spss相关分析操作过程.docxVIP

相关解析 定义 相关解析用于研究定量数据之间的关系状况，包含可否相关系，以及关系亲密程度等。此解析方法平时用于回归解析从前;相关解析与回归解析的逻辑关系为：先有相关关系,才有可能有回归关系。 解析项相关解析说明 网购满意度，重复网购满意度和重复购买意愿之间可否相关系,关系亲密程度怎样? 购买意愿 解析过程 相关解析使用相关系数表示解析项之间的关系. 在相关解析从前，SPSSAU建议可使用散点图直观查察数据之间的关系状况 2.第一判断可否相关系(有*号则表示相关系，不然表示没关系) 接着判断关系为正相关也许负相关(相关系数大于0为正相关，反之为负相关) 最后判断关系亲密程度(平时相关系数大于0.4则表示关系亲密）;相关系数常有有两类,分别是Pearson和Spearman，默认使用Pearson相关系数。 除此以外,SPSSAU还供给Kendall相关系数.三个相关系数的差别以下表格： 系数使用处景备注 Pearson定量数据，数据知足正态性时正态图可查察正态性,散点图展现数据 关系 Spearman定量数据，数据不知足正态性时正态图可查察正态性,散点图展现数据 关系 Kendall定量数据一致性判断平时用于评分数据一致性水平研究,比 如评委打分，数据排名等 若是多个量表题表示一个维度,可使用“生成变量”的平均值功能。将多个量表题合并成一个整体维度。 解析结果 格式1（当仅放入一个框中时） : 平均值 标准差 解析项1 解析项2 解析项3 解析项4 解析项5 解析项1 3。43 0。76 1 解析项2 3.93 0.86 。673＊＊ 1 解析项3 3。84 0。90 。740 .712 1 解析项4 3。32 1。01 。681＊＊ 。705＊＊ .642 1 解析项5 3.03 1.09 。520＊* .666＊* 。489＊* .604＊＊ 1 *p〈0.05 ＊*p〈0.01 格式2（两个框均放置项时）： 解析项1解析项2解析项3 解析项4 .641＊* .705*＊ .242 解析项5 。520 .656＊＊ .589*＊ 解析项6 。321*＊ .875＊＊ 。242＊* 解析项7 .611 .705*＊ .342 解析项8 。530＊＊ .826*＊ 。589＊* p〈0。05＊*p〈0.01 ＊备注：平时状况下会使用格式1，若是希望格式2，则右边两个框中均需要放置解析项。单从 相关解析方法角度看,其其实不区分X和Y，但从实质意义上看，平时是研究X和Y的相关关系。 相关解析事例 Contents 1背景.4 2理论.4 3操作.5 4SPSSAU输出结果7 5文字解析.8 6解析.8 背景 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”之间的关系状况,此句话中显然的可以看出“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。 理论 相关解析是研究两个定量数据之间的相关关系状况,以及相关解析是研究有没相关系。 若是体现出显然性（结果右上角有*号，此时说明相关系；反之则没相关系)；有了关系 此后，关系的亲密程度直接看相关系数大小即可。一般0。7以上说明关系特别亲密；0。 4~0。7之间说明关系亲密；0。2~0。4说明关系一般.若是说相关系数值小于0。2，但 是依旧体现出显然性（右上角有＊号,1个*号叫0。05水平显然,2个＊号叫0。01水平 显然；显然是指相关系数的出现拥有统计学意义宽泛存在的，而不是有时出现)，说明关系较弱,但依旧是有相关关系。 相关系数的计算有两种，一种叫Pearson相关系数（默认）；别的一种叫Spearman相关 系数（使用特别少).从理论上讲，数据散布体现出不正态时则使用Spearman相关系数,但无论是Pearson也许Spearman相关系数，其实质依旧是研究相关关系，结论上其实不会有太大差别；而且数据正态散布平时在理想状态下才会成立。因此现实研究中使用 Pearson相关系数的状况占绝大多数。 操作 第一步:将EXCEL数据/SPSS数据导入到SPSSAU中，选择右上角［上传数据］ 第二步:从菜单上挨次选择通用方法→相关 第三步：这里区分了X和Y，因此对应放入即可。若是其实不区分X也许Y，直接把全部 项放入“解析项Y（定量)”框中即可。 4SPSSAU输出结果 自然也可以输出这样的格式【当全部项均放入同一个框中时】,以下(下表格中还输出平 均值和标准差，常有格式,意义不大)： 文字解析 上表使用相关解析去研究“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”之间的相关关系状况,而且使用Pearson相关系数去表示相关关系状况.从上表可以看到： “淘宝商家满意度”分别与“淘