如何用SPSS做相关分析？从操作到结果解读全攻略

一、什么是相关分析？

相关分析是一种用于研究两个或多个变量之间是否存在关联，以及关联程度和方向的统计方法。它能够回答我们很多日常研究中的疑问：随着一个变量的变化，另一个变量是否也跟着变化？是同向变化还是反向变化？这种变化的程度有多强？

在实际应用中，相关分析的场景非常广泛。比如医学研究中分析血压与年龄的关系，市场调研中探索消费者满意度与复购意愿的关联，教育学里考察学习投入与学业成绩的联系。据观察，相关分析往往是很多深入统计建模的第一步，帮助研究者初步了解变量之间的关系模式。

需要特别注意的是，相关分析只能说明变量之间存在关联，并不能证明因果关系。两个变量相关，可能是因为一个影响另一个，也可能是因为它们同时受第三个因素影响，这一点在研究结论中需要格外留意。

二、选择合适的相关分析方法

在SPSS中进行相关分析，首先要根据数据的类型选择正确的相关系数。不同的数据类型对应不同的计算方法。

皮尔逊相关系数

皮尔逊相关系数是最常用的相关分析方法，适用于两个变量都是连续数值型，并且大致服从正态分布的情况。比如身高与体重、温度与用电量、收入与消费支出等。皮尔逊相关系数衡量的是变量之间的线性关系，它的取值范围在负一到正一之间。

斯皮尔曼等级相关系数

当数据不满足正态分布，或者变量是等级顺序型时，斯皮尔曼相关系数是更合适的选择。比如将学生的成绩排名与家庭收入排名做相关分析，或者分析满意度等级与复购意愿等级之间的关系。斯皮尔曼相关基于数据的秩次进行计算，对异常值不那么敏感，适用范围更广。

肯德尔相关系数

肯德尔相关系数同样适用于等级变量，特别是在样本量较小且存在较多并列等级时表现更稳定。它也是分析有序分类变量之间关联的常用方法。

在实际操作中，如果不确定该选哪一种，可以观察数据的分布特征。一般来说，对于连续且大致呈正态分布的数据，用皮尔逊；对于等级数据或明显偏离正态的数据，用斯皮尔曼更为稳妥。

三、SPSS相关分析操作步骤

下面以最常用的双变量相关分析为例，详细介绍在SPSS中的操作流程。

第一步：准备并导入数据

在进行相关分析前，确保你的数据已经正确录入SPSS。每一列代表一个变量，每一行代表一个样本或一次观测。变量应为数值型，如果数据中包含文本分类，需要先进行编码转换。

通过“文件”菜单中的“打开数据”选项，将你的数据文件导入SPSS。导入后可以在“变量视图”中检查每个变量的类型、标签等设置是否正确。

第二步：打开相关分析对话框

在菜单栏中依次点击：
分析 → 相关 → 双变量

这是SPSS中进行两个或多个变量相关分析的主要入口。

第三步：选择变量

在弹出的双变量相关对话框中，从左侧变量列表中把你想要分析的相关变量选入右侧的“变量”框中。你可以同时选择多个变量，SPSS会计算出所有变量两两之间的相关系数，形成一个相关矩阵。

第四步：选择相关系数类型

在“相关系数”区域，勾选你需要的系数类型：

• 皮尔逊：适用于连续正态变量

• 斯皮尔曼：适用于等级变量或非正态变量

• 肯德尔tau-b：适用于有序分类变量

如果你不确定，可以同时勾选多个，SPSS会分别输出结果供你比较。

第五步：设置显著性检验

在“检验显著性”区域，通常选择“双尾检验”。双尾检验用于不确定相关方向的情况，如果你有明确的理论预期（比如预期是正相关），可以选择“单尾检验”。对于大多数探索性研究，双尾检验是更稳妥的选择。

同时，建议勾选下方的“标记显著性相关”，这样SPSS会在输出结果中用星号自动标出达到显著水平的相关关系，方便查看。

第六步：选项设置（可选）

点击“选项”按钮，可以设置缺失值的处理方式以及是否输出均值和标准差等描述性统计。一般来说，默认设置已经足够。

第七步：运行分析

确认设置无误后，点击“确定”，SPSS就会开始计算并在输出查看器中呈现结果。

四、如何解读相关分析结果

运行分析后，SPSS会输出一个相关系数矩阵表。看懂这张表是相关分析的关键。

相关系数矩阵的结构

输出的表格是一个对称矩阵，行和列都是你选入的变量。每个单元格包含三个信息：相关系数、显著性P值、样本量。

比如在身高和体重的交叉单元格中，你会看到类似这样的结果：

**表示相关性在0.01水平上显著。

相关系数的含义

相关系数的取值范围在负一到正一之间。正数表示正相关，即一个变量增大时另一个变量也随之增大；负数表示负相关，即一个变量增大时另一个变量反而减小。相关系数的绝对值越接近一，说明两个变量的关联程度越强；越接近零，说明关联越弱。

关于相关强度的判断，业内通常参考以下标准：

• 0.00到0.29：弱相关

• 0.30到0.49：中等相关

• 0.50到1.00：强相关

这个标准只是经验参考，具体还要结合研究领域的特点。在某些社会科学研究中，相关系数达到0.3可能已经是不小的发现，而在物理测量中，0.9以上的相关也很常见。

显著性水平的判断

显著性水平（通常用P值表示）用来判断观察到的相关是否具有统计学意义。一般来说，如果P值小于0.05，我们就说这两个变量之间存在显著相关；如果P值小于0.01，则说明相关性非常显著。SPSS会在显著相关的系数旁边用星号标记，一颗星表示P小于0.05，两颗星表示P小于0.01。

需要留意的是，即使相关系数很大，如果样本量很小，也可能达不到显著水平；反之，样本量很大时，即使很微小的相关也可能被标记为显著。因此，在解读时既要看显著性，也要看相关系数本身的大小。

完整解读示例

假设我们分析学习时间和考试成绩，得到相关系数0.52，P值0.003，样本量50。可以这样解读：
“学习时间与考试成绩之间存在显著的正相关关系（r = 0.52，p < 0.01），相关强度为中等偏上。说明随着学习时间的增加，考试成绩也有升高的趋势。”

五、常见问题与注意事项

相关不等于因果

这是相关分析中最需要牢记的一点。两个变量相关，可能是因为A导致B，也可能是因为B导致A，还可能是因为它们同时受第三个变量C的影响。比如冰淇淋销量和溺水人数呈正相关，但并不是吃冰淇淋导致溺水，而是夏季高温这个第三变量同时影响了二者。要确定因果关系，需要借助实验设计或其他更高级的统计方法。

异常值的影响

相关分析对异常值比较敏感，尤其是皮尔逊相关。个别极端值可能会扭曲整个相关关系，导致虚假的相关或掩盖真实的相关。在进行相关分析前，建议先通过散点图观察数据的分布情况，排查明显的异常值。

非线性关系

皮尔逊相关只能检测线性关系。如果两个变量之间存在明显的曲线关系（比如U形或倒U形），计算出的相关系数可能接近于零，但这不代表它们没有关系。这种情况下，可以先画散点图观察趋势，或者考虑其他更适合非线性关系的分析方法。

样本量要求

相关分析对样本量有一定要求。样本量太小，结果不稳定，难以发现真实存在的相关；样本量太大，即使很微弱的相关也会被标为显著。一般来说，每组变量建议至少有30个以上的样本。

结语

SPSS相关分析是探索变量关系的基础工具，掌握它不仅能帮你回答研究中的基本问题，也是深入学习回归分析、因子分析等高级方法的前提。从选择正确的相关系数，到规范操作步骤，再到准确解读结果，每一步都需要细心对待。

对于刚开始接触统计分析的朋友，建议先找一组简单的数据动手操作一遍，把从导入到解读的全流程走通。多练习几次，你就能慢慢熟悉其中的门道，在研究中得心应手地使用这一工具。