🤵‍♂️ 个人主页：@艾派森的个人主页

✍🏻作者简介：Python学习者 🐋 希望大家多多支持，我们一起进步！😄 如果文章对你有帮助的话， 欢迎评论 💬点赞👍🏻 收藏 📂加关注+

目录

相关分析与散点图

相关系数 

使用SPSS进行相关分析 

偏相关分析 

 相关分析要点

【案例】—— 绘制体重与腰围的散点图，观察相关性

操作步骤：

①选择菜单【图形】----> 【旧对话框】----> 【散点图/点图】

②选择“简单分布”，并点击【定义】按钮

③分别在"Y轴"与“X轴”选择“腰围”、“体重” 

④点击“确定”，得到散点图 

由图可以粗略得知，体重与腰围之间存在较强的正相关关系

⑤当散点图中的点很密集时，会在一定程度上影响图形观察效果。可对散点图进行调整，在SPSS查看器窗口中选中相应的散点图双击鼠标，进入SPSS的图表编辑器窗口。选择菜单【选项】----> 【分箱元素】子菜单进行数据点合并

⑥如果希望得到拟合线，可以再编辑该散点图，选中【元素】菜单 下的【总计拟合线】子菜单，并选择回归线。 

⑦最终效果 

相关系数基础知识

②选择参加计算相关系数的变量到【变量(V)】框中，由于腰围与体重均为数值型变量，所以在【相关系数】框中选择“皮尔逊”相关系数

③点击“确定”，分析结果如下 

        由分析结果可知：体重与腰围间的皮尔逊相关系数为0.853，说明两者之间存在正的强相关性，其相关系数检验的概率P值近似为0，因此，应拒绝相关系数检验的原假设，认为两总体不是零相关，认为体重与腰围存在显著的线性相关性。另外，表中相关系数右上角的两个星号**表示显著性水平α为0.01时拒绝原假设。 

偏相关分析介绍

        偏相关分析用于分析当两个变量都与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间的线性相关性。

        比如，研究身高与肺活量之间的关系，身高与肺活量都同体重有关系，如果不考虑体重的影响，就会得到身高越高，肺活量越 大，这显然是不准确的。因此，当存在可能会影响两变量之间的相关性的因素时，就需要使用偏相关分析，以得到更加科学的结论。

偏相关系数的取值范围及大小的含义与相关系数相同 

 【案例】 体重与腰围之间存在相关性，直觉认为这种相关性会受到体内脂肪比重的影响。为此，可将脂肪比重（体脂率）作为控制变量， 对体重和腰围作偏相关分析。

操作步骤：

①选择菜单【分析】----> 【相关】----> 【偏相关】

②选择参与分析的变量到【变量(V)】框中，选择一个或多个被控制的变量到【控制(C)】框中

③点击“确定”，分析结果为： 

        由分析结果可知：在体脂率作为控制变量的条件下，体重和腰围的偏相关系数为0.709，呈现一定的正相关，而且偏相关系数检验的概率P值小于显著性水平α，应拒绝偏相关系数检验的原假设，认为体重与腰围存在显著的线性相关性。