SPSS的相关分析
spss相关性分析原理
spss相关性分析原理
SPSS相关性分析是一种统计方法，用于研究两个变量之间的
关系。
它通过计算变量间的相关系数来衡量它们之间的相关性强度和方向。
相关系数可以是皮尔逊相关系数（Pearson correlation coefficient）或斯皮尔曼等级相关系数（Spearman rank correlation coefficient）。
皮尔逊相关系数是用于度量两个连续变量之间线性相关的指标，它的取值范围从-1到1。
当相关系数为正时，表示变量之间存
在正相关关系；当相关系数为负时，表示变量之间存在负相关关系；当相关系数接近于0时，表示两个变量之间没有线性关系。
斯皮尔曼等级相关系数则用于度量两个有序变量之间的相关性，它将原始数据转换为变量的等级顺序，然后计算等级之间的相关系数。
它适用于非线性关系和存在异常值的情况。
在进行相关性分析之前，需要检查两个变量是否满足相关性分析的前提条件，如数据的正态性、线性关系和离群值的影响等。
如果数据不满足这些前提条件，可能需要进行数据转换或选择其他适当的分析方法。
相关性分析的结果通常用相关系数和p值来解释。
相关系数越接近于1或-1，则表示变量之间的相关性越强；p值则用于检
验相关系数是否显著，p值越小表示相关性越显著。
总体而言，相关性分析可以帮助研究者理解变量之间的关系，从而对研究对象或现象进行更深入的探索。
SPSS相关分析
第一次 第二次 第三次
1 0.140 0.135 0.141
2 0.138 0.140 0.142
3 0.143 0.142 0.137
4 0.141 0.136 0.140
5 0.144 0.138 0.142
6 0.137 0.140 0.143
【Compute Distances单项选择框组】 其中有两个选择，Between cases表达作变量内部观察
一般选中。此时P<0.05旳系数值旁会标识一种星号， P<0.01旳则标识两个星号。 【Options钮】 Statistics复选框组 可选旳描述统计量。它们是： Means and standard deviations每个变量旳均数和原则 差
Cross-product deviations and covariances各对变量 旳交叉积和以及协方差阵
化学 90.00 99.00 70.00 78.00 88.00 88.00 75.00 98.00 98.00 99.00 89.00 98.00 88.00 60.00 87.00 87.00 88.00 79.00
在上面旳成果中，变量间两两旳有关系数是用方阵旳形式给 出旳。每一行和每一列旳两个变量相应旳格子中就是这两个 变量有关分析成果成果，共分为三列，分别是有关系数、P 值和样本数。因为这里只分析了两个变量，所以给出旳是 2*2旳方阵。由上表可见本身旳有关系数均为1，而数学和 化学旳有关系数为0.742，P<0.001，有非常明显旳统计 学意义。
3.2.3 有关分析——Correlate菜单
Bivariate过程：用于进行两个/多种变量间旳参数/非参数 有关分析，假如是多种变量，则给出两两有关旳分析成果。 这是Correlate子菜单中最为常用旳一种过程。
SPSS数据分析—相关分析
相关系数是衡量变量之间相关程度的度量，也是很多分析的中的当中环节，SPSS 做相关分析比较简单，主要是区别如何使用这些相关系数，如果不想定量的分析相关性的话，直接观察散点图也可以。
相关系数有一些需要注意的地方：1、两变量之间存在相关，仅意味着存在关联，并不意味着因果关系。
2、相关系数不能进行加减乘除运算，没有单位，不同的相关系数不可比较3、相关系数大小容易受到数据取值区间大小和数据个数大小的影响。
4、相关系数也需要进行检验确定其是否有统计学意义相关系数的假设检验中H0：相关系数=0，变量间没有相关性H1：相关系数≠0，变量间有相关性相关系数很多，我们一般根据变量的类型进行选择，我们知道变量类型由低级到高级可以分为定类、定序、定距、定比四种类型，而变量的数据类型则可以分为连续型或者离散型，注意不要混淆一、定距、定比变量，基本上也就是连续变量一般使用pearson相关系数，也称为积差相关系数，是一种线性相关系数，使用最为广泛，适用条件是两变量需要为线性关系，并且都来自正态分布总体，且要求成对出现二、定序、定距、定比变量一般使用spearman等级相关系数也称为秩相关系数，该系数利用了变量的次序信息，而且对原始数据没有过多要求，因此比pearson相关系数使用范围更广，它利用两变量的秩次大小作为分析依据，也可以认为是基于秩次的pearson相关系数，当数据不符合pearson相关系数的要求时，可以选择使用spearman相关系数，但是如果是定距或定比变量，还是建议用pearson相关系数，spearman 相关系数的效能略低。
三、只限定序变量1.Gamma相关系数2.Kendall等级相关系数，分为τ-a，τ-b，τ-c三种3.Somer's D相关系数四、定类变量定类变量的相关性大都是根据卡方值衍生而来1、person卡方实际上也就是卡方检验2.列联系数3.φ-Phi系数4.Cramer's V系数mbda（λ）系数6.Goodman and Kruskal的Tau-y系数五、二分类变量1.相对危险度RR值2.优势比OR值=========================================================熟悉了各种相关系数的情况之后，我们来看一下在SPSS中的操作1.分析—描述性统计—交叉表此过程一般用来分析列联表的，由于数据的组成大多是列联表形式，因此该过程包含了很多种相关系数2.分析—相关—双变量此分析为简单相关分析，是最常用的相关分析。
SPSS相关分析实例操作步骤-SPSS做相关分析
SPSS相关分析实例操作步骤-SPSS做相关分析SPSS（Statistical Product and Service Solutions）是目前在工业、商业、学术研究等领域中广泛应用的统计学软件包之一。
Correlation是SPSS的一个功能模块，可以用于分析两个或多个变量之间的关系。
下面是SPSS进行相关分析的具体步骤：1. 打开SPSS软件，选择“变量视图”（Variable View），输入相关的变量名，包括数字型变量和分类变量。
2. 进入“数据视图”（Data View），输入数据，并保存数据集。
3. 打开菜单栏中的“分析”（Analyze），选择“相关”（Correlate），再选择“双变量”（Bivariate）。
4. 在双变量窗口中，选择包含需要分析的变量的变量名，并将其移至右侧窗口中的变量框（Variables）。
5. 如果需要控制其他变量的影响，可以选择“控制变量”（Options）。
6. 点击“确定”（OK）按钮后，SPSS将输出结果，并将其显示在输出窗口中。
相关系数（Correlation Coefficient）介于-1和1之间，可以用来衡量两个变量之间的线性关系的强度。
7. 如果需要对结果进行图形化展示，可以选择“图”（Plots），并选择适当的图形类型。
需要注意的是，进行相关分析时需要确保变量之间存在线性关系。
如果变量之间存在非线性关系，建议使用其他统计方法进行分析。
同时，SPSS进行相关分析的结果只能描述变量之间的关系，不能用于说明因果关系。
以上是SPSS做相关分析的具体步骤，希望能对大家进行SPSS 数据分析有所帮助。
Spss 的相关分析
3、矩阵散点图
矩阵散点图以方形矩阵的形式分别显示多对变量间的统计关系。矩阵散点图的关键是弄清各矩阵单元中的横纵变量。以3×3的矩阵散点图为例。变量分别 ，矩阵散点图的横纵变量如下表（括号中的前一个变量作为纵轴变量，后一个变量作为横轴变量）
矩阵散点图坐标变量示意
Spss的相关分析
一、相关的概念
相关分析是分析客观事物之间的数量分析方法，明确客观事物之间有怎样的关系对理解和运用相关分析是极为重要的。
客观事物之间的关系大致可归纳为两大类关系，它们是函数关系和统计关系。相关分析是用来分析事物之间统计关系的方法。
所谓函数关系指的是两事物之间的一种一一对应关系，即当一个变量 取一定值时，另一变量 可以依确定的函数取唯一确定的值。
四、计算相关系数
1、相关系数的特点
虽然散点图能够直观地展现变量之间的统计关系，但不准确。
相关系数以数值的方式很精确地反映了两个变量间线性相关的强弱程度。利用相关系数进行变量间线性关系的分析通常需要完成以下两大步骤：
第一、计算样本相关系数 。
利用样本数据计算样本相关系数。样本相关系数反映了两变量间线性相关程度的强弱。对不同类型的变量应采用不同的相关系数指标，但它们的取值范围和含义都是相同的，即
Spss将自动计算Kendall 相关、 检验统计量的观测值和对应的概率P值。
适用条件：
（1）只有两列变量，且具有等级变量性质，具有线性关系的资料，主要用于解决等级和顺序数据的相关问题；
（2）即使是属于等距或等比性质的变量，若按其取值大小，赋以等级或顺序，亦可计算等级相关。
（3）不对数据的整体分布状态做要求，不管数据是不是正态分布，都可以用等级相关计算相关关系。
相关分析和回归分析SPSS实现
相关分析和回归分析SPSS实现SPSS（统计包统计分析软件）是一种广泛使用的数据分析工具，在相关分析和回归分析方面具有强大的功能。
本文将介绍如何使用SPSS进行相关分析和回归分析。
相关分析（Correlation Analysis）用于探索两个或多个变量之间的关系。
在SPSS中，可以通过如下步骤进行相关分析：1.打开SPSS软件并导入数据集。
2.选择“分析”菜单，然后选择“相关”子菜单。
3.在“相关”对话框中，选择将要分析的变量，然后单击“箭头”将其添加到“变量”框中。
4.选择相关系数的计算方法（如皮尔逊相关系数、斯皮尔曼等级相关系数）。
5.单击“确定”按钮，SPSS将计算相关系数并将结果显示在输出窗口中。
回归分析（Regression Analysis）用于建立一个预测模型，来预测因变量在自变量影响下的变化。
在SPSS中，可以通过如下步骤进行回归分析：1.打开SPSS软件并导入数据集。
2.选择“分析”菜单，然后选择“回归”子菜单。
3.在“回归”对话框中，选择要分析的因变量和自变量，然后单击“箭头”将其添加到“因变量”和“自变量”框中。
4.选择回归模型的方法（如线性回归、多项式回归等）。
5.单击“统计”按钮，选择要计算的统计量（如参数估计、拟合优度等）。
6.单击“确定”按钮，SPSS将计算回归模型并将结果显示在输出窗口中。
在分析结果中，相关分析会显示相关系数的数值和统计显著性水平，以评估变量之间的关系强度和统计显著性。
回归分析会显示回归系数的数值和显著性水平，以评估自变量对因变量的影响。
值得注意的是，相关分析和回归分析在使用前需要考虑数据的要求和前提条件。
例如，相关分析要求变量间的关系是线性的，回归分析要求自变量与因变量之间存在一定的关联关系。
总结起来，SPSS提供了强大的功能和工具，便于进行相关分析和回归分析。
通过上述步骤，用户可以轻松地完成数据分析和结果呈现。
然而，分析结果的解释和应用需要结合具体的研究背景和目的进行综合考虑。
spss对数据进行相关性分析实验报告
spss对数据进行相关性分析实验报告一、实验目的与背景在统计学的研究中，相关性分析是一种常见的分析方法，用于研究两个或多个变量之间的关联程度。
本实验旨在使用SPSS软件对收集到的数据进行相关性分析，并探索变量之间的关系。
二、实验过程1. 数据收集：根据研究目的，我们收集了一份包含多个变量的数据集。
其中，变量包括A、B、C等。
2. 数据准备：在进行相关性分析之前，我们需要对数据进行准备。
首先，我们载入数据集到SPSS软件中。
然后，对于缺失数据，我们根据需要采取相应的填补或删除策略。
接着，我们进行数据的清洗和整理，以确保数据的准确性和一致性。
3. 相关性分析：使用SPSS软件，我们可以轻松地进行相关性分析。
在SPSS的分析菜单中，选择相关性分析功能，并设置相应的参数。
我们将选择Pearson相关系数，该系数用于衡量两个变量之间的线性相关关系。
此外，还可以选择其他类型的相关系数，如Spearman相关系数，用于非线性关系的探索。
设置参数后，我们点击“运行”按钮，即可得到相关性分析的结果。
4. 结果解读：SPSS将为我们提供一份详细的结果报告。
我们可以看到每对变量之间的相关系数及其显著性水平。
如果相关系数接近1或-1，并且P值低于显著性水平（通常为0.05），则可以得出两个变量之间存在显著的线性相关关系的结论。
此外，我们还可以通过散点图、线性回归等方法进一步分析相关性结果。
5. 结论与讨论：根据相关性分析的结果，我们可以得出结论并进行讨论。
如果发现两个变量之间存在显著的相关关系，我们可以进一步探究其原因和意义。
同时，我们还可以提出假设并设计更深入的实验，以验证和解释这些相关性。
三、结果与讨论根据我们的研究目的和数据集，通过SPSS软件进行的相关性分析显示了一些有意义的结果。
我们发现变量A与变量B之间存在显著的正相关关系（Pearson相关系数为0.7，P<0.05）。
这表明随着A的增加，B也会相应增加。
SPSS中的相关分析及假设检验
SPSS中的相关分析及假设检验相关分析和假设检验是统计学中常用的方法。
在SPSS中，相关分析可以用来探究两个或多个变量之间的关系。
而假设检验可以用来验证研究者对一个或多个总体参数的假设。
相关分析是用来确定两个或多个变量之间的关系的统计方法。
SPSS 中可以通过选择菜单中的“相关”选项来进行相关分析。
在弹出的对话框中，用户可以选择要进行相关分析的变量，以及选择所需的统计指标。
最常用的统计指标是皮尔逊相关系数（Pearson correlation coefficient），可以用来度量两个连续变量之间的线性关系。
除了皮尔逊相关系数外，还可以选择斯皮尔曼等级相关系数（Spearman's rank correlation coefficient），用于度量两个有序变量之间的关联。
在进行相关分析时，我们还需要对相关系数进行显著性检验，以确定相关系数是否显著不为零。
SPSS会自动计算相关系数的显著性水平（p-value）。
p-value小于我们预先设定的显著性水平（通常为0.05），则可以拒绝原假设，认为相关系数显著不为零。
接下来，我们将介绍SPSS中常用假设检验的方法。
假设检验用于验证研究者对一个或多个总体参数的假设。
常用的假设检验方法包括单样本t检验、独立样本t检验、配对样本t检验和方差分析等。
单样本t检验用于检验一个总体均值是否等于一个给定的值。
SPSS 中可以通过选择菜单中的“分析”、“比较均值”、“单样本t检验”进行单样本t检验。
在弹出的对话框中，用户需要输入要进行检验的变量和给定的均值。
SPSS会给出t值、自由度和p值等统计结果。
如果p值小于我们设定的显著性水平，则可以拒绝原假设，认为总体均值与给定值存在显著差异。
独立样本t检验用于检验两个独立样本的均值是否相等。
SPSS中可以通过选择菜单中的“分析”、“比较均值”、“独立样本t检验”进行独立样本t检验。
在弹出的对话框中，用户需要输入两个独立样本的变量。
- 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)。
7.2 SPSS在简单相关分析中的应用
Kendall’s等级相关系数 它是用于反映分类变量相关性的指标，适用于两个变量均为有序分 类的情况。这种指标采用非参数检验方法测度变量间的相关关系。它利 用变量的秩计算一致对数目和非一致对数目。显然，如果两变量具有较 强的正相关，则一致对数目U应较大；但若两变量相关性较弱，则一致对 数目U和非一致对数目V应大致相等。故按照此思想，可得其定义为： SPSS将自动计算它的相关系数、检验统计量和对应的概率P值。
利用相关系数r的大小可以判断变量间相关关系的密切程度，具体见表所示。
7.2 SPSS在简单相关分析中的应用
7.2.1 简单相关分析的基本原理
7.2 SPSS在简单相关分析中的应用
对Pearson简单相关系数的统计检验是计算t统计量，t统计量服从n-2个自由 度的t分布。SPSS会自动计算r统计量和t值，并依据t分布表给出其对应 的相伴概率值。 Spearman等级相关系数用来度量顺序水准变量间的线性相关关系。它是利用 两变量的秩次大小作线性相关分析，适用条件为： ① 两个变量的变量值是以等级次序表示的资料； ② 一个变量的变量值是等级数据，另一个变量的变量值是等距或比率数据， 且其两总体不要求是正态分布，样本容量n不一定大于30。
7.2 SPSS在简单相关分析中的应用
2、相关系数
虽然相关图能够展现变量之间的数量关系，但这也只是种直观判断方法。因此， 可以计算变量之间的相关系数。对不同类型的变量应当采取不同的相关系数来度 量，常用的相关系数主要有： 皮尔逊（Pearson）相关系数 常称为积差相关系数，适用于研究连续变量之间的相关程度。例如，收入和储 蓄存款、身高和体重等变量间的线性相关关系。注意Pearson相关系数适用于线 性相关的情形，对于曲线相关等更为复杂的情形，系数的大小并不能代表其相关 性的强弱。它的计算公式为：
Step03：选择相关系数类型
图中的【Correlation Coefficients(相关系数)】选项组中可以选择计算 简单相关系数的类型。 ● Pearson：系统默认项，即积差相关系数，计算连续变量或是等间距测度 的变量间的相关分析。 ● Kendall：等级相关，计算分类变量间的秩相关。 ● Spearman：等级相关，斯皮尔曼相关系数。 对于非等间距测度的连续变量，因为分布不明可以使用等级相关分析，也可 以使用Pearson 相关分析；对于完全等级的离散变量必须使用等级相关分析相 关性。当资料不服从双变量正态分布或总体分布型未知，或原始数据是用等级 表示时，宜用Spearman 或Kendall相关。
7.2 SPSS在简单相关分析中的应用
Step04：假设检验类型选择 在图中的【Test of Significance(显著性检验)】选项组中可以选 择输出的假设检验类型，对应有两个单选项。 ● Two tailed：系统默认项。双尾检验，当事先不知道相关方向（正 相关还是负相关）时选择此项。 ● One tailed：单尾检验，如果事先知道相关方向可以选择此项。 同时，可以勾选【Flag significant Correlations(标记显著性相关)】 复选框。它表示选择此项后，输出结果中对在显著性水平0.05下显著 相关的相关系数用一个星号“*”加以标记；对在显著性水平0.01下 显著相关的相关系数用两个星号“**”标记。
第7章
SPSS的相关分析
7.1 相关分析概述
7.1.1 相关的基本概念
1. 函数关系和相关关系
函数关系是指事物或现象之间存在着严格的依存关系，其主要特征是它的确定 性，即对一个变量的每一个值，另一个变量都具有惟一确定的值与之相对应。变量 之间的函数关系通常可以用函数式Y=f(x)确切地表示出来。例如，圆的周长C对于 半径r的依存关系就是函数关系：C=2π r。 相关关系反映出变量之间虽然相互影响，具有依存关系，但彼此之间是不能一 一对应的。例如，学生成绩与其智力因素、各科学习成绩之间的关系、教育投资额 与经济发展水平的关系、社会环境与人民健康的关系等等，都反映出客观现象中存 在的相关关系。
7.2 SPSS在简单相关分析中的应用
7.2 SPSS在简单相关分析中的应用
Step06：相关统计量的Bootstrap估计 单击【Bootstrap】按钮，在弹出的对话框中可以进行如下统 计量的Bootstrap估计。 ● 描述统计表支持均值和标准差的Bootstrap 估计。 ● 相关性表支持相关性的Bootstrap 估计。
7.2 SPSS在简单相关分析中的应用
7.2 SPSS在简单相关分析中的应用
Step02：选择检验变量
在【Bivariate Correlations(双变量相关)】对话框左侧的候选变量列表框 中选择两个个或两个以上变量将其添加至【Variables(变量)】列表框中，表 示需要进行简单相关分析的变量。
7.1 相关分析概述
2.相关关系的类型
（1）根据相关程度的不同，相关关系可分为完全相关、不完全相关和 无相关。 （2）根据变量值变动方向的趋势，相关关系可分为正相关和负相关。 （3）根据变量关系的形态，相关关系可分为直线相关和曲线相关。 （4）根据研究变量的多少，可分为单相关、复相关。
7.1.2 相关分析
7.2 SPSS在简单相关分析中的应用
7.2.1 简单相关分析的基本原理
简单相关分析是研究两个变量之间关联程度的统计方法。它主要是通过 计算简单相关系数来反映变量之间关系的强弱。一般它有图形和数值两 种表示方式。 1、相关图 在统计中制作相关图，可以直观地判断事物现象之间大致上呈现何 种关系的形式。相关图是相关分析的重要方法。利用直角坐标系第一象 限，把第一个变量置于横轴上，第二个变量置于纵轴上，而将两个变量 对应的变量值用坐标点形式描绘出来，用以表明相关点分布状况的图形， 这就是相关图
7.2 SPSS在简单相关分析中的应用
7.2 SPSS在简单相关分析中的应用
3. 实例结果及分析
（1）描述性统计分析表 执行完上面的操作后，首先给出的是当前样本进行描述性统计的结果， 如表7-3所示。可以看到样本容量都等于10，道琼斯工业平均指数和 标准普尔指数的平均均值分别为7743.60和945.10，两者差距显著。 同时，两者的方差差距也很明显。
7.1.2 相关分析
3.相关系数
变量相关的方向通过相关系数r所具有的符号来表示，“+” 号表示正相关，即0≤r≤1。“﹣”表示负相关，即0≥ r ≥ ﹣1。在使用相关系数时应该注意下面的几个问题。 （1）相关系数只是一个比率值，并不具备与相关变量相同的测量 单位。 （2）相关系数r 受变量取值区间大小及样本数目多少的影响比较 大。 （3）来自于不同群体且不同质的事物的相关系数不能进行比较。 （4）对于不同类型的数据，计算相关系数的方法也不相同。
1.相关分析的作用
（1）判断变量之间有无联系
（2）确定选择相关关系的表现形式及相关分析方法
（3）把握相关关系的方向与密切程度
（4）相关分析不但可以描述变量之间的关系状况，而且用来进行预测。
(5)相关分析还可以用来评价测量量具的信度、效度以及项目的区分度等。
7.1.2 相关分析
2.相关系数
相关系数是在直线相关条件下，说明两个变量之间相关程度以及相 关方向的统计分析指标。相关系数一般可以通过计算得到。作为样本相关 系数，常用字母r表示；作为总体相关系数，常用字母ρ 表示。 相关系数的数值范围是介于–1与 +1之间（即–1≤ r ≤1），常用 小数形式表示，一般要取小数点后两位数字来表示，以便比较精确地描述 其相关程度。 两个变量之间的相关程度用相关系数r的绝对值表示，其绝对值越接 近1，表明两个变量的相关程度越高；其绝对值越接近于0，表明两个变量 相关程度越低。如果其绝对值等于零1，则表示两个变量完全直线相关。 如果其绝对值为零，则表示两个变量完全不相关（不是直线相关）。
7.2 SPSS在简单相关分析中的应用
Step07：单击【OK】按钮，结束操作，SPSS软件自动输出结果。
7.2 SPSS在简单相关分析中的应用
7.2.3 实例分析：股票指数之间的联系
1. 实例内容
道琼斯工业平均指数（DJIA）和标准普尔指数500（S&P 500） 都被用做股市全面动态的测度。DJIA是基于30种股票的价格动 态；S&P 500是由500种股票组成的指数。有人说S&P 500是股 票市场功能的一种更好的测度，因为它基于更多的股票。表72显示了DJIA和S&P 500在1997年10周内的收盘价。请计算它们 之间的样本相关系数。不仅如此，样本相关系数告诉我们DJIA 和S&P 500之间的关系是怎样的？
7.2 SPSS在简单相关分析中的应用
（3）非参数相关系数表 表7-5列出了两种股票指数的Kendall和Spearman相关系数， 分别等于0.994和0.985；同时它们的概率P值也远小于显著性 水平。但本案例中，Spearman相关系数和Kendall相关系数都 小于Pearson相关系数，显然这是由于在秩变换或数据按有序 分类处理时损失信息所导致的。 所以，通过以上分析看到，道琼斯工业平均指数和标准普尔 指数具有高度正相关性，一个指数的上涨或上跌时，另一个指 数也会伴随着上涨或下跌。
7.2 SPSS在简单相关分析中的应用
从斯皮尔曼等级相关适用条件中可以看出，等级相关的应用范围要比积差相关 广泛，它的突出优点是对数据的总体分布、样本大小都不做要求。但缺点是计算 精度不高。斯皮尔曼等级相关系数常用符号 来表示。其基本公式为：
式中：D是两个变量每对数据等级之差，n是两列变量值的对数。 Spearman相关系数计算公式可以完全套用Pearson相关系数的计算公式，但公式中的 x和y用它们的秩次代替即可。
7.2 SPSS在简单相关分析中的应用
7.2.2 简单相关分析的SPSS操作详解 Step01：打开主菜单 选择菜单栏中的【Analyze(分析)】→【Correlate(相关)】 →【Bivariate(双变量)】命令，弹出【Bivariate Correlati ons(双变量相关)】对话框，如图7-1所示，这是简单相关检验 的主操作窗口。