SPSS相关性分析结果怎么解读

SPSS自问世以来，因功能强大，便于使用，深受用户的喜爱和好评。由于涉及到专业的统计学知识，对于新手来说，SPSS的统计结果并不容易解读，今天向大家介绍如何解读SPSS相关性分析结果。

SPSS相关性分析包含以下四种方法：卡方检验，Spearman相关系数计算，Pearson相关系数计算和Kendall的Tau-b相关系数计算。

1.卡方检验（Chi-SquareTest）结果解读

卡方检验（Chi-SquareTest）是由Pearson提出的一种统计方法，在一定的置信水平和自由度下，通过比较卡方统计量和卡方分布函数概率值，判断实际概率与期望概率是否吻合，进而分析两个分类变量的相关性。

卡方检验（Chi-SquareTest）适用于不服从正态分布的数据，两组变量是无序的，相互交叉的，并且是可定类的。如图1是某种药物单独使用和药物与放疗同时使用时，治疗是否有效的卡方检验结果。

图1药物疗效卡方检验

个案处理摘要显示了有效数据和无效数据的数量。VAR00001*VAR00002交叉表显示各变量对应的频数，VAR00001列1代表单独使用药物，2代表药物与放疗同时使用，VAR00002行1代表有疗效的人数，2代表无疗效的人数。

行列变量为各为二组，自由度为（2-1）×（2-1）=1，Pearsonχ2值为22.475，由于没有单元格期望小于5，所以接受Pearson卡方检验结果，认为实际值和期望值有较大差异。

显著性数值为0.000小于0.05，有统计学的显著性差异。

综上两点，不能接受无关假设，具有统计学意义，结论为单独使用药物与药物放疗同时进行有显著性差异。

2.Pearson相关系数计算结果解读

Pearson相关系数用于评估两组数据是否符合线性关系，不能用于符合曲线关系的数据，线性相关越强，Pearson相关系数就越接近1（线性递增）或-1（线性递减）。图2为一组数据的线性相关性检验，可以看出，Peason相关系数0.984，表明两者有较强的线性相关性，一般认为<0.3无相关性，0.3～0.7弱相关性，>0.7较强的相关性。

同时显著性系数（Sig.(双尾)）为0.000，小于0.05，两个变量之间相关性有统计学意义。综上认为变量1和变量2强相关。

图2Pearson检验结果

3.Spearman相关系数计算结果解读

Spearman相关系数适用于不满足线性关系，且不满足正态分布的数据，如图3所示，实际这是两组随机产生的数据，用Spearman相关系数计算时，结果为0.257，<0.3无相关性，与Pearson相关系数类似，<0.3不相关，0.3～0.7为弱相关，>0.7为强相关。同时显著性系数（Sig.）为0.623，远远大于0.05，变量间无统计学相关性，综上，认为两组数据不相关。

图3Spearman相关系数计算

4.Kendall的tau-b（K）相关系数计算结果解读

进行Kendall的tau-b（K）相关分析，需要满足下列3个条件：

1.两个变量是有序分类变量；

2.两个变量相对应的研究对象是一定的。

例如调查工资与学历之间的关系，两个变量学历和收入都是等级变量，符合条件1；两个变量均对应同一研究对象：一个区域内的所有工作的成年人。符合条件2。收入等级分别为1高收入，2中收入，3低收入，学历等级分别为1高学历，2中等学历，3低学历。结果分析如图4所示。相关系数为0.480，有弱的相关性。但是显著性系数（Sig.）为0.137，大于0.05，认为两者之间无统计学相关性，综上认为学历和收入不相关。

图4Kendalltau-b系数计算

以上是SPSS相关性分析结果怎么看的初步解读，想更深入的学习了解SPSS统计学计算方法及结果解读，可以浏览城东书院网站进行学习。