文章图片



文章图片



文章图片



文章图片



文章图片



文章及案例数据来源：微信公众号【我看人看我】
在前两篇文章（《如何使用SPSS进行相关性分析（一）》、《如何使用SPSS进行相关性分析（二）》） ， 我们介绍了相关关系的基本概念 ， 并基于实际案例 ， 使用SPSS对两个定类变量、两个定序变量进行了相关性分析 。 今天将继续基于实际案例来介绍其他变量类型的相关性分析：
（1）定距变量（连续型变量）间的相关性分析;
（2）定类变量和定距变量的相关性分析.
一、连续型变量的相关性分析定距变量 ， 即连续型变量之间的关系 ， 我们一般使用线性相关分析的方法进行分析测量 。
对于连续型变量来说 ， 可以通过线性回归分析来以自变量（X）的数值来估计因变量（Y）的值 ， 即构建线性回归模型来对未知的因素进行预测 。 但进行回归分析的前提是 ， 变量之间必须存在相关关系 。
我们初中曾学过的一元二次方程 ， 即是简单线性回归模型的简写 Y=bX+a 。 其中 ， b值表示了自变量X对因变量Y的影响大小和方向 ， 是一个分析不对称相关关系的统计方法 。 但b值的大小没有上限 ， 要根据变量的衡量单位来定 ， 因此很少被用来衡量连续型变量之间的相关程度 。
在连续型变量的相关性分析中 ， 我们主要使用皮尔逊（Pearson）的积矩相关系数（简写为 r）来测量连续型变量之间的相关大小和方向 。
r 系数与b 系数的不同地方在于 ， r系数假定X与Y的关系是对称的 ， 而且r的统计值范围是[-11
。 r系数值越大 ， 就表示线性回归方程式的预测能力越强 。 r^2称为决定系数（coefficient of determination） ， 反映在某个变量的变化中有多少是受另一个变量的变化所决定 。
在社会研究中 ， 要先计算r系数值 ， 即先判断变量之间是否存在相关关系 ， 才能决定是否运用线性回归分析法来预测数值 。 如果r系数值很小 ， 即相关性很弱或者不相关 ， 那么就不要用线性回归方程式来预测 ， 因为这样所犯的误差会很大 。
通过皮尔逊（Pearson）方法测量出变量间的相关性大小后 ， 还需要进行显著性检验 ， 以确定基于随机样本数据计算的相关系数是否能推论总体 。
接下来 ， 我们将以\"休闲调查.sav\"的数据进行实际案例操作 。
研究问题：住房面积和家庭月收入的相关关系是怎样的？
针对该研究问题 ， SPSS的分析操作如下过程 。
（一）打开双变量相关分析对话框 ， 添加变量
操作路径：工具栏“分析”——相关——双变量


将需要分析的“住房使用面积”和“家庭月收入”从左侧的原变量窗口添加到右侧的目标变量窗口 。
【|如何使用SPSS进行连续型变量的相关性分析（附案例数据）】