相关分析
16种常用的数据分析方法-相关分析
16种常⽤的数据分析⽅法-相关分析相关性分析研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关⽅向及相关程度。
相关分析是⼀种简单易⾏的测量定量数据之间的关系情况的分析⽅法。
可以分析包括变量间的关系情况以及关系强弱程度等。
如：⾝⾼和体重的相关性；降⽔量与河流⽔位的相关性；⼯作压⼒与⼼理健康的相关性等。
相关性种类客观事物之间的相关性，⼤致可归纳为两⼤类：⼀、函数关系函数关系是两个变量的取值存在⼀个函数来唯⼀描述。
⽐如销售额与销售量之间的关系，可⽤函数y=px（y表⽰销售额，p表⽰单价，x表⽰销售量）来表⽰。
所以，销售量和销售额存在函数关系。
这⼀类关系，不是我们关注的重点。
⼆、统计关系统计关系，指两事物之间的⾮⼀⼀对应关系，即当变量x取⼀定值时，另⼀个变量y虽然不唯⼀确定，但按某种规律在⼀定的范围内发⽣变化。
⽐如：⼦⼥⾝⾼与⽗母⾝⾼、⼴告费⽤与销售额的关系，是⽆法⽤⼀个函数关系唯⼀确定其取值的，但这些变量之间确实存在⼀定的关系。
⼤多数情况下，⽗母⾝⾼越⾼，⼦⼥的⾝⾼也就越⾼；⼴告费⽤花得越多，其销售额也相对越多。
这种关系，就叫做统计关系。
按照相关表现形式，⼜可分为不同的相关类型，详见下图:相关性描述⽅式描述两个变量是否有相关性，常见的⽅式有3种：1.相关图（典型的如散点图和列联表等等）2.相关系数3.统计显著性⽤可视化的⽅式来呈现各种相关性，常⽤散点图，如下图：相关性分析步骤Step1：相关分析前，⾸先通过散点图了解变量间⼤致的关系情况。
如果变量之间不存在相互关系，那么在散点图上就会表现为随机分布的离散的点，如果存在某种相关性，那么⼤部分的数据点就会相对密集并以某种趋势呈现。
如上图，展现了平时成绩与能⼒评分之间的关系情况：X增⼤时，Y会明显的增⼤，说明X和Y之间有着正向相关关系。
Step2：计算相关系数散点图能够展现变量之间的关系情况，但不精确。
还需要通过相关分析得到相关系数，以数值的⽅式精准反映相关程度。
相关分析和回归分析
相关分析和回归分析相关分析和回归分析是统计学中最基础的两种分析方法，它们都用于研究数据变量之间的关系。
因为它们都是研究两个变量之间关系的，所以它们常常会被混淆起来，但它们其实在原理上是不同的，有不同的应用场景。
一、相关分析相关分析是一种简单的统计分析，用来检验不同变量之间是否存在相互关系。
它可以通过计算出变量之间的相关系数，来判断变量之间是线性关系还是非线性关系。
另外，它还可以度量两个变量的线性关系的相关程度，用来度量不同变量之间的关系强度。
相关分析的应用非常广泛，它可以帮助研究者了解数据之间的关系，也可以用来预测数据的变化趋势。
比如，可以用相关分析来研究一个地区的薪水水平和就业水平之间的关系，用来预测未来就业水平和薪资水平会有怎样的变化趋势。
二、回归分析回归分析是一种统计分析，用以研究两个变量之间的数量关系，并建立起变量之间的数量模型。
它用于预测和分析数据，从而探索数据之间的关系。
比如，从客户收入、购买频率等多个因素来建立一个回归模型，从而预测客户的未来购买意愿。
回归分析也是一种非常有用的统计方法，它可以用来研究数据之间的关系，并预测数据未来的变化趋势。
另外，它还可以用来预测特定变量的值，比如预测未来股市的涨跌情况。
总结以上就是相关分析和回归分析的基本内容介绍。
相关分析用于研究数据变量之间的关系，可以帮助研究者了解数据之间的关系，并预测数据的变化趋势；而回归分析是一种统计分析，用以研究两个变量之间的数量关系，可以用来预测特定变量的值，也可以研究数据之间的关系，并预测数据未来的变化趋势。
相关分析和回归分析可以说是统计学中最基础的两种分析方法，它们都具有重要的应用价值，广泛用于各种数据分析工作。
相关分析方法
相关分析方法相关分析方法是一种用于研究和解释变量之间关系的统计分析方法。
在实际应用中，相关分析方法可以帮助我们了解变量之间的相关程度，从而为决策提供依据。
本文将介绍相关分析方法的基本概念、计算公式以及实际应用。
相关分析方法的基本概念。
相关分析方法用于衡量两个变量之间的相关程度，其结果通常用相关系数来表示。
相关系数的取值范围为-1到1，其中-1表示完全负相关，1表示完全正相关，0表示无相关。
相关系数的绝对值越大，表示两个变量之间的相关程度越高。
相关分析方法的计算公式。
相关系数的计算公式有多种，其中最常用的是皮尔逊相关系数的计算公式。
皮尔逊相关系数的计算公式为：r = Σ((X X̄)(Y Ȳ)) / √(Σ(X X̄)²Σ(Y Ȳ)²)。
其中，r表示相关系数，X和Y分别表示两个变量的取值，X̄和Ȳ分别表示两个变量的平均值。
相关分析方法的实际应用。
相关分析方法在实际应用中具有广泛的应用价值。
例如，在市场营销领域，我们可以利用相关分析方法来研究产品销量与广告投入之间的相关程度，从而优化广告策略。
在金融领域，我们可以利用相关分析方法来研究不同资产之间的相关程度，从而构建有效的投资组合。
在医学领域，我们可以利用相关分析方法来研究疾病发生与环境因素之间的相关程度，从而预防和控制疾病的发生。
总结。
相关分析方法是一种重要的统计分析方法，它可以帮助我们了解变量之间的相关程度，为决策提供依据。
在实际应用中，我们可以利用相关分析方法来研究市场营销、金融、医学等领域的相关问题，从而提高决策的科学性和准确性。
因此，掌握相关分析方法是非常重要的，希望本文的介绍能够对读者有所帮助。
统计学中的相关分析
统计学中的相关分析统计学是一门研究数据收集、分析和解释的学科，而相关分析是其中一个重要的分析方法。
相关分析是用来量化两个或更多变量之间关系强度的技术，它可以帮助我们理解和预测现象之间的相关性。
本文将介绍相关分析的基本概念、应用以及在实际问题中的运用。
一、相关分析的概念相关分析是统计学中用来确定两个或多个变量之间关系强度的方法。
关系强度通过相关系数来度量，相关系数的取值范围为-1到1。
相关系数为正值表示两个变量是正相关的，即随着一个变量的增加，另一个变量也会增加；相关系数为负值表示两个变量是负相关的，即随着一个变量的增加，另一个变量会减少；相关系数为零表示两个变量之间没有线性关系。
相关分析可以帮助我们了解变量之间的关系，并进行进一步的预测和分析。
二、相关分析的应用相关分析在实际问题中有着广泛的应用。
以下是几个常见领域的相关分析应用示例：1. 经济学领域：相关分析可以帮助经济学家确定不同经济指标之间的关系，如通货膨胀率与失业率之间的相关性，利率与投资之间的相关性等。
这些关系可以用来预测经济发展趋势，为经济政策制定提供参考依据。
2. 医学研究：相关分析在医学研究中的应用非常广泛。
例如，研究人员可以使用相关分析来确定吸烟与肺癌之间的关系，体重与心血管疾病之间的关系等。
这些关系可以帮助医生们更好地了解疾病的发展机制，并提供有效的预防和治疗方案。
3. 市场调查：相关分析可以用来确定市场调查数据中不同变量之间的关系。
例如，一家公司可以使用相关分析来确定广告投资与销售额之间的关系，从而确定最佳的广告投放策略。
相关分析还可以帮助市场调查人员找到潜在的目标客户群体，以提升市场营销效果。
三、相关分析的实际案例为了更好地理解相关分析的应用，我们将通过一个实际案例来说明其具体操作。
假设一个电商公司想要研究用户购买行为与广告点击率之间的关系。
他们分析了一段时间内的用户购买记录和广告点击数据，并进行了相关分析。
他们计算了购买金额和广告点击率之间的相关系数，并得到了一个正值0.75。
相关性分析的五种方法
相关性分析的五种⽅法相关分析（Analysis of Correlation）是⽹站分析中经常使⽤的分析⽅法之⼀。
通过对不同特征或数据间的关系进⾏分析，发现业务运营中的关键影响及驱动因素。
并对业务的发展进⾏预测。
本篇⽂章将介绍5种常⽤的分析⽅法。
在开始介绍相关分析之前，需要特别说明的是相关关系不等于因果关系。
相关分析的⽅法很多，初级的⽅法可以快速发现数据之间的关系，如正相关，负相关或不相关。
中级的⽅法可以对数据间关系的强弱进⾏度量，如完全相关，不完全相关等。
⾼级的⽅法可以将数据间的关系转化为模型，并通过模型对未来的业务发展进⾏预测。
下⾯我们以⼀组⼴告的成本数据和曝光量数据对每⼀种相关分析⽅法进⾏介绍。
以下是每⽇⼴告曝光量和费⽤成本的数据，每⼀⾏代表⼀天中的花费和获得的⼴告曝光数量。
凭经验判断，这两组数据间应该存在联系，但仅通过这两组数据我们⽆法证明这种关系真实存在，也⽆法对这种关系的强度进⾏度量。
因此我们希望通过相关分析来找出这两组数据之间的关系，并对这种关系进度度量。
1，图表相关分析（折线图及散点图）第⼀种相关分析⽅法是将数据进⾏可视化处理，简单的说就是绘制图表。
单纯从数据的⾓度很难发现其中的趋势和联系，⽽将数据点绘制成图表后趋势和联系就会变的清晰起来。
对于有明显时间维度的数据，我们选择使⽤折线图。
为了更清晰的对⽐这两组数据的变化和趋势，我们使⽤双坐标轴折线图，其中主坐标轴⽤来绘制⼴告曝光量数据，次坐标轴⽤来绘制费⽤成本的数据。
通过折线图可以发现，费⽤成本和⼴告曝光量两组数据的变化和趋势⼤致相同，从整体的⼤趋势来看，费⽤成本和⼴告曝光量两组数据都呈现增长趋势。
从规律性来看费⽤成本和⼴告曝光量数据每次的最低点都出现在同⼀天。
从细节来看，两组数据的短期趋势的变化也基本⼀致。
经过以上这些对⽐，我们可以说⼴告曝光量和费⽤成本之间有⼀些相关关系，但这种⽅法在整个分析过程和解释上过于复杂，如果换成复杂⼀点的数据或者相关度较低的数据就会出现很多问题。
第十一章 相关分析
第二节 积差相关
计算积差相关系数的基本公式 • 运用标准差与离均差的计算公式
• n为成对数据的数目 • σx表示X变量的样本标准差 • σY 表示Y变量的样本标准差
第二节 积差相关
通常把公式中的 称为协方差。
所谓协方差就是两个变量离均差乘积的平均数，两列变量离 均差的乘积大小，能够反映两列变量的一致性。但不能直接 用协方差表示一致性，因为它有不同的测量单位，是一个很 不稳定的量，为了克服这一缺点，分别用各变量的标准差去 除各自的离均差，使其成为无实际测量单位的标准分数，然 后求其协方差，这样，不同测量单位表示的两列变量的一致 性便可测量，也便于比较。这就是求相关系数的公式中所以 用比率的由来。 相关系数的数值范围在正负1之间的证明
第二节 积差相关
3、相关系数显著性检验当然步骤及方法
① H0:ρ =0条件下，相关系数的显著性检验 对于总体相关系数ρ =0的零假设进行显著性检验时： 当n≥50时，r的抽样分布接近正态，其标准误为：
当n<50时，可用费舍指出的t统计量来检验相关系数的显 著性：
第二节 积差相关
检验的步骤： • 提出假设
第四节 质Байду номын сангаас量的相关
3、多列相关 1）适用资料 两列正态变量资料，其中一列为等距或等比测量数据，另 一列被认为划分为多种变量，称为名义变量。 2）计算公式
式中，Pi为每系列的次数比率，y1为每一名义变量下限的正态曲 线高度，yh 为每一名义变量上线的正态曲线高度，为每一名义变量对 偶的连续变量的平均数，St 为连续变量的标准差。 注意：a）取值范围为－1至1，相关越高，绝对值越接近于1；b）原 始数据代入积差相关的双列次数分布表计算公式，得到的值相等。
简述相关分析的主要内容
简述相关分析的主要内容
相关分析，又称为关联分析，是一类统计学诊断方法，最广泛地应用于市场营
销及营销研究。
通过相关分析，可以揭示客户的消费行为和行为偏好，以及提升企业生产力、创新发展能力等。
相关分析的核心便是挖掘出影响客户消费行为的内在关系，以及这些关系如何
影响品牌和企业的成功，以及可以利用这些关系如何优化企业的营销策略等。
通过对客户的消费行为进行细分研究，企业可以根据客户的消费偏好，提出有利于企业销售的营销策略，增强企业的市场竞争力，实现营销创新，提升企业的销售业绩和市场份额。
相关分析也可以做到更进一步——挖掘出企业成功的“隐藏行动”，根据多种
属性和信息来识别客户行为，帮助企业了解客户喜爱何种产品、服务，给企业提供营销机会，实现客户价值深度挖掘。
总而言之，相关分析是一项有助于提升企业的营销策略的重要统计学诊断方法，让企业可以更好地利用客户消费行为，挖掘出隐藏的需求机会，促进企业创新发展，提高企业的生产力和市场份额。
相关分析的基本内容
相关分析的基本内容
相关分析是用以分析社会经济现象间的依存关系，其目的是从现象的复杂关系中消除非本质的偶然影响，从而找出现象间相互依存的形式和密切程度，这在实际工作中运用十分广泛，相关分析的主要内容包含以下方面。
（1）确定现象之间有无关系，以及相关关系的密切程度。
在现实生活中，许多现象之间的关系并非是十分清晰的，这包括相关的方向和程度，如影响大学生就业率的因素有多种，其中包括在校学习成绩、修读专业、考证数量、实习时间、面试场次等。
通常情况下，我们多是根据主观经验判断其影响性，但这些因素对就业率的影响方向和程度到底是怎样的，而达成这些目标仅仅依靠主观判断是不够的，此时需要运用定量分析更为确切地予以判断，相关分析便可帮助我们实现这一目的。
（2）判断变量之间相关关系的表现形式是否为线性。
在实际生活中，现象之间的相关关系并非总是呈现出线性关系。
在不少情况下，非线性关系更为贴近现实表现，如某
人吃牛肉的数量与其所获效用之间的关系便是如此，在初始时，随着进食牛肉数量的增加，此人所获满足感的效用也不断增加，应该说此时二者之间是正向的关系，但是当吃到一定程度时，比如吃饱时，随着进一步进食牛肉数量的增加，此人的食用效用将呈下降趋势，此时，二者之间呈反向的关系，因此总的来说，二者之间的关系更像是一种倒U 形的曲线关系。
但相关分析只能判断出变量之间相关关系的表现形式是否为线性，并不能准确判断出非线性关系的具体形式。
（3）选择合适的数学模型。
确定了现象间确实具有相关关系且相关程度较高，则可选择合适的数学模型，对变量之间的联系做出近似的描述。
（4）进行相关关系的显著性检验，用以反映变量回归的效果。
- 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)。
第七章相关分析任何事物的存在都不是孤立的，而是相互联系、相互制约的。
在医学领域中，身高与体重、体温与脉搏、年龄与血压等都存在一定的联系。
说明客观事物相互间关系的密切程度并用适当的统计指标表示出来，这个过程就是相关分析。
值得注意，事物之间有相关，不一定是因果关系，也可能仅是伴随关系。
但如果事物之间有因果关系，则两者必然相关。
由变量相依关系的特点，变量之间的依存关系可分为两大类型：(1)确定性关系——函数关系，例如圆面积S=πr2, y=e x+x2等。
(2)确定性关系——相关关系，例如人的血压y与年龄x之间的关系等。
以往我们讨论过的许多数学学科，如分析几何、代数等都是研究变量之间确定性关系的，但非确定性关系在自然界和我们熟知的教育领域中大量存在，例如学习成绩与智力因素或与非智力因素之间，数学成绩与物理成绩之间，性别与学习成绩之间等，都存在某种相互联系，相互制约的依存关系，这种关系不是那种严格的函数关系，而是一种非确定性的关系。
相关关系和函数关系也有联系：由于观察和测量中会产生误差，函数关系往往通过相关关系表现出来，变量间相关关系非常密切时，通常又呈现出某种函数关系趋势。
相关的种类按不同的分类标准，相关关系有多种分类1、简单相关和复相关简单相关——两个变量之间的相关关系按涉及变量的多少分复相关——一个变量与两个及以上个变量之间的相关关系2、线性相关和非线性相关线性相关(直线相关)按变量关系的表现形态，相关关系可分为非线性相关(曲线相关)3、正相关和负相关按变量数值变化方向的总趋势，相关关系可分为正相关、负相关正相关——两个变量变化方向的趋势相同(见教材P2，图1-2左)负相关——两个变量变化方向的趋势相反(见教材P2，图1-2右)4、完全相关、高度相关、低度相关和不相关按两变量联系的紧密程度分，相关关系可分为完全相关、高度相关、低度相关和不相关(零相关)相关分析的主要内容研究两个或两个以上变量之间是否存在相关关系，如果存在相关关系，其相关的性质和程度如何，这个过程在统计学上称为相关分析，相关分析的主要内容包括：1、确定变量之间有无相关关系存在，以及相关关系呈现的形态。
2、确定相关关系的密切程度。
断送相关关系密切程度的主要方法是绘制散点图和计算相关系数。
3、对相关系数的显著性进行统计检验。
数据类型注意品质相关要先学习卡方独立性检验。
积差相关用于计算连续且总体服从正态的两变量间的相关。
等级相关，指以等级次序表示的变量之间的相关。
等级相关适用这样两种情况：①虽然是连续数据，但变量总体上不服从正态分布，②或者数据是顺序的。
当然在这两种情况下都要求变量间是线性关系，并且在将数据代入公式之前，必须将原来的数据转化为连续编号的等级数据，这里的等级数据必须是从1到N排列，若有相同的数据，则平分共同应该占据的等级，如，平时所说的两个并列第一名，他们应该占据1，2名，所以它们的等级应是1.5,又如一个第一名，两个并列第二名，三个并列第三名，则它们对应的等级应该是1，2.5，2.5，5，5，5，这里2.5是2，3的平均，5是4，5，6的平均。
我们将介绍斯皮尔曼等级相关、肯德尔W系数与肯德尔U系数三种计算等级相关的方法，前者用于只有两列变量的情况，后两者用于三列及三列以上变量的情况。
质量相关，指一列变量为等比或等距的测量数据，另一列变量是按性质划分的类别。
主要介绍三类质量相关，点二列相关、二列相关、多系列相关。
SPSS 的相关分析是借助于Statistics 菜单的Correlate 选项完成的。
第一节 Bivariate 过程7.1.1 主要功能积差相关，是计算两个变量线性相关的一种方法，由英国统计学家皮尔逊提出，因此也称为皮尔逊(Pearson)相关。
要使用积差相关必须同时具备如下几个条件：①两个变量都是由测量获得的连续性数据，即等距或等比数据。
②两个变量的总体都呈正态分布，或接近正态分布，至少是单峰对称分布，当然样本并不一定要正态。
③必须是成对的数据，而且每对数据之间是相互独立的，即各自互不影响，本条件是难以检验的。
④两个变量之间呈线性关系。
一般用描绘散点图的方式来观察，最好是先各自转化为Z 分数，单位会统一些。
若对(x 、y)作了n 次观测，得到n 对数据（x 1,y 1）……,( x n ,y n )。
则定义r 为：∑∑∑∑∑=======-=-=--==11121211,1)(,)(),)((i i i i ni i yy ni i xx ni i i xyyyxx xy y n y x n x ，y y L x x L y y x x ：LL L L r 其中由哥-席不等式易知 1||≤r根据我们已具备的概率知识，当 1||=r 时，可以认为x 与y 依pr 为1存在完全的线性相关关系，||r 越小，x 与y 存在线性相关的程度越小，r=0 ，可以认为x 与y 不相关(不存在线性相关)，但不相关并不等于x 与y 相互独立，x 与y 之间可能存在其它形式的相关关系。
在||r ≠0时，r ＞0,可认为x 与y 正相关，r ＞0,可认为x 与y 负相关。
积差相关系数的显著性检验设ρ表示x 和y 的总体相关系数，当ρ=0时，称x 与y 不相关，利用样本相关系数r 可以检验H 0: ρ=0当(x 、y)为二元正态变量时，可以证明212r n r t --=～ t(n-2) (1.2-6)利用该统计量检验H 0的拒绝域为C ={t | t |＞t α} 这里αt 为t(n-2)分布的分位数21α-t积差相关系数一般适用于连续型总体，且总体分布服从或近似服从正态分布，故两个连续变量的观察数据必须成对出现，且不宜少于30对(根据中心根限定理，大样本时，可近似作取自正态总体)，但在社会实践中，特别在教育和心理学方面的数据资料往往不能满足上述的条件，有些数据还是属性的测量(如测定品质的优劣、爱好程度、信念、态度等)常采用的等级评定。
这时需要采用等级相关(rank correlation)的方法来研究变量之间的相关关系。
等级相关是依据等级资料来研究变量间相关关系的相关量等级资料包括： 1、 等级评定资料。
2、 经连续变量观测资料转化得到的等级资料。
研究等级相关的相关量主要有斯皮尔曼(spearman)等级相关系数和肯德尔(kandall)和谐系数。
等级相关不涉及变量的分布形态和数据量的多少，对于两个连续变量的观测资料，也可转化为等级资料计算等级相关系数。
斯皮尔曼等级相关系数斯皮尔曼等级相关系数是英国心理学家、统计学家spearman 根据积差相关的概念推导出来的。
其计算公式为：)1(61212--=∑=n n d r NI i P式中P r —spearman 等级相关系数, d i —成对的第i 对数据的等级差，n —总对数 斯皮尔曼等级相关系数的显著性检验1、若n ≥10，可用前述检验统计量(1.2-6)对H 0：L=0作t 检验。
2、若4≤n ≤30 可查相关系数临界值表，对给定的显著水平α，当 |P r |＞αr 时，否定H 0认为x 与y 有显著的线性相关关系，当|P r |≤αr 时，不能拒绝H 0，即认为x 与y 无显著的H 0真时等级相关关系(查αr 的自由度df=n-2)。
肯德尔和谐系数 1、概念及使用条件肯德尔和谐系数(the kandall coefficient of concordace)是计算多个等级变量相关程度的一种相关量。
前述的spearman 等级相关讨论的是两个等级变量的相关程度，用于评价时只适用于两个评分者评价N 个人或N 件作品，或同一个人先后两次评价N 个人或N 件作品，而kandall 和谐系数则适用于数据资料是多列相关的等级资料，即可是k 个评分者评(N)个对象，也可以是同一个人先后k 次评N 个对象。
通过求得kandall 和谐系数，可以较为客观地选择好的作品或好的评分者。
2、公式与计算以下用W 表示肯德尔和谐系数(1)同一评价者无相同等级评定时，W 的计算公式：)(12132N N k s w -=式中：N —被评的对象数； K —评分者人数或评分所依据的标准数； S —每个被评对象所评等级之和R i 与所有这些和的平均数i R 的离差平方和，即∑∑∑===-=-=ni ni i i n i i R n R R R S 112212)(1)(当评分者意见完全一致时，S 取得最大值 ),(2132N N k -可见，和谐系数是实际求得的S 与其最大可能取值的比值，故0≤W ≤1。
(2)同一评价者有相同等级评定时，W 的计算公式： ])([121132∑=--=ki i T K N N k sw （1.3-3）式中K 、N 、S 的意义同(1.3-2)式，∑=-=im i ij ij i n nT 123)(这里m i 为第i 个评价者的评定结果中有重复等级的个数，n ij 为第i 个评价者的评定结果中第j 个重复等级的相同等级数。
对于评定结果无相同等级的评价者，T i =0，因此只须对评定结果有相同等级的评价者计算T i 。
调用此过程可对变量进行相关关系的分析，计算有关的统计指标，以判断变量之间相互关系的密切程度。
调用该过程命令时允许同时输入两变量或两个以上变量，但系统输出的是变量间两两相关的相关系数。
7.1.2 实例操作[例7-1]某地区10名健康儿童头发和全血中的1硒含量（1000ppm）如下，试作发硒与血硒的相关分析。
7.1.2.1 数据准备激活数据管理窗口，定义变量名：发硒为X，血硒为Y，按顺序输入相应数值，建立数据库（图7.1）。
图7.1 原始数据的输入7.1.2.2 统计分析激活Statistics菜单选Correlate中的Bivariate...命令项，弹出Bivariate Correlation对话框（图7.2）。
在对话框左侧的变量列表中选x、y，点击 钮使之进入Variables框；再在Correlation Coefficients框中选择相关系数的类型，共有三种：Pearson为通常所指的相关系数（r），Kendell’s tau-b为非参数资料的相关系数，Spearman为非正态分布资料的Pearson 相关系数替代值，本例选用Pearson项；在Test of Significance框中可选相关系数的单侧（One-tailed）或双侧（Two-tailed）检验，本例选双侧检验。
图7.2 相关分析对话框点击Options...钮弹出Bivariate Correlation:Options对话框（图7.3），可选有关统计项目。
本例要求输出X、Y的均数与标准差以及XY交叉乘积的标准差与协方差，故选Means and standard deviations和Cross-product deviations and covariances项。