SPSS皮尔逊相关分析实例操作步骤
SPSS皮尔逊相关分析实例操作步骤精选文档
S P S S皮尔逊相关分析实例操作步骤精选文档 TTMS system office room 【TTMS16H-TTMS2A-TTMS8Q8-SPSS皮尔逊相关分析实例操作步骤选题：对某地29名13岁男童的身高（cm）、体重（kg），运用相关分析法来分析其身高与体重是否相关。
实验目的：任何事物的存在都不是孤立的，而是相互联系、相互制约的。
相关分析可对变量进行相关关系的分析，计算29名13岁男童的身高（cm）、体重（kg），以判断两个变量之间相互关系的密切程度。
实验变量：编号Number，身高height（cm），体重weight（kg）原始数据：实Array Array验方法：尔逊相关分析法软件：spss19.0操作过程与结果分析： 第一步：导入Excel 数据文件?1.open data document ——open data ——open ；2. Opening excel data source ——OK.第二步：分析身高（cm ）与体重（kg ）是否具有相关性1. 在最上面菜单里面选中Analyze ——correlate ——bivariate?，首先使用Pearson ，two-tailed ，勾选flag significant correlations 进入如下界面：2. 点击右侧options ，勾选Statistics ，默认Missing Values ，点击Continue 输出结果：图为基本的描述性统计量的输出表格，其中身高的均值（mean ）为152.576cm 、标准差（standarddeviation ）为8.3622、样本容量（number of cases ）为29；体重的均值为37.65kg 、标准差为5.746、样本容量为29。
两者的平均值和标准差值得差距不显着。
Descriptive Statistics Mean Std. Deviation N身高（cm ） 152.576 8.3622 29体重(kg) 37.65 5.746 29Correlations身高（cm ）体重(kg)身高（cm ）Pearson Correlation 1.719** Sig. (2-tailed).000Sum of Squares and Cross-products 1957.953967.816Covariance 69.92734.565N29 29 体重(kg)Pearson Correlation .719** 1Sig. (2-tailed).000 Sum of Squares and Cross-products967.816924.312析结果表，从表中可以看出体重和身高之间的皮尔逊相关系数为0.719，即|r|=0.719，表示体重与身高呈正相关关系，且两变量是显着相关的。
SPSS问卷调查皮尔逊相关性分析...
SPSS问卷调查皮尔逊相关性分析...SPSS单样本T检验在问卷调查数据统计分析中的应用量表题项的均值计算（现状分析）前面的课程我们讲到过两个名义单选题之间的关联关系分析选择交叉表卡方检验。
那么，两个李克特量表题之间的关联关系分析则需要选择皮尔逊相关性分析（Pearson Correlation）皮尔逊相关性分析要求变量类型为连续数值型变量，在问卷研究中，李克特量表数据一般被视为连续数值型变量。
因此，皮尔逊相关性分析是量表分析中最常用到的统计学方法。
请观看下方视频教程全屏播放请关闭手机中“方向锁定”，然后将手机横向放置我们对某产品进行问卷调研：有如下3个题项：1.您对本产品的售后满意度：A、非常不满意B、不满意C、一般D、满意E、非常满意2.您对本产品的质量满意度：A、非常不满意B、不满意C、一般D、满意E、非常满意3.您再次购买本产品的意愿：A、非常不意愿B、不意愿C、一般D、意愿E、非常意愿现在，我们需要考察“售后满意度”、“质量满意度”和“再次购买意愿”之间的相关关系，选择pearson相关性分析，在SPSS软件中的操作步骤如下：①以上三题的数据录入SPSS软件的形式如下：②点击“分析”→“相关”→“双变量”：③将三个变量选进“变量”对话框：最后点击“确定”，得出如下结果：相关性分析的步骤分为以下两步：1、第一步是分析显著性。
“售后满意度”和“再次购买意愿”之间的相关系数对应的显著性P=0.013<0.05，意味着“售后满意度”和“再次购买意愿”存在着显著相关关系；’2、第二步，得出了显著相关的结论之后，继续分析相关系数的大小。
“售后满意度”和“再次购买意愿”之间的相关系数为0.448>0，意味着“售后满意度”和“再次购买意愿”之间存在着显著正相关，意味着“售后满意度”越高，“再次购买意愿”越强。
最后，SPSS输出的相关性分析的表格需要整理成如下形式的三线表才可以放进论文中：本期内容就到这里哦~我们将更新更多实用的问卷调研策略、问卷数据统计分析（SPSS、Amos、Mplus...）、商业资讯报告等精彩案例课程、实用技巧的文章和视频哦，敬请大家关注!。
SPSS相关性分析 Pearson相关与偏相关分析的实现 步骤
SPSS相关性分析Pearson相关与偏相关分析的实现步骤
一、Pearson相关分析
二、偏相关分析
方法一正规步骤,但就是麻烦
1、分析——相关——偏相关。
2、选择变量,导入右侧框。
再点击选项,选择零阶相关系数(可选可不选,零阶先关系数就就是pearson相关系数,选了偏于对比查瞧)。
继续——确定。
3、结果分析:总磷Pearson相关不显著,但偏相关显著。
Pearson相关系数,显著性P值为0、416>0、05,相关性不显著。
偏相关,显著性P值为0、001<o、o1,极显著相关。
(显著性瞧sig、P值,
P<0、05,“*”显著;
P<0、01,“**”极显著)
方法二:简便方法,快捷迅速,不用挨个分析偏相关,可以一下子出来。
1、分析——回归——线性。
2、“溶解氧、氨氮、总磷、总氮、水温”与“叶绿素”的偏相关分析。
如图,先选择变量,再选择“统计量”。
“统计量”一定要选择“部分相关与偏相关性”。
其她的可以不选。
继续—确定。
3、结果分析,分别瞧Sig、显著性,与偏相关系数。
以总磷为例,与之前单独做“偏相关”分析结果就是一样的。
其她变量与叶绿素的偏相关关系也可以在上表瞧出来。
2020年SPSS相关性分析Pearson相关与偏相关分析的实现步骤(实用)
SPSS相关性分析Pearson 相关与偏相关分析的实现
步骤
SPＳS相关性分析Ｐｅarso ｎ相关与偏相关分析的实现
步骤
一、Pearｓon相关分析
二、偏相关分析
方法一正规步骤，但是麻烦
1、分析——相关——偏相关。
２、选择变量，导入右侧框.再点击选项，选择零阶相关系数（可选可不选，零阶先关系数就是peaｒson相关系数,选了偏于对比查看）。
继续--确定。
3、结果分析：总磷Ｐｅａrson相关不显著，但偏相关显著.
Ｐearsｏn相关系数,显著性P值为0。
4１6〉0．0５，相关性不显著。
偏相关，显著性P值为0.00１<o.o1,极显
著相关。
(显著性看 sig。
P值，
Ｐ＜0。
05，“＊"显著;
P〈０．０１，“＊＊"极显著）
方法二:简便方法，快捷迅速，不用挨个分析偏相关，可以一下子出来.
１、分析——回归——线性.
2、“溶解氧、氨氮、总磷、总氮、水温”与“叶绿素”的偏相关分析。
如图，先选择变量,再选择“统计量”。
“统计量”一定要选择“部分相关和偏相关性”。
其他的可以不选。
继续—确定。
3、结果分析，分别看Sig。
显著性，和偏相关系数。
以总磷为例,与之前单独做“偏相关”分析结果是一样的.其他变量与叶绿素的偏相关关系也可以在上表看出来。
...谢阅...。
SPSS Pearson相关性分析
SPSS Pearson 相关性分析∙ 1∙ 2∙ 3∙ 4∙ 5∙ 6∙7分步阅读世间万物都是存在相关联系的，我们在医学上以及社会学上都常常需要对两个变量进行相关性分析。
如果两个变量都是分类变量或者有一个是分类变量，则需要用Spearman 相关分析，如果两个变量都是连续性的变量，则Pearson 分析方法更加适合工具/原料∙spss软件∙连续性的两个变量方法/步骤1. 1打开SPSS软件;点击“开始”按钮，双击“SPSS ”软件。
导入数据：点击左上角“文件”-----“打开”-----“数据”，并选择你的数据如果为spss数据可以直接导入，若为excel 格式，需要在“文件类型”框中选择“excel格式”2. 2开始做数据分析：在工具栏处，点击：“分析”----”相关”----“双变量”，如下图所示，则开始进行变量的选择3. 3如图，需要先确定要分析的变量，首先将两个变量放入“变量”框中。
此时，需要注意，要分析哪几个变量就只能选择那几个变量，而不能将所有的变量选入，而且，这里是双变量分析，因此，最多可以选择两个变量4. 4然后，选择在“相关系数”框中选择“Pearson”。
因为，这里的两个变量为连续性的变量，因此采用pearson 相关分析；若为两个分类变量，或者一个分类变量一个连续性的变量，则可以用Spearman 相关分析5. 5选择好变量之后，如果需要对数据进行一定的描述，或者查看，可以打开右上角的按钮，即选择“选项”，如下图所示6. 6大部分分析需要对原始数据进行统计描述，即如果需要进行描述性分析，可以选择均值和标准差，如上图所示的mea n （均值）和 sd （标准差），分别对数据的大小和离散程度作出一定的描述，并点击“确定按钮”7.7如果需要对数据进行模拟分析，则可以选择右上角的“bootsTrap”模拟分析，打开后如下图所示。
其中样本数为需要模拟的总共的次数，可以自己定义；后面的种子数，是开始模拟随机数字的起始种子数，同样可以自行定义。
SPSS相关分析案例讲解
相关分析一、两个变量的相关分析：Bivariate 1．相关系数的含义相关分析是研究变量间密切程度的一种常用统计方法。
相关系数是描述相关关系强弱程度和方向的统计量，通常用r 表示。
①相关系数的取值范围在-1和+1之间，即：–1≤r ≤ 1。
②计算结果，若r 为正，则表明两变量为正相关；若r 为负，则表明两变量为负相关。
③相关系数r 的数值越接近于1（–1或+1），表示相关系数越强；越接近于0，表示相关系数越弱。
如果r=1或–1，则表示两个现象完全直线性相关。
如果=0，则表示两个现象完全不相关（不是直线相关）。
④3.0<r ，称为微弱相关、5.03.0<≤r ，称为低度相关、8.05.0<≤r ，称为显著（中度）相关、18.0<≤r ，称为高度相关⑤r 值很小，说明X 与Y 之间没有线性相关关系，但并不意味着X 与Y 之间没有其它关系，如很强的非线性关系。
⑥直线相关系数一般只适用与测定变量间的线性相关关系，若要衡量非线性相关时，一般应采用相关指数R 。
2．常用的简单相关系数（1）皮尔逊（Pearson ）相关系数皮尔逊相关系数亦称积矩相关系数，1890年由英国统计学家卡尔•皮尔逊提出。
定距变量之间的相关关系测量常用Pearson 系数法。
计算公式如下：∑∑∑===----=ni ni i ini i iy y x xy y x xr 11221)()())(( （1）（1）式是样本的相关系数。
计算皮尔逊相关系数的数据要求：变量都是服从正态分布，相互独立的连续数据；两个变量在散点图上有线性相关趋势；样本容量30≥n 。
（2）斯皮尔曼（Spearman ）等级相关系数Spearman 相关系数又称秩相关系数，是用来测度两个定序数据之间的线性相关程度的指标。
当两组变量值以等级次序表示时，可以用斯皮尔曼等级相关系数反映变量间的关系密切程度。
它是根据数据的秩而不是原始数据来计算相关系数的，其计算过程包括：对连续数据的排秩、对离散数据的排序，利用每对数据等级的差额及差额平方，通过公式计算得到相关系数。
SPSS相关性分析 Pearson相关与偏相关分析的实现 步骤
SPSS相干性剖析 Pearson相干与偏相干剖
析的实现步调
一、Pearson相干剖析
二、偏相干剖析
办法一正规步调,但是麻烦
1.剖析——相干——偏相干.
2.选择变量,导入右侧框.再点击选项,选择零阶相干系数（可选可不选,零阶先关系数就是pearson相干系数,选了偏于比较检讨）.持续——肯定.
3.成果剖析：总磷Pearson相干不明显,但偏相干明显.
Pearson相干系数,明显性P值为0.416>0.05,相干性不明显.偏相干,明显性P值为0.001<o.o1,极明显相干.
（明显性看 sig. P值,
P<0.05,“*”明显;
P<0.01,“**”极明显）
办法二：轻便办法,快捷敏捷,不必挨个剖析偏相干,可以一会儿出来.
1.剖析——回归——线性.
2.“消融氧.氨氮.总磷.总氮.水温”与“叶绿素”的偏相干剖析.如图,先选择变量,再选择“统计量”.“统计量”必定要选择“部分相干和偏相干性”.其他的可以不选.持续—肯定.
3.成果剖析,分离看Sig. 明显性,和偏相干系数.
以总磷为例,与之前单独做“偏相干”剖析成果是一样的.其他变量与叶绿素的偏相干关系也可以在上表看出来.。
SPSS皮尔逊相关分析实例操作步骤
SPSS皮尔逊相关分析实例操作步骤选题：对某地29名13岁男童的身高（cm）、体重（kg），运用相关分析法来分析其身高与体重是否相关。
实验目的：任何事物的存在都不是孤立的，而是相互联系、相互制约的。
相关分析可对变量进行相关关系的分析，计算29名13岁男童的身高（cm）、体重（kg），以判断两个变量之间相互关系的密切程度。
实验变量：编号Number ，身高height （cm ），体重weight （kg ）原始数据：实验方法：皮尔逊相关分析法 软件：操作过程与结果分析： 第一步：导入Excel 数据文件 1. open data document ——open data ——open ；28 40 29322. Opening excel data source——OK.第二步：分析身高（cm）与体重（kg）是否具有相关性1.在最上面菜单里面选中Analyze——correlate——bivariate ，首先使用Pearson，two-tailed，勾选flag significant correlations进入如下界面：2.点击右侧options，勾选Statistics，默认Missing Values，点击Continue输出结果：Descriptive StatisticsMean Std. Deviation N身高（cm）29体重(kg)29图为基本的描述性统计量的输出表格，其中身高的均值（mean）为、标准差（standard deviation）为、样本容量（number of cases）为29；体重的均值为、标准差为、样本容量为29。
两者的平均值和标准差值得差距不显著。
Correlations身高（cm）体重(kg)身高（cm）Pearson Correlation1.719**Sig. (2-tailed).000Sum of Squares andCross-productsCovarianceN2929体重(kg)Pearson Correlation.719**1Sig. (2-tailed).000Sum of Squares andCross-productsCovarianceN2929**. Correlation is significant at the level (2-tailed).图为相关分析结果表，从表中可以看出体重和身高之间的皮尔逊相关系数为，即|r|=，表示体重与身高呈正相关关系，且两变量是显著相关的。
SPSS相关性分析 Pearson相关与偏相关分析的实现 步骤
SPSS相关性分析Pearson相关与偏相关分析的实现步骤
一、Pearson相关分析
二、偏相关分析
方法一正规步骤，但是麻烦
1、分析——相关-—偏相关。
2、选择变量,导入右侧框。
再点击选项，选择零阶相关系数（可选可不选，零阶先关系数就是pearson相关系数，选了偏于对比查看）。
继续——确定。
3、结果分析：总磷Pearson相关不显著，但偏相关显著。
Pearson相关系数，显著性P值为0。
416〉0。
05,相关性不显著。
偏相关，显著性P值为0.001<o。
o1，极显著相关。
(显著性看sig. P值，
P〈0。
05，“*”显著；
P<0.01,“＊*"极显著）
方法二:简便方法,快捷迅速,不用挨个分析偏相关，可以一下子出来。
1、分析——回归——线性。
2、“溶解氧、氨氮、总磷、总氮、水温”与“叶绿素”的偏相关分析。
如图，先选择变量,再选择“统计量”。
“统计量”一定要选择“部分相关和偏相关性”。
其他的可以不选。
继续—确定。
3、结果分析，分别看Sig。
显著性，和偏相关系数。
以总磷为例,与之前单独做“偏相关”分析结果是一样的。
其他变量与叶绿素的偏相关关系也可以在上表看出来。
spss对数据进行相关性分析实验报告
spss对数据进行相关性分析实验报告一、实验目的本次实验旨在运用 SPSS 软件对给定的数据进行相关性分析，以探究不同变量之间的关系，为进一步的研究和决策提供有价值的信息。
二、实验原理相关性分析是一种用于研究两个或多个变量之间线性关系强度和方向的统计方法。
常用的相关性系数包括皮尔逊（Pearson）相关系数、斯皮尔曼（Spearman）相关系数等。
皮尔逊相关系数适用于两个连续变量之间的线性关系分析，要求变量服从正态分布；斯皮尔曼相关系数则适用于有序变量或不满足正态分布的变量。
三、实验数据本次实验使用的数据来源于具体来源，包含了变量数量个变量，分别为变量名称 1、变量名称2……变量名称 n。
每个变量包含了样本数量个观测值。
四、实验步骤1、数据导入打开 SPSS 软件，选择“文件”菜单中的“打开”选项，找到并选中要分析的数据文件。
在弹出的对话框中，根据数据的格式选择相应的导入方式，如CSV、Excel 等。
2、变量定义在“变量视图”中，对导入的变量进行定义，包括变量名称、类型、宽度、小数位数等。
3、相关性分析选择“分析”菜单中的“相关”选项，在弹出的子菜单中选择“双变量”。
将需要分析相关性的变量选入“变量”框中。
根据变量的类型和分布特征，选择合适的相关性系数，如皮尔逊或斯皮尔曼相关系数。
点击“确定”按钮，运行相关性分析。
五、实验结果1、相关性系数矩阵输出的相关性系数矩阵显示了各个变量之间的相关性系数值。
系数值的范围在－1 到 1 之间，－1 表示完全负相关，1 表示完全正相关，0 表示无相关性。
2、显著性水平除了相关性系数值外，还输出了每个相关性系数的显著性水平（p 值）。
p 值小于 005 通常被认为相关性是显著的。
以下是对实验结果的具体分析：变量 1 与变量 2 的相关性分析：相关性系数为具体数值，表明变量 1 和变量 2 之间存在正/负相关关系。
p 值为具体数值，小于 005，说明这种相关性在统计上是显著的。
spss相关性分析 pearson相关与偏相关分析的实现 步骤
spss相关性分析 pearson相关与偏相关分析的实现步骤
SPSS（Statistical Package for the Social Sciences）是一款功能强大的统计分
析软件，可以帮助研究者实现Pearson相关与偏相关分析。
具体实现步骤如下：
一、准备资料
1）首先，研究者要准备好一份数据集，包括变量与集体变量。
此数据集应与相关分
析要研究的课题有关。
2）此外，研究者还需要注意将数据录入SPSS数据集，这是软件实现相关分析的基础。
二、启动SPSS
然后点击"文件"选项，打开刚才保存的数据集文件，启动SPSS软件。
三、打开“分析”选项
接着在SPSS的主界面中，点击"分析"选项，继续进行相关分析。
四、选择“相关”
在选择"相关"模块后，需要依次选择变量，然后确认输出结果，最后点击“确定”结
束此步骤。
五、获取相关性报告
此时SPSS软件就会弹出一份相关性报告，且里面记录了Pearson相关与偏相关的所
有相关参数，例如校正的R值、秩距离和r，等等。
研究者可以通过此报告，得出研究中
变量之间的统计关系和发现。
六、更改选项
如果研究者觉得输出结果不理想，可以通过更改相关模块中的各项选项，然后重新生
成报告。
以上就是SPSS实现Pearson相关与偏相关分析的步骤。
研究者通过实施以上步骤，
就可以获取实用的统计结果，并能够更加深入地探究变量之间的关系。
SPSS相关性分析 Pearson相关与偏相关分析的实现 步骤
SPSS相关性分析Pearson相关与偏相关分析的实现步骤
一、Pearson相关分析
二、偏相关分析
方法一正规步骤，但是麻烦
1、分析——相关——偏相关。
2、选择变量，导入右侧框。
再点击选项，选择零阶相关系数（可选可不选，零阶先关系数就是pearson相关系数，选了偏于对比查看）。
继续——确定。
3、结果分析：总磷Pearson相关不显著，但偏相关显著。
Pearson相关系数，显著性P值为0.416>0.05，相关性不显著。
偏相关，显著性P值为0.001<o.o1，极显著相关。
（显著性看sig. P值，
P<0.05，“*”显著；
P<0.01，“**”极显著）
方法二：简便方法，快捷迅速，不用挨个分析偏相关，可以一下子出来。
1、分析——回归——线性。
2、“溶解氧、氨氮、总磷、总氮、水温”与“叶绿素”的偏相关分析。
如图，先选择变量，再选择“统计量”。
“统计量”一定要选择“部分相关和偏相关性”。
其他的可以不选。
继续—确定。
3、结果分析，分别看Sig. 显著性，和偏相关系数。
以总磷为例，与之前单独做“偏相关”分析结果是一样的。
其他变量与叶绿素的偏相关关系也可以在上表看出来。
SPSS学习之——相关分析（Pearson、Spearman、卡方检验
SPSS学习笔记之——相关分析（Pearson、Spearman、卡方检验一、相关分析方法的选择及指标体系（一）两个连续变量的相关分析1、Pearson相关系数最常用的相关系数，又称积差相关系数，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称为一致性，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，用于评价两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两个模块中。
（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，适用于两个无序分类变量的检验。
（2）“相关性”复选框：适用于两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）Kappa：为内部一致性系数。
（6）风险：给出OR或RR值。
Pearson相关的超详细SPSS操作方法
Pearson相关的超详细SPSS操作方法Pearson相关的超详细SPSS操作方法作者：张耀文（医咖会）1、问题与数据某研究者拟探讨在45岁至65岁健康男性中胆固醇浓度与观看电视的时间是否有关。
他猜测：看电视时间较长者，血液中的胆固醇浓度要高一些。
研究者收集了研究对象每天看电视时间（变量time_tv）和胆固醇浓度（变量cholesterol）。
部分数据如图1.1。
图1.1 部分数据2、对问题的分析研究者想观察两个连续变量之间的相关性，可以使用Pearson相关分析。
使用Pearson相关分析时，需要考虑5个假设。
假设1：两个变量都是连续变量。
假设2：两个连续变量应当是配对的，即来源于同一个个体。
假设3：两个连续变量之间存在线性关系，通常做散点图检验该假设。
假设4：两个变量均没有明显的异常值。
Pearson相关系数易受异常值影响。
假设5：两个变量符合双变量正态分布。
假设1和假设2与研究设计有关。
经分析，本研究数据符合假设1和2。
如何考虑和处理假设3-5呢？3、SPSS操作3.1 检验假设3：两个连续变量之间存在线性关系Pearson要求两个变量之间存在线性关系。
本例要求观看电视时间（time_tv）和胆固醇浓度（cholesterol）之间存在线性关系。
要确定是否存在线性关系，研究者需要查看两个变量的散点图。
如果散点图大致呈一条直线，说明有线性关系。
但是，如果不是一条直线（如一条曲线）则没有线性关系。
散点图1.2给出了线性和非线性关系的例子：图1.2 两个变量的散点图计算Pearson相关系数时，最好有类似于上述第一个散点图的线性关系。
如果两变量间不存在线性关系，下面还会介绍如何应对这种非线性关系并计算Pearson相关系数。
以下先说明将如何在SPSS中生成散点图，检验线性关系。
在主界面点击Graphs→Chart Builder，在Chart Builder对话框下，选择Gallery→Choose from→Scatter/Dot。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
S P S S皮尔逊相关分析实
例操作步骤
Prepared on 21 November 2021
SPSS皮尔逊相关分析实例操作步骤
选题：
对某地29名13岁男童的身高（cm）、体重（kg），运用相关分析法来分析其身高与体重是否相关。
实验目的：
任何事物的存在都不是孤立的，而是相互联系、相互制约的。
相关分析可对变量进行相关关系的分析，计算29名13岁男童的身高（cm）、体重（kg），以判断两个变量之间相互关系的密切程度。
实验变量：
编号Number，身高height（cm），体重weight（kg）
原始数据：
实验方法：
软件：
操作过程与结果分析：
第一步：导入Excel数据文件?
1.open data document——open data——open；
2. Opening excel data source——OK.
第二步：分析身高（cm）与体重（kg）是否具有相关性
1.在最上面菜单里面选中Analyze——correlate——bivariate?，首先
使用Pearson，two-tailed，勾选flag significant correlations 进入如下界面：
2.点击右侧options，勾选Statistics，默认Missing Values，点击
Continue
输出结果：
图为基本的描述性统计量的Array输出表格，其中身高的均值
（mean）为、标准差（standard
deviation）为、样本容量
（number of cases）为29；体重的均值为、标准差为、样本容量为29。
两者的平均值和标准差值得差距不
显着。
Correlations
身高（cm）体重(kg)
身高（cm）Pearson Correlation1.719**
Sig. (2-tailed).000
Sum of Squares and Cross-
products
Covariance
N2929
体重(kg)Pearson Correlation.719**1
Sig. (2-tailed).000
Sum of Squares and Cross-
products
Covariance
N2929
图为相关分**. Correlation is significant at the level (2-tailed).
析结果表，从表中可以看出体重和身高之间的皮尔逊相关系数为，即|r|=，表示体重与身高呈正相关关系，且两变量是显着相关的。
另外，两者之间不相关的双侧检验值为，图中的双星号标记的相关系数是在显着性水平为以下，认为标记的相关系数是显着的，验证了两者显着相关的关系。
所以可以得出结论：学生的体重与身高存在显着的正相关性，当体重越高时，身高也越高。
第三步：画散点图：选中Graphs——Legacy Dialogs——Scatter/dot——
Simple scatter——define.
得到散点图，如下图：。