相關分析「一篇概全」

相關分析是最基本的關係研究方法，也是一些分析方法的基礎，研究中我們經常會使用到相關分析，所以今天咱們就來說一說相關分析的那些「事兒」。

相關分析是用於研究定量數據之間的關係情況，包括是否有關係，以及關係緊密程度等，通常用於回歸分析之前。比如研究網購滿意度和重複購買意願之間是否有關係，關係緊密程度如何？

散點圖

在相關分析之前，一般可使用散點圖觀察數據之間的關係情況，即查看X和Y之間的關係情況。通過觀察散點的分布和走向能夠直觀地發現變量間的關係以及強弱程度和數據可能的走向。SPSSAU（在線版SPSS）用戶可在「可視化」選擇卡下找到散點圖並進行分析。

SPSSAU提供散點圖分析

散點圖經常表現為某種特定的形式。比如下圖，可以看出，X增大時，Y會明顯的減少，即說明X和Y之間有著負向相關關係。

散點圖結果

相關係數

相關分析使用相關係數表示分析項之間的關係；首先判斷是否有關係，接著判斷關係為正相關或者負相關(相關係數大於0為正相關，反之為負相關)，也可以像上面一樣，通過散點圖直觀的查看變量的關係；最後判斷關係緊密程度。

相關係數反應了變量之間線性關係的強弱程度。通過正、負表示相關的方向。相關係數有兩類，分別是Pearson相關係數和Spearman相關係數。此兩類係數均用於描述相關關係程度，判斷標準也基本一致，通常絕對值大於0.7時認為兩變量之間表現出非常強的相關關係，絕對值大於0.4時認為有著強相關關係，絕對值小於0.2時相關關係較弱。

除此之外，SPSSAU還提供Kendall相關係數。三個相關係數的區別如下表格：

相關係數比較

Pearson相關係數是最常用的，也是SPSSAU默認的相關係數。不過使用時也有一定的要求，當兩變量不符合正態分布時，則可以使用Spearman相關係數。無論是Pearson或者Spearman相關係數，其實際依舊是研究相關關係，結論上並不會有太大區別；並且數據正態分布通常在理想狀態下才會成立。因而現實研究中使用Pearson相關係數的情況佔絕大多數。Kendall相關係數多用於計算評分一致性，如評委打分等。注意：相關關係並不等同於因果關係，相關性表示兩變量會同時發生改變，而因果關係，也就是一個因素導致另一個因素發生變化。

具體操作

SPSSAU在設計上區分了X和Y，所以對應放入即可。如果並不區分X或者Y，此時直接把所有項放入「分析項Y（定量）」框中即可。

SPSSAU分析界面

SPSSAU輸出結果

SPSSAU分析結果

智能分析建議