为了便于理解，我们先简单介绍下相关分析，然后按照分析流程顺序，对每一步可能会涉及的问题进行简要说明。
相关分析
使用相关分析，通常是研究两个变量的相关性情况。比如学习成绩和听课质量的关系；员工敬业度与薪资的关系等等。
1.数据类型
相关分析的适用范围很广，理论上讲，凡是考察两个变量相关性，都可以叫做相关分析。
但依据习惯，我们通常说的相关分析，多指的是两个定量数据之间的简单相关分析，这就要求两个变量都是定量数据，即选项数字大小要可比较，且有实际意义。
如果两个数据均为定类数据，则不可以直接用相关分析，而应该使用卡方分析测量相关性（准确说应该是差异分析）。
如果一个是定类数据，一个是定量数据，则应该使用方差分析。
这种误用常见于分析背景信息题与核心研究题项的相关情况。
2. 正态性
相关分析要求数据服从正态分布，因此分析前需要检验数据的正态性。
正态性有多种检验方法，常见方法如：正态图、正态性检验、P-P图/Q-Q图等。
正态性的判断标准可以查看之前的文章：多种判断正态性的方法详细说明
由于相关分析对正态性要求比较宽松，即使违反计算结果也比较稳健，只要数据基本满足正态即可。如果数据完全不正态，则可以用Spearman相关系数。
3. 查看线性趋势
当两个定量数据在散点图上的散点呈现直线趋势时，就可以认为两者存在直线相关趋势，这也是相关分析的一个基本前提。
SPSSAU-散点图
散点图
例如上图，当X增大时，可以比较明显地看出Y会随着增大，说明X和Y之间有着正向相关关系。如果是负相关，散点图会呈现随着一个变量值的增加，另一个变量值降低的趋势。
非线性关系
如果数据呈现非线性的趋势，可以选择对变量进行数据转换（如对数转换），或是使用Spearman相关系数进行分析。
4. 检验异常值
相关分析对极端值较为敏感，异常值会影响分析结果。需要在分析前查看是否存在异常值，保证结果的可靠性，此步可以和上一步一起通过散点图查看。
存在异常值
如果存在极端值，需要在分析前进行剔除。使用方法：SPSSAU数据处理->异常值。
这是上一步中得到的散点图，有一个明显的离群值，研究者需要根据情况选择保留或删除。建议按照SPSSAU异常值帮助手册的说明，对异常值进行处理。
5. 相关系数类型
当完成以上步骤且满足相关分析的分析条件后，即可进行相关分析。点击‘通用方法’-‘相关’。
这时又出现一个问题。SPSSAU提供了三种相关系数，分别是Pearson、Spearman，Kendall相关系数，该选哪一种呢？
多数情况下，SPSSAU建议使用pearson相关系数。如果数据不满足正态性或不满足线性关系，可以考虑使用Spearman相关系数。
Kendall相关系数用于判断两个变量的等级相关性，是否具有一致性，比如评委打分，数据排名等。
关于三种相关系数的比较具体可以查看SPSSAU相关分析帮助手册。
6. SPSSAU操作
终于到了分析这一步了。相对于其他分析软件，SPSSAU的操作相对简单，将变量从左侧拖拽到分析项处，点击‘开始相关分析’即可。
分析项X可选
需要特别强调的一点是，相关分析通常不会特别区分哪个变量是X，哪个变量是Y。因此分析时，常常是直接把分析项都放入“分析项Y（定量）”里即可。
如果有明确的X、Y可以分开放置，两种放置方法只在表格的展示格式上有区别，结果是一样的。
指标解读
分析步骤可参考SPSSAU输出结果中的“分析建议”及“智能分析”。
需要注意的是相关系数代表变量之间的相关程度，相关系数越大，说明相关程度越紧密。
P值用于判断相关系数是否有统计学意义，P<0.05即说明变量间有相关关系，P值并不代表相关关系的强弱。
平均成绩、能力评分两个分析项交叉处的数字代表相关系数，而星号代表P值。一个星号代表P<0.05,两个星号代表P<0.01。如果没有星号，则说明P值>0.05。
7. 后续分析
相关分析的结果并不能代替回归分析，而相关分析通常是作为回归分析的基础，保证在有相关性的前提下，才可能有回归影响关系。因此后续可以通过回归分析，进一步得到影响关系和具体的函数表达式。
总结
以上就是相关分析的分析流程梳理。理论上都应该按照上述步骤进行分析，但在实际过程中，即使忽略其中的步骤，也能得到稳定的结果。
因此即使不按照步骤分析，也没有问题，而对于没有分析经验的研究者，SPSSAU建议按提供的步骤进行分析，才是最保险的做法。