类型，即函数关系和统 计关系。

当一个变量x取一定值时，另一变量y可以 按照确定的函数公式取一个确定的值，记为 y = f(x)，则称y是x的函数，也就时说y与x 两变量之间存在函数关系。又如，某种商品在 其价格不变的情况下，销售额和销售量之间的 关系就是一种函数关系：销售额=价格×销售 量。

函数关系是一一对应的确定性关系，比较 容易分析和测度，可是在现实中，变量之间的 关系往往并不那么简单。

为了判断r对ρ 的代表性大小，需要对相 关系数进行假设检验。 （1）首先假设总体相关性为零，即H0为 两总体无显著的线性相关关系。 （2）其次，计算相应的统计量，并得到 对应的相伴概率值。如果相伴概率值小于或等 于指定的显著性水平，则拒绝H0，认为两总体 存在显著的线性相关关系；如果相伴概率值大 于指定的显著性水平，则不能拒绝H0，认为两 总体不存在显著的线性相关关系。

相关系数的取值范围在?1和+1之间，即 ?1≤r≤+1。其中： ? 若0＜r≤1，表明变量之间存在正相关 关系，即两个变量的相随变动方向相同； ? 若?1≤r＜0，表明变量之间存在负相 关关系，即两个变量的相随变动方向相反；

在实际中，因为研究目的不同，变量的类 型不同，采用的相关分析方法也不同。比较常 用的相关分析是二元相关分析、偏相关分析和 距离分析。

2 二元相关分析 2.1 Pearson相关系数
在二元变量的相关分析过程中比较常用的 几个相关系数是Pearson简单相关系数、 Spearman和Kendall's tau-b等级相关系数。 Pearson简单相关系数用来衡量定距变量 间的线性关系。
定距变量，它的取值之间 可以比较大小，可以用加 减法计算出差异的大小。 例如，“年龄”变量、“收入” 变量、“成绩”变量等都是 典型的定距变量。

几种典型的Pearson相关系数及其散点图

2.2 SPSS中实现过程
? 研究问题 某班级学生数学和化学的期末考试成绩如 表2-1所示，现要研究该班学生的数学和化学 成绩之间是否具有相关性。

2-1 学生的数学和化学成绩
人 名 hxh yaju yu shizg hah smith watet jess wish laly john chen david caber marry joke jake herry 数 学 99.00 88.00 65.00 89.00 94.00 90.00 79.00 95.00 95.00 80.00 70.00 89.00 85.00 50.00 87.00 87.00 86.00 76.00 化 学 90.00 99.00 70.00 78.00 88.00 88.00 75.00 98.

00 98.00 99.00 89.00 98.00 88.00 60.00 87.00 87.00 88.00 79.00

?

实现步骤

Step01：选择菜单栏中的【Analyze(分析)】→【Correlate(相关)】→【Bivariate(双 变量)】命令，弹出【Bivariate Correlati ons(双变量相关)】对话框，如图所示，这 是简单相关检验 的主操作窗口。

?

实现步骤

Step02：选择检验变量 在【Bivariate Correlations(双变量相关)】对话框左侧的候选变量列表框中选择两个 个或两个以上变量将其添加至【Variables(变量)】列表框中，表示需要进行简单相 关分析的变量。 Step03：选择相关系数类型 图中的【Correlation Coefficients(相关系数)】选项组中可以选择计算简单相关系数 的类型。 ● Pearson：系统默认项，即积差相关系数，计算连续变量或是等间距测度的变量 间的相关分析。 ● Kendall：等级相关，计算分类变量间的秩相关。 ● Spearman：等级相关，斯皮尔曼相关系数。 对于非等间距测度的连续变量，因为分布不明可以使用等级相关分析，也可以使用 Pearson 相关分析；对于完全等级的离散变量必须使用等级相关分析相关性。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。

?

实现步骤

Step04：假设检验类型选择 在图中的【Test of Significance(显著性检验)】选项组中可以选择输出的假设检验类 型，对应有两个单选项。 ● Two tailed：系统默认项。双尾检验，当事先不知道相关方向（正 相关还是负相 关）时选择此项。 ● One tailed：单尾检验，如果事先知道相关方向可以选择此项。 同时，可以勾选【Flag significant Correlations(标记显著性相关)】复选框。它表示 选择此项后，输出结果中对在显著性水平0.05下显著 相关的相关系数用一个星号 “*”加以标记；对在显著性水平0.01下 显著相关的相关系数用两个星号“**”标记。 Step05：单击【OK】按钮，结束操作，SPSS软件自动输出结果。

?

结果和讨论

从上述的Pearson相关系数表。可以看到，两个成绩的Pearson相关系数值为0.742； 同时相伴概率P值明显小于显著性水平0.01，这说明 两者中度正线性相关。

2.3 绘制相关散点图
如果对变量之间的相关程度不需要掌握得 那么精确，可以通过绘制变量的相关散点图来 直接判断。仍以上例来说明。

?

实现步骤

Step01：选择菜单栏中的【图形】→【旧对话框】→【散点/点状】命 令，弹出【散点图/点图】对话框，如图所示。

Step02：选择【简单分布】→【定义】命令，弹出【简单散点图】对 话框，如图所示。

?

结果和讨论

Step03：选择X轴和Y轴的对应变量，点击确定，在输出窗口得到这两 个变量的简单散点图，如图

所示。

2.4 Spearman相关系数
Pearson 线性相关系数必须假设数据是 成对地从正态分布中取得的，并且数据至少在 逻辑范畴内必须是等间距的数据。如果这两条 件不符合，可采用Spearman 秩相关系数来代 替Pearson 线性相关系数。

Spearman秩相关系数用来度量顺序水准 变量间的线性相关关系。它是利用两变量的秩 次大小作线性相关分析，适用条件为： ① 两个变量的变量值是以等级次序表示的数 据； ② 一个变量的变量值是等级数据，另一个变 量的变量值是等距或比率数据，且其两总体不 要求是正态分布，样本容量n不一定大于30。

Spearman 秩相关系数经常被称为非参数相关系数，这具有两层含义： 第一，只要在X 和Y 具有单调的函数关系的关系，那么X 和Y 就是完全 Spearman 相关的，这与Pearson 相关性不同，后者只有在变量之间具 有线性关系时才是完全相关的。两外一个关于Spearman 秩相关系数的 非参数性的理解就是样本之间精确的分布可以在不知道X 和Y 的联合概 率密度函数时获得。

2.5 SPSS中实现过程
? 研究问题 某语文老师先后两次对其班级学生同一篇 作文加以评分，两次成绩分别记为变量“作文 1”和“作文2”，数据如表2-2所示。问两次评 分的等级相关有多大，是否达到显著水平？

表2-2

学生作文两次的得分情况
人 名 hxh yaju yu shizg hah smith watet jess wish laly john chen 作 文 1 86.00 78.00 62.00 75.00 89.00 67.00 96.00 80.00 77.00 59.00 79.00 68.00 作 文 2 83.00 82.00 70.00 73.00 92.00 65.00 93.00 85.00 75.00 65.00 75.00 70.00

david
caber marry joke jake herry

85.00
87.00 75.00 73.00 95.00 88.00

80.00
75.00 80.00 78.00 90.00 90.00

?

实现步骤

只需在相关系数中选择Spearman即可，其他与Pearson相关分析相似，

结果和讨论

从上述的Spearman相关系数可以看到，这位老师两次的评分的正相关性 较显著，说明这位老师两次批改结果还是较一致的

3 偏相关分析
二元变量的相关分析在一些情况下无法较 为真实准确地反映事物之间的相关关系。例如， 在研究某农场春季早稻产量与平均降雨量、平 均温度之间的关系时，产量和平均降雨量之间 的关系中实际还包含了平均温度对产量的影响。 同时平均降雨量对平均温度也会产生影响。在 这种情况下，单纯计算简单相关系数，显然不 能准确地反映事物之间地相关关系，而需要在 剔除其他相关因素影响的条件下计算相关系数。 偏相关分析正是用来解决这个问题的。

3.1 统计学上的定义和计算公式
定义：偏相关分析是指当两个变量同时与 第三个变量相关时，将第三个变量的影响剔除， 只分析另外两个变量之间相关程度的过程。 偏相关分析的工具是计算偏相

关系数r12， 3。

3.2 SPSS中实现过程
? 研究问题 某农场通过试验取得某农作物产量与春季 降雨量和平均温度的数据，如表3-3所示。现 求降雨量对产量的偏相关。

表3-3 早稻产量与降雨量和温度之间的关系
产 量 降 雨 量 25.00 33.00 45.00 105.00 111.00 温 度

150.00 230.00 300.00 450.00 480.00

6.00 8.00 10.00 13.00 14.00

500.00
550.00 580.00 600.00 600.00

115.00
120.00 120.00 125.00 130.00

16.00
17.00 18.00 18.00 20.00

?

实现步骤

Step01：打开主菜单 选择菜单栏中的【Analyze(分析)】→【Correlate(相关)】→ 【Partial(偏相 关)】命令，弹出【Partial Correlations(偏相关)】对话框，如下图所示，这 是偏相关分析的主操作窗口。

?

实现步骤

Step02：选择检验变量 在【Bivariate Correlations(偏相关)】对话框左侧的候选变量列表框中选择 两个或两个以上变量，将其添加至【Variables(变量)】列表框中，表示需要 进行偏相关分析的变量。 Step03：选择控制变量 在【Bivariate Correlations(偏相关)】对话框左侧的候选变量列表框中 至少 选择一个变量，将其添加至【Controlling for(控制)】列表框中，表示在进行 偏相关分析时需要控制的变量。注意如果不选入控制变量，则进行的是简单 相关分析。 Step04：假设检验类型选择 在【Test of Significance(显著性检验)】选项组中可以选择输出的假设检验 类型，对应有以下两个选项。 ● Two tailed：系统默认项。双尾检验，当事先不知道相关方向（正相关还 是负相关）时选择此项。 ● One tailed：单尾检验，如果事先知道相关方向可以选择此项。 同时，可以勾选【Flag significant Correlations】复选框。它表示选择此项 后，输出结果中对在显著性水平0.05下显著相关的相关系数用一个星号“*”加 以标记；对在显著性水平0.01下显著相关的相关系数用两个星号“* *”标记。

?

实现步骤

Step05：其他选项选择 单击【选项】按钮，弹出的对话框用于指定输出内容和关于缺失值的处理方 法，主要包括以下选项。 ① 统计量：选择输出统计量。 ● 均值和标准差：将输出选中的各变量的观测值数 目、均值和标准差。 ● 零阶相关系数：显示零阶相关矩阵，即Pearson 相关矩 阵。 ② 缺失值：用于设置缺失值的处理方式。它有两种处理方式： ● 按对排除个案：系统默认项。剔除当前分析的两个变量值中缺失的个案 。 ● 按列表排除个案：表示剔除所有含缺失值的个案后再进行分 析。 Step06：相关统计量的Bootstrap估计 单击【Bootstrap】按钮，在弹出的对话框中可以进行如下统计量的 Bootstrap估计。 ● 描述统计表支持均值和标准差的Bootstrap 估计。 ● 相关性表支持相关性的Bootstrap 估计。 Step07：单

击【OK】按钮，结束操作，SPSS软件自动输出结果。

3.3 结果和讨论

从以上结果可以看出，在控制了温度变量后，产量和降雨量之间还是 有正相关关系，但不如之前的显著了。

4 距离相关分析 4.1 统计学上的定义和计算公式
简单相关分析和偏相关分析有一个共同点，那就是对 所分析的数据背景应当有一定程度的了解。但在实际中有时 会遇到一种情况，在分析前对数据所代表的专业背景知识尚 不充分，本身就属于探索性的研究。这时就需要先对各个指 标或者案例的差异性、相似程度进行考察，以先对数据有一 个初步了解，然后再根据结果考虑如何进行深入分析。 距离相关分析是对观测量之间或变量之间相似或不相似 的程度的一种测量。距离相关分析可用于同一变量内部各个 取值间，以考察其相互接近程度；也可用于变量间，以考察 预测值对实际值的拟合优度。

距离相关分析根据统计量不同，分为以下 两种。 ? 不相似性测量：通过计算样本之间或 变量之间的距离来表示。 ? 相似性测量：通过计算Pearson相关系 数或Cosine相关来表示。

距离相关分析根据分析对象不同，分为以 下两种。 ? 样本间分析：样本和样本之间的距离 相关分析。 ? 变量间分析：变量和变量之间的距离 相关分析。

在不相似性测量的距离分析中，根据不同 类型的变量，采用不同的统计量进行计算。 （1）对连续变量的样本 (x,y) 进行距离 相关分析时，常用的统计量有以下几种。

4.2 SPSS中实现过程
距离相关分析分为相似性测量和不相似性 测量，也可分为样本间分析和变量间分析。下 面分别对这4种情况进行讲解。

? 研究问题1—变量和个案之间的不相似性 测量分析 对6个标准电子元件的电阻（欧姆）进行3 次平行测试，测得结果如表4-4所示。问测试 结果是否一致，6个电子元件之间测试结果有 无差异。
表4-4 3次测量情况
1 第一次 第二次 0.140 0.135 2 0.138 0.140 3 0.143 0.142 4 0.141 0.136 5 0.144 0.138 6 0.137 0.140

第三次

0.141

0.142

0.137

0.140

0.142

0.143

?

实现步骤

Step01：打开对话框 选择菜单栏中的【Analyze(分析)】→【Correlate(相关)】→【Distanc es(距离)】命令，弹出【Distances(距离)】对话框，这是距离分析 的 主操作窗口。

?

实现步骤

Step02：选择检验变量 在【Distances(距离)】对话框左侧的候选变量列表框中选择两个或两 个以上变量，将其添加至【Variables(变量)】列表框中，表 示需要进 行距离分析的变量。同时可以选择一个字符型标示变量移入 【Label Cases(标注个案)】列表框中，在输出中将用这个标示变量 值对各个 观测量加以标记。缺省时，输出中用

观测量的序号来标记。 Step03：选择分析类型 在【Compute Distances(计算距离)】选项组中可以选择计算何种类 型的距离。 ● Between cases：系统默认项。表示作变量内部观察值之间的距离 相关分析。 ● Between variables：表示作变量之间的距离相关分析。

?

实现步骤

Step04：测度类型选择 在【Measure(度量标准)】选项组中可以选择分析时采用的距离类型 。 ● Dissimilarities：系统默认项。不相似性测距，系统默认采用欧式 距离测度观测值或变量之间的不相似性。 ● Similarities：相似性测距。系统默认使用Pearson相关系数测度 观 测值或变量之间的相似性。 Step05：完成操作 单击【OK】按钮，结束操作，SPSS软件自动输出结果。

结果和讨论

以上是三次测试的不相似距离分析结果，从以上结果可以看出，三次 测试的一致性较好，数据之间的距离较小

结果和讨论

以上是6个电子元件的不相似距离分析结果，从以上结果可以看出， 6个电子元件的测试结果非常一致，可认为6个电子元件测试结果无 差别

本文标题：spss典型相关分析-如何用spss做相关性分析_Jerry
本文地址： http://www.61k.com/1093565.html