相关分析
定义
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.此分析方法通常用于回归分析之前;相关分析与回归分析的逻辑关系为:先有相关关系，才有可能有回归关系。
分析过程
相关分析使用相关系数表示分析项之间的关系。
1. 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
2. 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);相关系数常见有两
类，分别是Pearson 和Spearman ，默认使用Pearson
相关系数。
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：
如果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。
分析结果
格式1（当仅放入一个框中时）：
* p<0.05 ** p<0.01
格式2（两个框均放置项时）：
* p<0.05 ** p<0.01
*备注：通常情况下会使用格式1，如果希望格式2，则右侧两个框中均需要放置分析项。单从相关分析方法角度看，其并不区分X和Y，但从实际意义上看，通常是研究X和Y的相关关系。
相关分析案例
Contents
1 背景 (4)
2 理论 (4)
3 操作 (5)
4 SPSSAU输出结果 (7)
5 文字分析 (8)
6 剖析 (8)
1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理论
相关分析是研究两个定量数据之间的相关关系情况，以及相关分析是研究有没有关系。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。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。
相关系数的计算有两种，一种叫Pearson相关系数（默认）；另外一种叫Spearman相关
系数（使用非常少）。从理论上讲，数据分布呈现出不正态时则使用Spearman相关系数，但无论是Pearson或者Spearman相关系数，其实际依旧是研究相关关系，结论上并不会有太大区别；并且数据正态分布通常在理想状态下才会成立。因而现实研究中使用Pearson相关系数的情况占绝大多数。
3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：从菜单上依次选择通用方法→相关
第三步：这里区分了X和Y，所以对应放入即可。如果并不区分X或者Y，直接把所有项放入“分析项Y（定量）”框中即可。
4 SPSSAU输出结果
当然也可以输出这样的格式【当所有项均放入同一个框中时】，如下（下表格中还输出平均值和标准差，常见格式，意义不大）：
5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。
6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。