SPSS软件可以进行数据的相关性分析,判断两组数据之间是否存在联系,相互影响或者服从某种分布。相关性常常以相关性系数评价,那么SPSS相关性系数怎么看?SPSS如何求相关系数?本文以最典型的线性相关分析Pearson统计为例,向大家介绍SPSS相关性分析的步骤以及结果解读。
1.SPSS相关性系数怎么看
Pearson统计用于评估两组数据是否符合线性关系,两组数据线性相关性越强,Pearson相关系数就越接近1(线性递增)或-1(线性递减)。一般认为,Pearson相关系数<0.3无相关性,0.3~0.7弱相关性,>0.7较强的相关性。图1为一组数据的线性相关性检验,Peason相关系数0.984,表明两者有较强的线性相关性。
需要注意的是,关注相关系数的同时需要关注显著性系数,显著性系数小于0.05,两者呈线性相关的概率高于0.95,有统计学意义,本例中显著性系数(Sig.(双尾))为0.000,小于0.05。综合考虑认为变量1和变量2呈线性相关。
2.SPSS如何求相关系数
仍然以Pearson统计为例,向大家讲解SPSS相关系数求解方法,打开SPSS软件以后,输入需要进行统计计算的数据,如图2所示。
Pearson统计为相关性分析,可通过SPSS的“相关”统计计算功能实现,我们依次点击分析-相关-双变量,打开统计计算界面。
在图4所示的计算界面中我们需要将统计数据添加至变量中,如第一步所示,然后我们选择皮尔逊(Pearson)相关系数,点击确定,SPSS将进行Pearson统计计算,计算结果如图1所示。
3.关于SPSS的相关性系数
上文提到除了Pearson(皮尔逊)相关系数,还有Spearman(斯皮尔曼)相关系数和Kendalltau-b(K)(肯德尔),如图4所示,他们之间有什么不同呢,用户如何根据数据类型进行选择呢?这里可以告诉大家一个小技巧,Pearson相关系数并没有考虑数值的顺序性,而Spearman和Kendall相关系数考虑到了数值的顺序性,这在两者的计算公式中有所体现,Spearman和Kendall的计算公式对数据进行了分级运算,感兴趣的用户可以自行查阅,因此对依赖于顺序的统计,建议大家使用Spearman和Kendall相关系数进行计算。不依赖于顺序的统计数据,大家可以采用Pearson相关系数计算。
SPSS的相关性系数怎么看,需要结合相关系数计算结果和显著性水平,以Pearson统计为例,Pearson相关系数绝对值越接近1,同时显著性系数小于0.05,说明两组数据符合统计学的线性相关,SPSS如何求相关系数,可在SPSS的相关功能中进行求解,对于双变量,SPSS提供了皮尔逊,肯德尔Tau-b(k)和斯皮尔曼三种相关性分析功能,用户可以根据数据类型进行科学的选择。