SPSS数据分析—相关分析

相关系数是衡量变量之间相关程度的度量，也是很多分析的中的当中环节，SPSS做相关分析比较简单，主要是区别如何使用这些相关系数，如果不想定量的分析相关性的话，直接观察散点图也可以。

相关系数有一些需要注意的地方：

1、两变量之间存在相关，仅意味着存在关联，并不意味着因果关系。
2、相关系数不能进行加减乘除运算，没有单位，不同的相关系数不可比较
3、相关系数大小容易受到数据取值区间大小和数据个数大小的影响。
4、相关系数也需要进行检验确定其是否有统计学意义

相关系数的假设检验中
H0：相关系数=0，变量间没有相关性
H1：相关系数≠0，变量间有相关性

相关系数很多，我们一般根据变量的类型进行选择，我们知道变量类型由低级到高级可以分为定类、定序、定距、定比四种类型，而变量的数据类型则可以分为连续型或者离散型，注意不要混淆

一、定距、定比变量，基本上也就是连续变量

一般使用pearson相关系数，也称为积差相关系数，是一种线性相关系数，使用最为广泛，适用条件是两变量需要为线性关系，并且都来自正态分布总体，且要求成对出现

二、定序、定距、定比变量

一般使用spearman等级相关系数也称为秩相关系数，该系数利用了变量的次序信息，而且对原始数据没有过多要求，因此比pearson相关系数使用范围更广，它利用两变量的秩次大小作为分析依据，也可以认为是基于秩次的pearson相关系数，当数据不符合pearson相关系数的要求时，可以选择使用spearman相关系数，但是如果是定距或定比变量，还是建议用pearson相关系数，spearman相关系数的效能略低。

三、只限定序变量

1.Gamma相关系数
2.Kendall等级相关系数，分为τ-a，τ-b，τ-c三种
3.Somer's D相关系数

四、定类变量

定类变量的相关性大都是根据卡方值衍生而来

1、person卡方
实际上也就是卡方检验
2.列联系数
3.φ-Phi系数
4.Cramer's V系数
5.Lambda（λ）系数
6.Goodman and Kruskal的Tau-y系数

五、二分类变量
1.相对危险度RR值
2.优势比OR值

=========================================================

熟悉了各种相关系数的情况之后，我们来看一下在SPSS中的操作

1.分析—描述性统计—交叉表
此过程一般用来分析列联表的，由于数据的组成大多是列联表形式，因此该过程包含了很多种相关系数

2.分析—相关—双变量

此分析为简单相关分析，是最常用的相关分析。

3.分析—相关—偏相关

变量之间都是互相关联的，我们分析两个变量间的相关关系时，免不了会携带其他变量对其的影响，为了得到两个变量间纯粹的相关关系，我们需要控制一些变量的影响，此时的相关分析称为偏相关分析。

实际上，偏相关系数就是以希望分析的变量为因变量，被控制的变量为自变量分别拟合两个回归方程，将所得的两组残差进行简单相关分析

4.分析—相关—距离

该过程一般用于探索性分析，有时我们可以根据变量的含义来初步猜测他们之间的相关性，例如上述例子中的高校数量与专利申请数，但是有时候我们并不知道变量的含义，也就无从猜测了。这时可以根据距离过程对变量的差异性或相似性进行分析，对数据有个初步了解，然后再根据结果做进一步分析。

由于距离其实只是描述性分析，不涉及假设检验，因此结果不会给出P值和相关系数一样，测量距离的指标也有很多，并且根据变量类型也有所区分。