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。
1、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。
2、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。
3、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。
4、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。
相关分析的操作步骤
1. SPSSAU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。
2. 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);
3. 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);
4. 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);
5. 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:
案例分析
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。
2、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。
图片来源:SPSSAU官方帮助手册
3、SPSSAU输出结果
图片来源:SPSSAU分析结果页面
图片来源:SPSSAU分析结果页面
4、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。
5、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。
补充资料参考
作者:SPSSAU
链接:https://www.zhihu.com/question/22114982/answer/583955025
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
来源:CSDN
作者:三世
链接:https://blog.csdn.net/qimo601/article/details/103821411