线性回归与相关性分析
数据统计中的相关性与回归分析
数据统计中的相关性与回归分析一、引言数据统计是指通过收集、整理和分析数据，并利用统计方法得出结论的过程。
在实际应用中，我们经常需要了解数据之间的相关性以及通过回归分析来预测和解释变量之间的关系。
本文将讨论数据统计中的相关性和回归分析的基本概念、方法和应用。
二、相关性分析1. 相关性的定义：相关性指的是变量之间的关联程度，在统计学中用相关系数来度量。
相关系数的取值范围为-1到1，接近-1表示负相关，接近1表示正相关，接近0则表示无关。
2. 相关性的检验方法：常用的相关性检验方法包括皮尔逊相关系数、斯皮尔曼相关系数和判定系数等。
不同方法适用于不同类型的数据和分析目的。
3. 相关性的应用场景：相关性分析可用于研究多个变量之间的关系，例如产品销售与市场广告的相关性、学生学习时间与考试成绩的相关性等。
三、回归分析1. 回归分析的概念：回归分析是一种用于研究自变量与因变量之间关系的统计方法。
通过建立数学模型，可以对因变量进行预测和解释，帮助我们理解变量之间的关系。
2. 线性回归分析：线性回归是最常见的回归分析方法，它假设自变量与因变量之间存在线性关系，并通过最小二乘法来估计回归系数。
线性回归分析可以用于预测和解释因变量，并进行统计显著性检验。
3. 多元回归分析：多元回归分析是线性回归在多个自变量情况下的扩展。
它可以同时考虑多个自变量对于因变量的影响，并通过回归系数来解释每个自变量的作用。
4. 非线性回归分析：在某些情况下，变量之间可能存在非线性关系。
为了更好地拟合数据，我们可以使用非线性回归模型来分析和预测变量之间的关系。
四、相关性与回归分析的应用1. 经济学领域：相关性和回归分析可用于研究经济变量之间的关系，如通货膨胀率与利率的相关性，GDP与消费支出的回归分析等。
2. 市场研究：相关性和回归分析可用于市场数据的分析和预测，如产品价格与销售量的相关性，市场推广活动和销售额的回归分析等。
3. 医学研究：相关性和回归分析可用于医学数据的研究和预测，如药物剂量与疾病治疗效果的相关性，生活习惯与健康状况的回归分析等。
线性回归与相关分析
线性回归与相关分析一、引言线性回归和相关分析是统计学中常用的两种数据分析方法。
线性回归用于建立两个或多个变量之间的线性关系，而相关分析则用于衡量变量之间的相关性。
本文将介绍线性回归和相关分析的基本原理、应用场景和计算方法。
二、线性回归线性回归是一种建立自变量和因变量之间线性关系的统计模型。
它的基本思想是通过找到最佳拟合直线来描述自变量与因变量之间的关系。
线性回归模型可以表示为：Y = β0 + β1X + ε，其中Y表示因变量，X表示自变量，β0和β1分别表示截距和斜率，ε表示误差项。
线性回归的目标是最小化观测值与模型预测值之间的差异，常用的优化方法是最小二乘法。
线性回归的应用场景非常广泛。
例如，我们可以利用线性回归来分析广告费用和销售额之间的关系，或者分析学生学习时间和考试成绩之间的关系。
线性回归还可以用于预测未来趋势。
通过建立一个合适的线性回归模型，我们可以根据历史数据来预测未来的销售额或者股票价格。
在计算线性回归模型时，我们首先需要收集相关的数据。
然后，可以使用统计软件或者编程语言如Python、R等来计算最佳拟合直线的参数。
通过计算截距和斜率，我们可以得到一个最佳拟合线，用于描述自变量和因变量之间的关系。
此外，我们还可以借助评价指标如R 平方来衡量模型的拟合程度。
三、相关分析相关分析是一种用于衡量两个变量之间相关性的统计方法。
它可以帮助我们判断变量之间的线性关系的强度和方向。
相关系数是表示相关性的一个指标，常用的相关系数有皮尔逊相关系数和斯皮尔曼相关系数。
皮尔逊相关系数适用于测量两个连续变量之间的线性关系，其取值范围在-1到1之间。
当相关系数接近1时，表示两个变量呈正相关，即随着一个变量增加，另一个变量也增加。
当相关系数接近-1时，表示两个变量呈负相关，即随着一个变量增加，另一个变量减小。
当相关系数接近0时，表示两个变量之间没有线性关系。
斯皮尔曼相关系数适用于测量两个有序变量之间的单调关系，其取值范围也在-1到1之间。
相关性与回归分析
相关性与回归分析在我们的日常生活和各种科学研究中，经常会遇到需要分析两个或多个变量之间关系的情况。
这时候，相关性与回归分析就成为了非常有用的工具。
它们能够帮助我们理解变量之间的相互影响，预测未来的趋势，以及为决策提供有力的依据。
让我们先来聊聊相关性。
相关性主要是用来衡量两个变量之间线性关系的紧密程度。
比如说，我们想知道一个人的身高和体重之间有没有关系，或者学习时间和考试成绩之间是不是存在关联。
相关性分析会给出一个数值，这个数值通常在－1 到 1 之间。
如果相关性数值接近 1，那就表示两个变量之间存在很强的正相关关系，也就是说，一个变量增加，另一个变量也会随之增加。
相反，如果相关性数值接近－1，就是很强的负相关关系，一个变量增加，另一个变量会减少。
而当相关性数值接近 0 时，则表示两个变量之间几乎没有线性关系。
举个例子，我们发现气温和冰淇淋销量之间存在正相关关系。
天气越热，人们购买冰淇淋的数量往往就越多。
但是要注意，相关性并不意味着因果关系。
虽然气温和冰淇淋销量高度相关，但气温升高并不是导致人们购买冰淇淋的唯一原因，可能还有其他因素，比如人们的消费习惯、促销活动等。
接下来，我们再深入了解一下回归分析。
回归分析实际上是在相关性分析的基础上更进一步，它不仅能够告诉我们变量之间的关系强度，还能建立一个数学模型来预测一个变量的值，基于另一个或多个变量的值。
比如说，我们通过收集数据，发现房子的面积和价格之间存在一定的关系。
然后，我们可以使用回归分析建立一个方程，比如“价格＝ a×面积＋b”，其中 a 和 b 是通过数据分析计算出来的系数。
这样，当我们知道一个房子的面积时，就可以用这个方程来预测它大概的价格。
回归分析有很多种类型，常见的有线性回归和非线性回归。
线性回归假设变量之间的关系是直线的，就像我们刚才提到的房子面积和价格的例子。
但在很多实际情况中，变量之间的关系并不是直线，而是曲线，这时候就需要用到非线性回归。
回归分析与相关分析
回归分析与相关分析回归分析是通过建立一个数学模型来研究自变量对因变量的影响程度。
回归分析的基本思想是假设自变量和因变量之间存在一种函数关系，通过拟合数据来确定函数的参数。
回归分析可以分为线性回归和非线性回归两种。
线性回归是指自变量和因变量之间存在线性关系，非线性回归是指自变量和因变量之间存在非线性关系。
回归分析可用于预测、解释和控制因变量。
回归分析的应用非常广泛。
例如，在经济学中，回归分析可以用于研究收入与消费之间的关系；在医学研究中，回归分析可以用于研究生活方式与健康之间的关系。
回归分析的步骤包括确定自变量和因变量、选择合适的回归模型、拟合数据、检验模型的显著性和解释模型。
相关分析是一种用来衡量变量之间相关性的方法。
相关分析通过计算相关系数来度量变量之间的关系的强度和方向。
常用的相关系数有Pearson相关系数、Spearman相关系数和判定系数。
Pearson相关系数适用于连续变量，Spearman相关系数适用于顺序变量，判定系数用于解释变量之间的关系。
相关分析通常用于确定两个变量之间是否相关，以及它们之间的相关性强度和方向。
相关分析的应用也非常广泛。
例如，在市场研究中，相关分析可以用于研究产品价格与销量之间的关系；在心理学研究中，相关分析可以用于研究学习成绩与学习时间之间的关系。
相关分析的步骤包括确定变量、计算相关系数、检验相关系数的显著性和解释相关系数。
回归分析与相关分析的主要区别在于它们研究的对象不同。
回归分析研究自变量与因变量之间的关系，关注的是因变量的预测和解释；相关分析研究变量之间的关系，关注的是变量之间的相关性。
此外，回归分析通常是为了解释因变量的变化，而相关分析通常是为了量化变量之间的相关性。
综上所述，回归分析和相关分析是统计学中常用的两种数据分析方法。
回归分析用于确定自变量与因变量之间的关系，相关分析用于测量变量之间的相关性。
回归分析和相关分析在实践中有广泛的应用，并且它们的步骤和原理较为相似。
毕业论文中如何正确运用相关性分析和回归分析
毕业论文中如何正确运用相关性分析和回归分析相关性分析和回归分析是毕业论文中常用的统计分析方法，它们可以帮助我们探索变量之间的关系、预测未来趋势以及验证假设。
本文将介绍如何正确运用相关性分析和回归分析来进行毕业论文的研究和写作。
一、引言在引言部分，我们需要简要介绍研究背景和选题意义，概述相关性分析和回归分析在毕业论文中的作用，并明确论文的研究目的和主要内容。
二、相关性分析相关性分析用于探究两个或多个变量之间的关系强度和方向。
在相关性分析中，我们可以使用皮尔逊相关系数或斯皮尔曼等级相关系数来衡量变量之间的相关性。
在研究中，我们需要进行以下步骤：1. 收集数据：根据研究目的，收集所需的数据，确保数据的准确性和完整性。
2. 数据处理：对收集到的数据进行清洗和整理，剔除异常值和缺失数据，并进行合适的变量转换（如对数转换、标准化等）。
3. 相关性分析：根据研究的具体要求选择合适的相关系数进行计算，并进行统计显著性检验，判断变量之间的相关性是否具有统计意义。
4. 结果解释：对相关性系数进行解释，说明变量之间的相关性强度和方向，并给出适当的图表或统计指标来支持分析结果。
三、回归分析回归分析是研究变量之间依赖关系的一种统计方法，它可以用于构建模型、预测未来趋势和验证假设。
在进行回归分析时，需要进行以下步骤：1. 确定研究模型：明确需要研究的因变量和自变量，构建回归模型。
2. 数据收集和处理：与相关性分析类似，需要收集准确完整的数据，并进行数据处理和变量转换。
3. 回归模型估计：使用合适的回归方法（如线性回归、多元回归、逻辑回归等）对回归模型进行参数估计，并进行统计显著性检验。
4. 结果解释：解释回归模型的系数和显著性，说明自变量对因变量的解释力度，给出适当的模型拟合度指标和图表。
四、综合应用和案例分析在毕业论文中，我们不仅需要运用相关性分析和回归分析进行独立的研究，还可以将它们综合应用于实际案例分析。
通过综合应用和案例分析，我们可以更全面地了解变量之间的关系，并形成相应的结论。
相关和回归的数学模型区别和联系
相关和回归的数学模型区别和联系在统计学和数据分析领域，相关和回归是两种常用的数学模型，用以揭示变量之间的关系。
本文将详细阐述相关和回归的数学模型的区别与联系，帮助读者更好地理解这两种模型的应用场景和特点。
一、相关和回归的数学模型概述1.相关分析相关分析是指衡量两个变量之间线性关系紧密程度的统计分析方法。
常用的相关系数有皮尔逊相关系数和斯皮尔曼等级相关系数。
相关分析主要用于描述两个变量之间的相关性，但不能确定变量间的因果关系。
2.回归分析回归分析是指研究一个或多个自变量（解释变量）与一个因变量（响应变量）之间线性或非线性关系的方法。
根据自变量的个数，回归分析可分为一元回归和多元回归。
回归分析可以用于预测因变量的值，并分析自变量对因变量的影响程度。
二、相关和回归的数学模型区别1.目的性区别相关分析的目的是衡量两个变量之间的线性关系程度，但不能判断因果关系；回归分析的目的则是建立变量间的预测模型，分析自变量对因变量的影响程度，并预测因变量的值。
2.数学表达区别相关分析通常使用相关系数（如皮尔逊相关系数）来表示两个变量之间的线性关系程度；回归分析则使用回归方程（如线性回归方程）来描述自变量与因变量之间的关系。
3.结果解释区别相关分析的结果是一个介于-1和1之间的数值，表示两个变量之间的线性相关程度；回归分析的结果是一组回归系数，表示自变量对因变量的影响程度。
三、相关和回归的数学模型联系1.研究对象相同相关分析和回归分析都是研究两个或多个变量之间关系的统计分析方法，可以揭示变量间的相互作用。
2.数据类型相似相关分析和回归分析通常应用于数值型数据，且都需要满足一定的数据分布特征，如正态分布、线性关系等。
3.相互补充在实际应用中，相关分析和回归分析可以相互补充。
通过相关分析，我们可以初步判断变量间是否存在线性关系，进而决定是否采用回归分析建立预测模型。
四、总结相关和回归的数学模型在研究变量关系方面有着广泛的应用。
回归分析和相关分析的基本概念和方法
回归分析和相关分析的基本概念和方法回归分析和相关分析是统计学中常用的分析方法，用于研究变量之间的关系、预测变量的值以及对未来情况进行估计。
本文将介绍回归分析和相关分析的基本概念和方法。
回归分析是一种通过建立数学模型来描述变量之间关系的方法。
它基于一个或多个自变量（也称为预测变量）与一个因变量（也称为响应变量）之间的关系。
回归分析的目的是通过自变量的值来预测和解释因变量的值。
常见的回归分析方法有线性回归、多元回归和逻辑回归等。
线性回归是最常用的回归分析方法之一，它假设自变量和因变量之间存在线性关系，并通过拟合一条直线或平面来描述这种关系。
多元回归则可以处理多个自变量的情况，逻辑回归则适用于因变量为二元变量的情况。
回归分析的方法可以帮助我们理解变量之间的关系，并进行预测和解释。
它可以用于各个领域的研究，如经济学、社会学、医学等。
通过观察变量之间的相关性，我们可以了解它们之间的内在关系，并根据这些关系做出相应的决策。
与回归分析类似，相关分析也是研究变量之间关系的一种方法。
相关分析衡量了两个变量之间的线性关系强度和方向，它可以告诉我们变量之间的相关性程度。
相关系数的取值范围在-1到1之间，其中负值表示负相关，正值表示正相关，0表示无相关性。
相关分析可以帮助我们了解变量之间的关系，并可以预测一个变量的值，当我们知道其他相关变量的值时。
相关分析还可以用于探索性数据分析，帮助我们发现变量之间的新关系，并进行深入研究。
在进行回归分析和相关分析之前，我们需要先收集数据，并进行数据预处理。
这包括数据清洗、缺失值处理和异常值检测等步骤。
然后，我们可以根据研究的目的选择合适的回归模型或相关系数，并进行参数估计和假设检验。
为了确保结果的可靠性，我们还需要进行模型诊断和效果评估。
模型诊断可以检查模型是否满足回归或相关分析的假设，并纠正违反假设的情况。
效果评估可以通过计算预测误差、确定系数和显著性检验等指标来评估模型的拟合效果。
相关系数与线性回归分析
相关系数与线性回归分析相关系数和线性回归分析是统计学中常用的方法，用于研究变量之间的关系和进行预测分析。
本文将介绍相关系数和线性回归分析的概念、计算方法和应用场景。
一、相关系数相关系数是用来衡量两个变量之间的相关性强弱的统计指标。
它的取值范围是-1到1之间，值越接近于1或-1，表示两个变量之间的相关性越强；值越接近于0，则表示两个变量之间的相关性越弱。
计算相关系数的方法有多种，常见的是皮尔逊相关系数。
它可以通过协方差和两个变量的标准差来计算。
具体公式如下：r = Cov(X,Y) / (σX *σY)其中，r表示相关系数，Cov(X,Y)表示变量X和Y的协方差，σX和σY分别表示变量X和Y的标准差。
相关系数的应用非常广泛。
例如，在金融领域，相关系数可以用来研究股票之间的关联程度，有助于投资者进行风险分析和资产配置；在医学领域，相关系数可以用来研究疾病因素之间的关系，帮助医生进行诊断和治疗决策。
二、线性回归分析线性回归分析是一种用来研究自变量与因变量之间关系的统计方法。
它通过建立一个线性方程，来描述自变量对因变量的影响程度和方向。
线性回归模型可以通过最小二乘法来估计模型参数。
最小二乘法的基本思想是通过使模型预测值与实际观测值的残差平方和最小化来确定模型参数。
具体公式如下：Y = β0 + β1*X + ε其中，Y表示因变量，X表示自变量，β0和β1表示模型的参数，ε表示误差项。
线性回归分析常用于预测和解释变量之间的关系。
例如，在市场营销中，可以通过线性回归分析来预测产品销售量与价格、广告投入等因素的关系；在经济学中，可以利用线性回归模型来研究GDP与就业率、通货膨胀率等经济指标之间的关系。
三、相关系数与线性回归分析的关系相关系数和线性回归分析常常一起使用，因为它们有着密切的关联。
相关系数可以用来衡量两个变量之间的相关性强弱，而线性回归分析则可以进一步分析两个变量之间的因果关系。
在线性回归分析中，相关系数经常作为检验模型是否适用的依据之一。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
，，，
本科学生实验报告
学号：########## 姓名：￥￥￥￥￥￥
学院：生命科学学院专业、班级：11级应用生物教育A 班
实验课程名称：生物统计学实验
教师：孟丽华（教授）
开课学期：2012 至2013 学年下学期
填报时间：2013 年 5 月22 日
云南师范大学教务处编印
一．实验设计方案
实验序号及名称：实验十:线性回归与相关性分析
实验时间2013-05-17实验室睿智楼3幢326
（一）、实验目的：
1、能够熟练的使用SPSS软件对实验数据进行线性回归分析和相关性分析；
2、掌握线性回归与相关性分析的基本思想和具体操作，能够读懂分析结果，并写出回归方程，对回归方程进行各种统计检验；
3、进一步熟悉SPSS软件的应用。
（二）、实验设备及材料：
微机、SPSS for Windows V 18.0统计软件包及相应的要统计的数据
（三）、实验原理：
1、统计学上采用相关分析(correlation analysis)研究呈平行关系的相关变量之间的关系。
2、对两个变量间的直线关系进行相关分析称为简单相关分析（也叫直
线相关分析）；对多个变量进行相关分析时，研究一个变量与多个变量间的线性相关称为复相关分析；研究其余变量保持不变的情况下两个变量间的线性相关称为偏相关分析；
3、相关性分析是考察两个变量之间线性关系的一种统计分析方法。
更精确地说，当一个变量发生变化时，另一个变量如何变化，此时就需要通过计算相关系数来做深入的定量考察。
P值是针对原假设H0：假设两变量无线性相关而言的。
一般假设检验的显著性水平为0.05，你只需要拿p值和0.05进行比较：如果p值小于0.05，就拒绝原假设H0，说明两变量有线性相关的关系，
他们无线性相关的可能性小于0.05；如果大于0.05，则一般认为无线性相关关系，至于相关的程度则要看相关系数R值，r越大，说明越相关。
越小，则相关程度越低。
而偏相关分析是指当两个变量同时与第三个变量相关时，将第三
个变量的影响剔除，只分析另外两个变量之间相关程度的过程，其检验过程与
相关分析相似；
4、对于两个相关变量，一个变量用x表示，另一个变量用y表示，如
果通过试验或调查获得两个变量的n对观测值：（x1，y1），（x2，y2），
……，（x n，y n）；为了直观地看出x和y间的变化趋势，可将每一对观测值在平面直角坐标系描点，作出散点图；
5、从散点图可以看出：①两个变量间有关或无关;若有关,两个变量间
关系类型，是直线型还是曲线型；②两个变量间直线关系的性质（是正相关还
是负相关）和程度（是相关密切还是不密切）；散点图直观地、定性地表示了
两个变量之间的关系。
为了探讨它们之间的规律性，还必须根据观测值将其内
在关系定量地表达出来；
6、利用直线回归方程进行预测或控制时，一般只适用于原来研究的范围，不能随意把范围扩大，因为在研究的范围内两变量是直线关系，这并不能
保证在这研究范围之外仍然是直线关系。
若需要扩大预测和控制范围，则要有
充分的理论依据或进一步的实验依据。
利用直线回归方程进行预测或控制，一般只能内插，不要轻易外延；
7、进行直线相关分析的基本任务在于根据x、y 的实际观测值，计算表示两个相关变量x、y 间线性相关程度和性质的统计量——相关系数r并进行显著性检验；
8、根据实际观测值计算得来的相关系数r是样本相关系数，它是双变
量正态总体中的总体相关系数ρ的估计值。
样本相关系数r是否来自ρ≠0
的总体，还须对样本相关系数r进行显著性检验。
此时无效假设、备择假设为：
HO: ρ=0,HA:ρ≠0。
与直线回归关系显著性检验一样，可采用t 检验法与F
检验法对相关系数r 的显著性进行检验；
9、直线回归分析将二个相关变量区分为自变量和依变量，侧重于寻求它们之间的联系形式—直线回归方程；直线相关分析不区分自变量和依变量，侧重于揭示它们之间的联系程度和性质——计算出相关系数。
两种分析所进行
的显著性检验都是解决y与x间是否存在直线关系。
因而二者的检验是等价的。
即相关系数显著，回归系数亦显著；相关系数不显著，回归系数也必然不显著；
10、应用直线回归与相关的注意事项：直线回归分析与相关分析在生
物科学研究领域中已得到了广泛的应用，但在实际工作中却很容易被误用或作
出错误的解释。
为了正确地应用直线回归分析和相关分析这一工具，必须注意
以下几点：1）、变量间是否存在相关；2）、其余变量尽量保持一致；3）、观测值要尽可能的多；4）、外推要谨慎；5）、正确理解回归或相关显著与否的含义；6）、一个显著的回归方程并不一定具有实践上的预测意义；
(四)、实验内容：
内容：生物统计学（第四版）138页第七章习题 7.4和习题7.6
实验方法步骤
（一）、习题7.4
1、启动spss软件：开始→所有程序→SPSS→spss for windows→spss 18.0 for windows，直接进入SPSS数据编辑窗口进行相关操作；
2、定义变量，输入数据。
点击“变量视图”定义变量工作表，用“name”命令定义变量“X”（小数点零位），标签：“4月下旬平均气温/℃”；变量
“Y”（小数点零位），标签：“5月上旬50株棉蚜虫数/头” ,点击“变量视图工作表”，一一对应将不同“X”气温与“Y”棉蚜虫数的数据依次输入到单元格中；
3、设置分析变量。
数据输入完后，点菜单栏：“分析（A）”→“回归（R）”→“线性（L）…”，将“5月上旬50株棉蚜虫数（Y）”移到因变量列表（D）中，将“4月下旬平均气温（X）”移入自变量列表（I）中进行分析；
1）、点“统计量（S）”，回归系数：在“估计（E）”、“置信区间水平（%）95”前打钩，“模型拟合性（M）”、“描述性”前打钩，残差：个案诊断（C）前打钩，点“所有个案”，点“继续”；
2）、点“绘制（T）…”，将“DEPENDNP”移入“Y（Y）”列表中，将“ZPRED”移入“X2（X）”中，标准化残差图：在“直方图（H）”、“正太概率图（R）”前打钩，点“继续”；
3）、点“保存（S）…”，所有的默认，点“继续”；
4)、点“选项（O）…”，所有的都默认，点“继续”，然后点击“确定”便出结果；
统计量（S）…
选项（O）…（默认）
绘制（T）…
保存（S）…（默认）
（二）、习题7.6
1、启动spss软件：开始→所有程序→SPSS→spss for windows→spss 18.0 for windows，直接进入SPSS数据编辑窗口进行相关操作；
2、定义变量，输入数据。
点击“变量视图”定义变量工作表，用“name”命令定义变量“维生素C的含量”（小数点两位）；变量“受冻情况”（小数点
零位），“未受冻”赋值为“1”，“受冻”赋值为“2” ,点击“变量视图工作表”，一一对应将不同“未受冻”与“受冻”的维生素C的含量数据依次输入到
单元格中；
3、设置分析变量。
数据输入完后，点菜单栏：“分析（A）”→“相关（C）”→“双变量（B）…”，将“维生素C含量”、“受冻情况”变量（V）列表中，相
关系数：“Pearson”前打钩，显著性检验：双侧检验（T）前打钩，“标记显著性
相关（F）前打钩”，点“选项（O）…”，统计量：在“均值和标准差（M）”前打钩，缺失值：在“按对排除个案（P）”前打钩，点“继续”，然后点击“确定”便出结果。
选项（O）…
“图形（G）”→“旧对话框（L）”→“散点/点状（S）…”
散点图/点图
简单散点图。