相关分析是最基本的关系研究方法，也是一些分析方法的基础，研究中我们经常会使用到相关分析，所以今天咱们就来说一说相关分析的那些“事儿”。

相关分析是用于研究定量数据之间的关系情况，包括是否有关系，以及关系紧密程度等，通常用于回归分析之前。比如研究网购满意度和重复购买意愿之间是否有关系，关系紧密程度如何?

散点图

在相关分析之前，一般可使用散点图观察数据之间的关系情况，即查看X和Y之间的关系情况。通过观察散点的分布和走向能够直观地发现变量间的关系以及强弱程度和数据可能的走向。SPSSAU用户可在“可视化”选择卡下找到散点图并进行分析。

散点图经常表现为某种特定的形式。比如下图，可以看出，X增大时，Y会明显的减少，即说明X和Y之间有着负向相关关系。

相关系数

相关分析使用相关系数表示分析项之间的关系；首先判断是否有关系，接着判断关系为正相关或者负相关(相关系数大于0为正相关,反之为负相关)，也可以像上面一样，通过散点图直观的查看变量的关系；最后判断关系紧密程度。

相关系数反应了变量之间线性关系的强弱程度。通过正、负表示相关的方向。相关系数有两类，分别是Pearson相关系数和Spearman相关系数。此两类系数均用于描述相关关系程度，判断标准也基本一致，通常绝对值大于0.7时认为两变量之间表现出非常强的相关关系，绝对值大于0.4时认为有着强相关关系，绝对值小于0.2时相关关系较弱。

除此之外，SPSSAU还提供Kendall相关系数。三个相关系数的区别如下表格：

Pearson相关系数是最常用的，也是SPSSAU默认的相关系数。不过使用时也有一定的要求，当两变量不符合正态分布时，则可以使用Spearman相关系数。

无论是Pearson或者Spearman相关系数，其实际依旧是研究相关关系，结论上并不会有太大区别；并且数据正态分布通常在理想状态下才会成立。因而现实研究中使用Pearson相关系数的情况占绝大多数。

Kendall相关系数多用于计算评分一致性，如评委打分等。

注意：相关关系并不等同于因果关系，相关性表示两变量会同时发生改变，而因果关系，也就是一个因素导致另一个因素发生变化。

具体操作

SPSSAU在设计上区分了X和Y，所以对应放入即可。如果并不区分X或者Y，此时直接把所有项放入“分析项Y（定量）”框中即可。

SPSSAU输出结果