Bivariate过程：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。这是Correlate子菜单中最为常用的一个过程。Partial过程：偏相关分析。如果需要进行相关分析的两个变量其取值均受到其他变量的影响，就可以利用偏相关分析对其他变量进行控制，输出控制其他变量影响后的相关系数，这种分析思想和协方差分析非常类似。Distances过程：调用此过程可对同一变量内部各观察单位间的数值或各个不同变量间进行距离相关分析，前者可用于检测观测值的接近程度，后者则常用于考察预测值对实际值的拟合优度。该过程在实际应用中用的非常少。3.2.3相关分析——Correlate菜单描述变量之间线性相关程度的强弱，并用适当的统计指标表示出来的过程为相关分析。可根据研究的目的不同，或变量的类型不同，采用不同的相关分析方法。相关系数的取值范围在−1和+1之间，即−1≤r≤+1。其中：若0＜r≤1，表明变量之间存在正相关关系，即两个变量的相随变动方向相同；若−1≤r＜0，表明变量之间存在负相关关系，即两个变量的相随变动方向相反；为了判断r对ρ的代表性大小，需要对相关系数进行假设检验。（1）首先假设总体相关性为零，即H0为两总体无显著的线性相关关系。（2）其次，计算相应的统计量，并得到对应的相伴概率值。如果相伴概率值小于或等于指定的显著性水平，则拒绝H0，认为两总体存在显著的线性相关关系；如果相伴概率值大于指定的显著性水平，则不能拒绝H0，认为两总体不存在显著的线性相关关系。在实际中，因为研究目的不同，变量的类型不同，采用的相关分析方法也不同。比较常用的相关分析是二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析和距离分析。3.2.3.1二元定距变量的相关分析二元定距变量的相关分析二元变量的相关分析是指通过计算变量间两两相关的相关系数，对两个或两个以上变量之间两两相关的程度进行分析。根据所研究的变量类型不同，又可以分为二元定距变量的相关分析和二元定序变量的相关分析。在二元变量的相关分析过程中比较常用的几个相关系数是Pearson简单相关系数、Spearman和Kendall'stua-b等级相关系数。Pearson简单相关系数用来衡量定距变量间的线性关系。如衡量国民收入和居民储蓄存款、身高和体重、高中成绩和高考成绩等变量间的线性相关关系。Pearson简单相关系数对Pearson简单相关系数的统计检验是计算t统计量，公式为t统计量服从n−2个自由度的t分布。某班级学生数学和化学的期末考试成绩如表所示，现要研究该班学生的数学和化学成绩之间是否具有相关性。8.1人名数学化学hxh99.0090.00yaju88.0099.00yu65.0070.00shizg89.0078.00hah94.0088.00smith90.0088.00watet79.0075.00jess95.0098.00wish95.0098.00laly80.0099.00john70.0089.00chen89.0098.00david85.0088.00caber50.0060.00marry87.0087.00joke87.0087.00jake86.0088.00herry76.0079.00在上面的结果中，变量间两两的相关系数是用方阵的形式给出的。每一行和每一列的两个变量对应的格子中就是这两个变量相关分析结果结果，共分为三列，分别是相关系数、P值和样本数。由于这里只分析了两个变量，因此给出的是2*2的方阵。由上表可见自身的相关系数均为1，而数学和化学的相关系数为0.742，P<0.001，有非常显著的统计学意义。如果对变量之间的相关程度不需要掌握得那么精确，可以通过绘制变量的相关散点图来直接判断。仍以上例来说明。Spearman和Kendall'stua-b等级相关系数Spearman和Kendall'stua-b等级相关系数用以衡量定序变量间的线性相关关系，它们利用的是非参数检验的方法。计算公式如下。Spearman等级相关系数为对Spearman等级相关系数的统计检验，一般如果个案数n≤30，将直接利用Spearman等级相关统计量表，SPSS将自动根据该表给出对应的相伴概率值。对Kendall'stua-b等级相关系数的统计检验，一般如果个案数n≤30，将直接利用Kendall'stua-b等级相关统计量表，SPSS将自动根据该表给出对应的相伴概率值。某语文老师先后两次对其班级学生同一篇作文加以评分，两次成绩分别记为变量“作文1”和...
