相关分析

•  分析方法视频解读：B站优酷

• B站优酷 皮尔逊还是斯皮尔曼相关的决择？

• 相关分析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.此分析方法通常用于回归分析之前;相关分析与回归分析的逻辑关系为:先有相关关系,才有可能有回归关系。

  • 用户可自由拖拽分析项进入分析列表框,区别仅在于输出格式不同。

  • 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(有*号则表示有关系,否则表示无关系);

  • 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);

  • 最后判断关系紧密程度(通常相关系数大于0.4则表示关系紧密);

  • 相关系数常见有两类,分别是Pearson和Spearman,本系统默认使用Pearson相关系数。

  • 在相关分析之前，SPSSAU建议可使用散点图直观查看数据之间的关系情况。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：

  系数	使用场景	备注
  Pearson	定量数据，数据满足正态性时	PP/QQ图，直方图均可查看正态性，也或者使用正态性检验（检验最严格）；
  Spearman	定量数据，数据不满足正态性时	PP/QQ图，直方图均可查看正态性，也或者使用正态性检验（检验最严格）；
  Kendall	定量数据一致性判断	通常用于评分数据一致性水平研究【非关系研究】，比如评委打分，数据排名等。

  分析项	相关分析说明
  网购满意度,重复购买意愿	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?

  • 特别提示

  • 如果多个量表题表示一个维度，可使用“生成变量”的平均值功能。将多个量表题合并成一个整体维度。

• 分析结果表格示例如下

  格式1（当仅放入一个框中时）：

  	平均值	标准差	分析项1	分析项2	分析项3	分析项4	分析项5
  分析项1	3.43	0.76	41.4	1
  分析项2	3.93	0.86	.673**	1
  分析项3	3.84	0.90	.740**	.712**	1
  分析项4	3.32	1.01	.681**	.705**	.642**	1
  分析项5	3.03	1.09	.520**	.666**	.489**	.604**	1
  * p <0.05 ** p <0.01

  

• 格式2（两个框均放置项时）：

  	分析项1	分析项2	分析项3
  分析项4	.641**	.705**	.242**
  分析项5	.520**	.656**	.589**
  分析项6	.321**	.875**	.242**
  分析项7	.611**	.705**	.342**
  分析项8	.530**	.826**	.589**
  * p <0.05 ** p <0.01

  • 特别提示

  • 通常情况下会使用格式1，如果希望格式2，则右侧两个框中均需要放置分析项。单从相关分析方法角度看，其并不区分X和Y，但从实际意义上看，通常是研究X和Y的相关关系。

  SPSSAU操作截图如下（格式1）:

  

  SPSSAU操作截图如下（格式2）:

  

相关分析案例

• 1、背景

  比如想研究“淘宝客服服务态度”，“淘宝商家服务质量”分别与“淘宝商家满意度”，“淘宝忠诚度”之间的关系情况，此句话中明显的可以看出“淘宝客服服务态度”，“淘宝商家服务质量”这两项为 X；而“淘宝商家满意度”，“淘宝忠诚度”这两项为 Y。

  • 特别提示

  • 从分析方法角度，相关分析并不区分X或者Y；但是从分析思路角度建议区分X或者Y。

  • 如果“淘宝客服服务态度”由几个题项表示，此时可使用“生成变量”->“平均值”功能，将几项概括成一个整体。

• 2、理论

  相关分析是研究两个定量数据之间的相关关系情况，以及相关分析是研究有没有关系。

  • 如果呈现出显著性（结果右上角有*号，此时说明有关系；反之则没有关系）；有了关系之后，关系的紧密程度直接看相关系数大小即可。一般0.7以上说明关系非常紧密；0.4~0.7之间说明关系紧密；0.2~0.4说明关系一般。

  • 如果说相关系数值小于0.2，但是依然呈现出显著性（右上角有*号，1个*号叫0.05水平显著，2个*号叫0.01水平显著；显著是指相关系数的出现具有统计学意义普遍存在的，而不是偶然出现），说明关系较弱，但依然是有相关关系。

  • 相关分析是回归分析的前提条件，首先需要保证有相关关系，接着才能进行回归影响关系研究。

  • 因为如果都显示没有相关关系，是不可能有影响关系的。

  • 如果有相关关系，但也不一定会出现回归影响关系。

  • 特别提示

  • 相关系数的计算有两种，一种叫Pearson相关系数（默认）；另外一种叫Spearman相关系数（使用非常少）。从理论上讲，数据分布呈现出不正态时则使用Spearman相关系数，但无论是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。

• 3、操作

  • 本处区分了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。

    

• 4、SPSSAU输出结果

  

  当然也可以输出这样的格式【当所有项均放入同一个框中时】，如下（下表格中还输出平均值和标准差，常见格式，意义不大）：

  

• 5、文字分析

  • 上表使用相关分析去研究“淘宝商家满意度”，“淘宝忠诚度”分别与“淘宝客服服务态度”，“淘宝商家服务质量”之间的相关关系情况，并且使用Pearson相关系数去表示相关关系情况。从上表可以看到：

  • “淘宝商家满意度”分别与“淘宝客服服务态度”，“淘宝商家服务质量”之间均呈现出显著性(p <0.01)，并且相关系数值均高于0.7，说明“淘宝商家满意度”分别与“淘宝客服服务态度”，“淘宝商家服务质量”之间均有着非常紧密的正向相关关系。类似的，“淘宝忠诚度”分别与“淘宝客服服务态度”，“淘宝商家服务质量”之间也会有着非常紧密的正相关关系，相关系数值分别是0.673和0.606。

• 6、剖析

  相关分析仅仅是研究有没有关系与否，如果从常理上应该有关系，那么相关系数总会呈现出显著性。通常来说，相关分析之后还需要接着研究影响关系，使用回归分析方法。：