『壹』 用SPSS相關性分析後的結果怎麼看
1、首先將數據導入到SPSS工具中，並打開相關的數據，保證導入的數據類型為Excel類型。
『貳』 SPSS相關系數分析的問題
其實，0.658已經不小了。是否多重共線，最好的用SPSS進行專門檢驗。
『叄』 統計相關分析中相關系數及p值的意義
相關系數0.241遠遠小於
p=0.905，我們可以認為線性相關關系不顯著，或者說沒有相關關系，沒有統計學意義。
p>0.05的r值是指線性相關關系顯著，近似認為有關系。
當相關系數大於0.905時，是指線性相關關系特別顯著，套用公式就可以得到極度接近的數值，這也是相關分析的實際應用。
『肆』 回歸分析中相關指數和相關系數有什麼聯系與區別
在線性回歸有,有上述關系.即：R^2=r^2
在其實回歸模型中不一定適用。
R^2表達的是解釋變數對總偏差平方和的貢獻度,強調的是「幾個模型」之間的擬合度的好與壞。
r表示解釋變數與預報變數之間線性相關性的強弱程度,用來判斷是否具有線性相關性。
回歸系數b乘以X和Y變數的標准差之比結果為相關系數r。即b*σx/σy=r
相關系數和回歸系數的聯系和區別如下：
首先，相關系數與回歸系數的方向，即符號相同。回歸系數與相關系數的正負號都有兩變數離均差積之和的符號業決定，所以同一資料的b與其r的符號相同。回歸系數有單位，形式為（應變數單位/自變數單位）相關系數沒有單位。相關系數的范圍在-1～+1之間，而回歸系數沒有這種限制。
回歸系數是指在回歸方程中表示自變數x
對因變數y
影響大小的參數。回歸系數越大表示x
對y
影響越大，正回歸系數表示y
隨x
增大而增大，負回歸系數表示y
隨x增大而減小。回歸方程式^Y=bX+a中之斜率b,稱為回歸系數，表X每變動一單位，平均而言，Y將變動b單位。
『伍』 什麼叫做相關分析相關系數、決定系數各有什麼具體意義如何計算如何對相關系數作假設檢驗
決定系數（coefficient of determination），有的教材上翻譯為判定系數，也稱為擬合優度。 計量中的判定系數 擬合優度(或稱判定系數,決定系數)
目的:
企圖構造一個不含單位,可以相互進行比較,而且能直觀判斷擬合優劣的指標.擬合優度的
定義:
意義:擬合優度越大,自變數對因變數的解釋程度越高,自變數引起的變動占總變動的百分比高.觀察點在回歸直線附近越密集.
取值范圍:
0-1判定系數只是說明列入模型的所有解釋變數對應變數的聯合的影響程度,不說明模型中單個解釋變數的影響程度.對時間序列數據,判定系數達到0.9以上是很平常的;但是,對截面數據而言,能夠有0.5就不錯了. 表徵依變數Y的變異中有多少百分比,可由控制的自變數X來解釋. 相關系數（coefficient of correlation）的平方即為決定系數。
它與相關系數的區別在於除掉|R|=0和1情況， 由於R2<R,可以防止對相關系數所表示的相關做誇張的解釋。
決定系數：在Y的總平方和中，由X引起的平方和所佔的比例，記為R2(R的平方) 決定系數的大小決定了相關的密切程度。 當R2越接近1時，表示相關的方程式參考價值越高；相反，越接近0時，表示參考價值越低。這是在一元回歸分析中的情況。但從本質上說決定系數和回歸系數沒有關系，就像標准差和標准誤差在本質上沒有關系一樣。 在多元回歸分析中，決定系數是通徑系數的平方。
表達式：R^2=SSR/SST=1-SSE/SST 其中：SST=SSR+SSE，SST (sum of squares for total)為總平方和，SSReg (sum of squares for regression為回歸平方和，SSE (sum of squares for error) 為殘差平方和。 註：（不同書命名不同） 回歸平方和：SSR(Sum of Squares for regression) = ESS (explained sum of squares) 殘差平方和：SSE（Sum of Squares for Error） = RSS (resial sum of squares) 總離差平方和：SST(Sum of Squares for total) = TSS(total sum of squares) SSE+SSR=SST RSS+ESS=TSS 意義：擬合優度越大，自變數對因變數的解釋程度越高，自變數引起的變動占總變動的百分比高。觀察點在回歸直線附近越密集。 取值范圍：0-1.
『陸』 spss中相關性分析的原理是什麼
_問題描述：在SPSS中做主成成分分析的時候有一步是指標之間的相關性判定，我想知道具體是怎麼進行判定的，他的演算法、原理是什麼？答案1：： 說判定有些嚴格，其實就是觀察一下各個指標的相關程度。一般來說相關性越是高，做主成分分析就越是成功。主成分分析是通過降低空間維度來體現所有變數的特徵使得樣本點分散程度極大，說得直觀一點就是尋找多個變數的一個加權平均來反映所有變數的一個整體性特徵。評價相關性的方法就是相關系數，由於是多變數的判定，則引出相關系數矩陣。評價主成分分析的關鍵不在於相關系數的情況，而在於貢獻率，也就是根據主成分分析的原理，計算相關系數矩陣的特徵值和特徵向量。相關系數越是高，計算出來的特徵值差距就越大，貢獻率等於前n個大的特徵值除以全部特徵值之和，貢獻率越是大說明主成分分析的效果越好。反之，變數之間相關性越差。舉個例子來說，在二維平面內，我們的目的就是把它映射（加權）到一條直線上並使得他們分散的最開（方差最大）達到降低維度的目的，如果所有樣本點都在一條直線上（也就是相關系數等於1或者- 1），這樣的效果是最好的。再假設樣本點呈現兩條垂直的形狀（相關系數等於零），你要找到一條直線來做映射就很難了。一般來說前三個主成分的貢獻率在90%以上，第一個主成分的貢獻率在 70%效果就已經很好了。答案2：： 你直接看書吧 那原理我要寫一天 才能發給你。。。
『柒』 相關性分析的概念及方法
相關分析就是根據一個因素（變數）與另一個因素（變數）的相關系數是否大於臨界值，判斷兩個因素是否相關。在相關的因素之間，根據相關系數大小判斷兩個因素關系的密切程度，相關系數越大，說明兩者關系越密切（何曉群，2002）。這種方法從總體上對問題可以有一個大致認識，但卻很難在錯綜復雜的關系中把握現象的本質，找出哪些是主要因素，哪些是次要因素，有時甚至得出錯誤結論。為此，提出使用數學上的偏相關分析與逐步回歸相結合的辦法來解決這類問題。
偏相關性分析基本原理是，若眾多因素都對某一因素都存在影響，當分析某一因素的影響大小時，把其他因素都限制在某一水平范圍內，單獨分析該因素對某一因素所帶來的影響，從而消除其他因素帶來的干擾。比如分析壓實作用（或埋深）對孔隙度和滲透率的影響時，便把岩石成分、粒度、膠結類型等都限制在一定范圍來單獨討論壓實作用，而數學上的偏相關分析恰恰就是解決這類問題的方法，偏相關系數的大小就代表了這種影響程度。結合多因素邊引入、邊剔除的逐步回歸分析方法，也可消除多個因素（自變數）間的相互干擾和多個因素對因變數的重復影響，保留其中的有用信息，挑選出對因變數影響較顯著的因素，剔除了一些次要因素，被挑選出的主要因素的標准回歸系數和偏回歸平方和的大小反映了各參數對因變數（充滿度）的影響大小。因此根據各因素（自變數）與因變數間的偏相關系數大小，結合標准回歸系數和偏回歸平方和，便可以將各因素對因變數的影響大小進行定量排序。其基本步驟如下：
第一步，找出所有可能對因變數產生影響的因素（或參數），同時對一些非數值型參數進行量化處理；
第二步，計算因變數與各參數間的簡單相關系數，根據這些簡單相關系數的大小，初步分析它們與因變數間的簡單相關關系；
第三步，計算因變數與各參數間的偏相關系數、標准回歸系數和偏回歸平方和；
第四步，根據偏相關系數的大小，再結合標准回歸系數和偏回歸平方和，綜合分析因變數與各參數間的關系密切程度，其值越大，關系越密切，影響越大，反之亦然。
『捌』 求助：如何分析相關系數
呵呵 糾正下哎，好多東西忘得不成樣子不是博學 這是專業課的。。。相關系數絕對值不超過1 負數就是負相關 比如 逃課數和期末成績 應該是顯著負相關 絕對值越接近1 相關越大但不能隨意把數據放一起統計相關 這兩個事件應該有理論支持的相關才行否則就會出現 蝴蝶翅膀扇動次數 和 大地溫度的相關了
『玖』 相關系數多少算具有相關性
相關系數是最早由統計學家卡爾·皮爾遜設計的統計指標，是研究變數之間線性相關程度的量，一般用字母 r 表示。由於研究對象的不同，相關系數有多種定義方式，較為常用的是皮爾遜相關系數。
相關系數r的絕對值一般在0.8以上，認為A和B有強的相關性。0.3到0.8之間，可以認為有弱的相關性。0.3以下，認為沒有相關性。
(9)相關系數分析擴展閱讀
相關表和相關圖可反映兩個變數之間的相互關系及其相關方向，但無法確切地表明兩個變數之間相關的程度。相關系數是用以反映變數之間相關關系密切程度的統計指標。相關系數是按積差方法計算，同樣以兩變數與各自平均值的離差為基礎，通過兩個離差相乘來反映兩變數之間相關程度；著重研究線性的單相關系數。
需要說明的是，皮爾遜相關系數並不是唯一的相關系數，但是最常見的相關系數，以下解釋都是針對皮爾遜相關系數。
依據相關現象之間的不同特徵，其統計指標的名稱有所不同。如將反映兩變數間線性相關關系的統計指標稱為相關系數（相關系數的平方稱為判定系數）；將反映兩變數間曲線相關關系的統計指標稱為非線性相關系數、非線性判定系數；將反映多元線性相關關系的統計指標稱為復相關系數、復判定系數等。
『拾』 回歸分析相關系數的解釋
回歸系數b的檢驗 是 t檢驗 當P<α值 即回歸系數顯著 拒絕原假設
回歸模型檢驗 是檢驗模型是否合適 通過F檢驗 當F檢驗P<α 則模型顯著 即反映的總體回歸
通過這兩種檢驗 而且符合經濟自然規律後的模型可預測