SPSS相关分析完整教程
什么是相关分析？
相关分析是一种统计方法,用于衡量两个或多个连续变量之间关系的强度和方向。
（图片来源网络，侵删）
- 强度：关系有多紧密？通常用相关系数
r的绝对值大小来表示，范围在 -1 到 +1 之间，绝对值越接近1，表示关系越强；越接近0，表示关系越弱。 - 方向：关系是正向还是负向？
- 正相关：一个变量增加，另一个变量也倾向于增加。
r为正值 (0 到 +1)。 - 负相关：一个变量增加，另一个变量却倾向于减少。
r为负值 (-1 到 0)。
- 正相关：一个变量增加，另一个变量也倾向于增加。
示例：
- 正相关：身高和体重通常是正相关的（身高越高，体重往往越重）。
- 负相关：学习游戏的时间和考试成绩通常是负相关的（玩游戏时间越长，考试成绩可能越低）。
相关分析的类型
SPSS中最常用的相关分析是 皮尔逊相关系数，但它并非万能，选择哪种方法取决于你的数据类型。
| 分析方法 | 适用数据类型 | 说明 |
|---|---|---|
| 皮尔逊相关 | 连续变量 (如身高、体重、温度、分数) | 最常用的方法，假设数据是正态分布的线性关系。 |
| 斯皮尔曼等级相关 | 有序变量 或 非正态分布的连续变量 | 不要求正态分布，计算的是变量排序后的秩次之间的相关性。 |
| 肯德尔等级相关 | 有序变量，尤其适合小样本或存在大量相同“秩”的数据 | 也是基于秩次，被认为比斯皮尔曼更稳健，但计算值通常较小。 |
本教程主要讲解最常用的皮尔逊相关分析。
前提条件
在进行皮尔逊相关分析前,需要检查你的数据是否满足以下前提条件：
（图片来源网络，侵删）
- 线性关系：两个变量之间的关系应该是线性的，可以通过绘制散点图来直观判断，如果点云呈椭圆形或直线状，则存在线性关系；如果是曲线形（如U型），则不宜使用皮尔逊相关。
- 变量为连续变量：两个变量都应该是数值型变量。
- 正态分布：两个变量都应近似服从正态分布，可以通过直方图或正态性检验（如Shapiro-Wilk检验）来检查，如果数据严重偏离正态，应考虑使用斯皮尔曼相关。
- 异常值：极端的异常值会严重影响相关系数的结果，可以通过散点图识别异常值，并决定是否需要剔除或进行转换。
SPSS操作步骤：以皮尔逊相关为例
假设我们有一个数据集,包含三个变量：学习时长、考试成绩 和 每日睡眠时间，我们想分析它们两两之间的关系。
步骤 1：打开数据文件
打开SPSS，并加载你的数据文件（.sav格式）。
步骤 2：进入相关分析对话框
- 点击顶部菜单栏的
分析。 - 在下拉菜单中选择
相关->双变量...。
步骤 3：选择变量
（图片来源网络，侵删）
- 在弹出的“双变量相关”对话框中，从左侧的变量列表中，将你想要分析的变量（
学习时长、考试成绩、每日睡眠时间）移动到右侧的变量框中。
步骤 4：设置相关分析选项
相关系数：默认勾选皮尔逊，这是我们本次教程的重点，如果需要，可以同时勾选斯皮尔曼。显著性检验：双尾检验：当你不确定相关方向是正是负时使用（最常用）。单尾检验：当你有明确的理论预期方向时使用（你确信学习时长和成绩是正相关的）。
标记显著性相关：强烈建议勾选！这会用 号在结果表格中显著相关的系数旁进行标记，非常直观。- 表示在 0.05 水平上显著（p < 0.05）。
- 表示在 0.01 水平上显著（p < 0.01）。
选项：点击此按钮，可以设置更多细节。- 在“统计”部分，可以勾选
均值和标准差，这会输出每个变量的描述性统计信息，非常有用。 - 可以勾选
叉积偏差和协方差，这些是更高级的统计量。 - 在“缺失值”部分，通常选择
按对排除个案（默认），即计算某一对相关时，只使用这两个变量都有完整数据的个案。
- 在“统计”部分，可以勾选
步骤 5：运行分析
设置完成后，点击 确定，SPSS将输出分析结果。
结果解读
SPSS会输出两个主要表格：描述性统计表和相关系数表。
表格 1：描述性统计
| 均值 | 标准差 | N | |
|---|---|---|---|
| 学习时长 | 50 | 23 | 30 |
| 考试成绩 | 90 | 45 | 30 |
| 每日睡眠时间 | 20 | 05 | 30 |
- 解读：这个表格简单展示了每个变量的平均数、标准差和样本量，这有助于你初步了解数据的分布情况。
表格 2：相关性矩阵
| 学习时长 | 考试成绩 | 每日睡眠时间 | |
|---|---|---|---|
| 学习时长 | 1 | .875 | -.512 |
| .000 | .005 | ||
| 考试成绩 | .875 | 1 | -.234 |
| .000 | .217 | ||
| 每日睡眠时间 | -.512 | -.234 | 1 |
| .005 | .217 |
如何解读这个表格？
- 对角线为1：每个变量与自身的相关系数是1，这是完全正相关，符合逻辑。
- 对称矩阵：表格是对称的。“学习时长”与“考试成绩”的相关系数（.875）与“考试成绩”与“学习时长”的相关系数（.875）是相同的。
- 解读每个单元格：
- 单元格 (学习时长, 考试成绩)：
- 相关系数：
r = .875，这是一个强正相关，学习时间越长，考试成绩越高。 - 显著性 p值：
p = .000，这个值小于 0.05，表明这种相关性在统计学上是显著的，也就是说，我们几乎可以肯定，在总体中学习时长和成绩也存在正相关关系。
- 相关系数：
- 单元格 (学习时长, 每日睡眠时间)：
- 相关系数：
r = -.512，这是一个中等强度的负相关，学习时间越长，睡眠时间越少。 - 显著性 p值：
p = .005，小于 0.05，相关性显著。
- 相关系数：
- 单元格 (考试成绩, 每日睡眠时间)：
- 相关系数：
r = -.234，这是一个弱负相关。 - 显著性 p值：
p = .217，大于 0.05，相关性不显著，这意味着我们没有足够的证据表明“睡眠时间”和“考试成绩”之间存在线性关系。
- 相关系数：
- 单元格 (学习时长, 考试成绩)：
可视化：绘制散点图
相关分析的结果最好用散点图来可视化,这能帮助你直观地看到关系形态。
操作步骤：
- 点击
图形->图表构建程序...。 - 在“选择自”区域，选择
散点图/点图。 - 将第一个散点图模板拖拽到预览区域。
- 将一个变量（如
学习时长）拖拽到X轴。 - 将另一个变量（如
考试成绩）拖拽到Y轴。 - 点击
确定。
解读散点图：
- 如果点从左下到右上大致呈椭圆形或直线分布,说明存在正相关。
- 如果点从左上到右下大致呈椭圆形或直线分布,说明存在负相关。
- 如果点云呈圆形或无规律分布,说明没有线性相关。
- 注意观察是否有远离点群的异常值。
重要注意事项
- 相关不等于因果：这是统计学中最重要的原则之一！
- 示例：冰淇淋销量和溺水人数高度正相关，但我们不能说“吃冰淇淋导致溺水”，是“炎热天气”这个第三方变量同时导致了冰淇淋销量增加和更多人去游泳（从而增加溺水风险）。
- 相关分析只能告诉你“两件事有关联”，但不能告诉你“一件事是另一件事的原因”。
- 警惕假性相关：当两个变量都受第三个变量影响时，可能会产生假性相关。
- 相关系数的强弱判断（经验法则）：
|r| >= 0.7：强相关3 <= |r| < 0.7：中等相关|r| < 0.3：弱相关或无相关
- 选择正确的分析方法：根据数据类型选择皮尔逊或斯皮尔曼相关。
- 检查前提条件：线性、正态性、异常值。
- SPSS操作：
分析->相关->双变量，选择变量并设置选项。 - 解读结果：重点关注相关系数
r和显著性p值。 - 可视化：绘制散点图辅助理解。
- 牢记原则：相关 ≠ 因果，避免过度解读。
希望这份详细的教程能帮助你熟练掌握SPSS的相关分析！如果你有具体的数据或遇到问题，可以随时提问。
