双变量相关

双变量相关过程计算 Pearson 相关系数、Spearman 的 rho 和 Kendall 的 tau-b 及其显著性水平。相关性测量变量或秩次的相关方式。在计算相关系数之前，先筛选数据以找出离群值（离群值可能会导致误导性的结果）和线性关系的证据。Pearson 相关系数是一种线性关联度量。两个变量可能良好相关，但是如果其关系不是线性的，则 Pearson 相关系数就不是适合度量其相关性的统计量。

示例。一个篮球队所赢得的比赛次数与其每场比赛所得的平均分数相关吗？散点图表明，两者间存在线性关系。对 1994–1995 NBA 赛季数据的分析结果是，Pearson 相关系数 (0.581) 的显著性水平为 0.01。您可能会猜想，每个赛季所赢得的比赛越多，对手所得的分数就越少。这些变量是负相关的（–0.401），并且相关的显著性水平为 0.05。

统计量。对于每个变量：具有非缺失值的个案数、均值和标准差。对于每对变量：Pearson 相关系数、Spearman 的 rho、Kendall 的 tau-b、偏差的叉积和协方差。

双变量相关数据注意事项：
数据。对 Pearson 相关系数使用对称的定量变量，对 Spearman 的 rho 和 Kendall 的 tau-b 使用定量变量或具有已排序类别的变量。

假设。Pearson 相关系数假定每对变量是二元正态分布。

获取双变量相关
◇ 从菜单中选择：

　　分析
　　　相关
　　　　双变量...

◇ 选择两个或更多数值型变量。

还可以使用以下选项：

　• 相关系数。对于正态分布的定量变量，请选择 Pearson 相关系数。如果您的数据不是正态分布的，或具有已排序的类别，请选择 Kendall 的 tau-b 或 Spearman，后两者度量秩次之间的相关性。相关系数的值范围为 –1（完全负相关）到 +1（完全正相关）。0 值表示没有线性关系。在解释结果时请小心谨慎，不要因显著的相关性而得出任何因果结论。

　• 显著性检验。您可以选择双尾概率或单尾概率。如果预先已知关联的方向，请选择单尾。否则，请选择双尾。

　• 标记显著性相关。用一个星号来标识显著性水平为 0.05 的相关系数，用两个星号来标识显著性水平为 0.01 的相关系数。

链接：

　　双变量相关选项
　　CORRELATIONS 和 NONPAR CORR 命令的附加功能