Pearson相关分析SPSS操作

hyc3140

线性相关是最常见的相关分析，也叫做Pearson相关分析。定性资料相关：当一个变量增大，另一个变量也随之增大，称为共变或相关。两个变量有共变现象即称有相关关系。反映两定量指标间呈线性关系趋势的关系称为线性相关，又称简单相关，统计学指标为Pearson相关系数。

在参数检验的相关性分析方法主要是皮尔逊相关（Pearson correlation）。既然是参数检验方法，肯定是有一些前提条件。皮尔逊相关的前提是必须满足以下几个条件：

• 变量是连续变量；
• 比较的两个变量必须来源于同一个总体；
• 没有异常值；
• 两个变量都符合正态分布。
  

两变量间的线性关系密切程度与相关方向用直线相关系数r表示（－1≤ r ≤ 1）。r＞0为正相关，r＜0为负相关，r＝0为零相关或无相关，|r|=1为完全相关，|r|越大说明相关程度越密切。

案例：
求总胆固醇(TC)与低密度脂蛋白(LDL)间的相关性。
分析思路：散点图 » 计算相关系数 » 相关系数的假设检验。

SPSS操作
1散点图






结果

注：检查有无异常点，谨慎剔除。

2相关分析


SPSS相关分析模块
Bivariate（双变量）：用于进行两个/多个变量间的参数/非参数相关分析。如果是多个变量，则给出两两相关的分析结果。最常用——线性相关、秩相关。
Partial（偏相关）：如果需要进行相关分析的两个变量，其取值受到其他变量的影响，则偏相关分析可以对其他变量进行控制，输出控制其他变量后的相关系数。
Distance（距离）：该过程一般不单独用，作为因子分析、聚类分析和多维尺度分析的预分析过程。

相关分析SPSS » Analyze » correlate » bivariate correlation



结果

        计算相关系数：Pearson相关系数r=0.491>0，说明正相关。相关系数的假设检验：P<0.001，说明该r具有统计学意义。

3注意事项

• 进行线性相关分析前，必须先做散点图，以初步判断两变量之间是否存在相关趋势？该趋势是否为线性趋势？以及数据中是否存在异常点？
• 相关分析不一定是因果关系！例如：某夫妇生儿种树，儿长树高，相关关系有统计学意义，但非因果关系。
  

本部分文字信息来自网络，如涉及到作者的权益，请及时通知我们。

hyc3140

Pearson相关性分析的解读方法

1. 判断相关性的强度

根据相关系数的绝对值，可以判断相关性的强度。一般而言，相关系数大于0.7或小于-0.7被认为是强相关，0.4到0.7或-0.4到-0.7之间被认为是中等相关，0到0.4或-0到-0.4之间被认为是弱相关。

2. 判断相关性的方向

根据相关系数的正负，可以判断相关性的方向。正相关表示两个变量之间存在正相关关系，负相关表示两个变量之间存在负相关关系。

3. 注意相关性与因果关系的区别

相关性只能表明两个变量之间存在关系，但不能证明其中的因果关系。因此，在解读相关性分析结果时，需要谨慎，避免将相关性误解为因果关系。