SPSS相关分析_Pearson_Spearman

案例数据

300 行 × 6 列 Likert（1-7）量表数据：政策感知 1-3、消费意愿 1-3。变量之间有真实的块状相关结构（组内 r≈0.5，组间 r≈0.2-0.35），可同时演示"对称矩阵"与"交叉相关"两种模式。

下载案例数据 查看数据文件

文件名	correlation.xlsx
样本量	300 行
变量数	6 列（3 个 X + 3 个 Y，均为 Likert 1-7 定量）
数据用途	研究政策感知（自变量组）与消费意愿（因变量组）之间的相关性
变量说明	政策感知 1 / 2 / 3 为自变量组；消费意愿 1 / 2 / 3 为因变量组。

完整案例

1. 背景

某政策影响评估调研收集了 300 位居民对新政策的 3 个感知维度（政策感知 1-3）和对相关产品的 3 个消费意愿维度（消费意愿 1-3）。研究者希望回答两个问题：①政策感知与消费意愿之间是否有显著相关？②具体哪些感知维度对哪些意愿维度的关联最强？这正是交叉相关（X 组 × Y 组）的典型场景，输出一张行=Y、列=X 的紧凑相关表即可作答。

2. 理论与公式

相关分析使用相关系数衡量两个变量之间的方向和强度，Pearson 关注线性关系，Spearman 关注秩次关系。

3. 数据结构

每行 1 位受访者，6 列均为 Likert 1-7 定量评分。变量按业务角色分两组：

变量组	变量名	说明
政策感知（X 组）	政策感知1 / 政策感知2 / 政策感知3	三个政策感知维度题项
消费意愿（Y 组）	消费意愿1 / 消费意愿2 / 消费意愿3	三个消费意愿维度题项

两组都属于定量变量（Likert 量表，可视作近似连续）。如果用有序视角看待，建议改用 Spearman；样本量小或平局多时，可选 Kendall。

4. 操作步骤

1. 登录 SPSSzero，进入 工作台 → 上传 correlation.xlsx
2. 左侧方法栏 → 通用方法 → 点击 相关
3. 把 消费意愿 1 / 2 / 3 拖入 分析项 Y 框；把 政策感知 1 / 2 / 3 拖入 分析项 X【可选】 框 → 触发"交叉相关"模式
4. 顶部下拉选择相关系数类型（Pearson 默认；定序/非正态可选 Spearman；小样本/多平局可选 Kendall）
5. 点击 开始分析

如果只把变量放在 Y 框、X 框留空，则切换为对称矩阵模式，输出含 M / SD 与下三角相关的完整矩阵（适合 6 个变量内部互相关）。

5. 结果表格与结果阅读

下面是交叉相关主示例（Y 与 X 都填）。结果区会同时输出"标准格式"（紧凑，单元格为 r 值带显著性星号）和"详细格式"（含 p 值、样本量三行一组）。这里仅展示标准格式，便于一眼读结论：

	政策感知1	政策感知2	政策感知3
消费意愿1	0.249***	0.209***	0.201***
消费意愿2	0.297***	0.346***	0.327***
消费意愿3	0.280***	0.218***	0.277***
* p<0.05  ** p<0.01  *** p<0.001

9 个相关系数全部正向、全部显著（p<0.001），最大值 0.346（政策感知2 ↔ 消费意愿2），整体属弱-中等正相关（|r| 多在 0.2-0.35 之间）。

如果改为对称模式（X 框留空、全部 6 变量放 Y），结果区会输出 6×6 的相关矩阵：组内（政策感知三项之间 / 消费意愿三项之间）r ≈ 0.50-0.57，组间 r ≈ 0.20-0.35，与本表一致。

7. 文字分析

从交叉相关表可知，3 个政策感知维度与 3 个消费意愿维度的 9 对相关系数全部呈显著正相关（p<0.001），即政策感知越积极，消费意愿越强烈：

• 政策感知1（一般认知维度）与 3 项消费意愿的相关系数依次为 0.249 / 0.297 / 0.280；
• 政策感知2（与消费意愿2 关联最紧密）r=0.346，是 9 对相关中最强的一对；
• 政策感知3 与三项 Y 的相关在 0.20-0.33 之间。

整体而言，关联强度属"弱-中等"（|r| 多在 0.2-0.35 之间），说明政策感知能解释一部分消费意愿的变化，但不是唯一决定因素，后续可进一步通过回归分析或结构方程模型量化政策感知对消费意愿的影响系数与控制变量的净效应。

提醒：相关系数显著仅说明有关联，不等于因果。建议结合理论框架与实验/纵向数据进一步检验。

8. 剖析提醒

相关不等于因果，正式影响关系应继续使用回归分析。

方法定位

相关分析用于衡量两个变量之间线性或单调关系的方向和强度。它常用于回答“两个指标是否同步变化”“满意度越高是否忠诚度也越高”“变量之间是否存在初步关系”。

相关关系不等于因果关系。若需要研究影响关系，应进一步使用回归分析，并结合研究设计、控制变量和理论依据解释。

Pearson 与 Spearman 的选择

方法	适用场景	解释重点
Pearson 相关	两个定量变量，关系近似线性	线性相关强度
Spearman 相关	等级变量、偏态数据、单调关系	排名相关强度
Kendall 相关	样本量较小或大量并列等级	更稳健的等级相关

如果变量为 1 到 5 分量表题或明显等级变量，Spearman 通常更稳妥；如果是维度均值且近似连续，可使用 Pearson。

数据与变量准备

相关分析一般放入两个或多个变量。多个变量会形成相关矩阵，每个单元格表示两个变量之间的相关系数。

变量类型	推荐处理
连续变量	Pearson 或 Spearman
等级变量	Spearman
分类变量	不建议直接做普通相关
多题维度	先生成维度均值再相关

SPSSzero 操作建议

将需要分析关系的变量放入分析项。若研究多个维度之间的关系，可以一次放入多个变量，系统会输出相关矩阵。

建议先检查变量方向。若某些反向题未提前反向计分，相关方向会被误读。

结果解读

指标	含义
相关系数 r 或 rho	关系方向和强度
p 值	判断相关是否显著
正负号	正相关或负相关
绝对值大小	相关强弱

一般来说，相关系数大于 0 表示正相关，小于 0 表示负相关。绝对值越接近 1，关系越强；越接近 0，关系越弱。

写作模板

可写为：“采用 Pearson 或 Spearman 相关分析检验变量之间的关系。结果显示，xx 与 yy 的相关系数为 xx，p 值为 xx，说明二者之间存在显著正相关、负相关或未发现显著相关关系。”

如果是矩阵结果，可写为：“核心变量之间整体呈现正相关关系，相关系数范围为 xx 到 xx，为后续回归模型提供了初步依据。”

常见问题

有相关就一定能做回归吗

不一定。相关只说明两个变量一起变化，回归还需要考虑因变量、自变量、控制变量、共线性和理论方向。

p 值在哪里看

相关矩阵中通常同时展示相关系数和显著性。报告时既要写相关系数，也要写 p 值或显著性星号。

多个题项如何代表一个维度

应先在数据处理中计算维度均值或总分，再把维度变量放入相关分析，而不是把所有题项混在一起解释。

与相近方法区分

目标	推荐方法
描述两个变量关系强弱	相关分析
研究自变量对因变量的影响	回归分析
比较组间均值差异	t 检验或方差分析
分析两个分类变量关联	卡方分析