相关系数与相关指数的区别为：表示不同、取值范围不同、顺序不同。

一、表示不同

1、相关系数：相关系数是用以反映变量之间相关关系密切程度的统计指标。

2、相关指数：相关指数表示一元多项式回归方程拟合度的高低，或者说表示一元多项式回归方程估测的可靠程度的高低。

二、取值范围不同

1、相关系数：相关系数的取值范围为[-1，1]，越接近1，说明存在线性关系，相关程度越高。

2、相关指数：相关指数的取值范围为[0，1]，越接近1，说明实际观测点离样本线越近，拟合优度越高。

三、顺序不同

1、相关系数：先求相关系数，分析相关性的强弱。

2、相关指数：分析相关性的强弱后，然后求回归方程，最后求出相关指数，分析模型的拟合效果。

相关矩阵也叫相关系数矩阵，其是由矩阵各列间的相关系数构成的。也就是说，相关矩阵第i行第j列的元素是原矩阵第i列和第j列的相关系数。性质：相关矩阵的对角元素是1。相关矩阵是对称矩阵。一般来说权重系数相加之和等于回1，但这里可以不用等答于1的，因为y1到y4都属于不同的类型，要反映到GDP上不必要权重之和为1。

相关系数与0越接近，说明两者越不相关。

例如，算出电视与温度的相关系数最接近0，说明电视一般不受温度的影响。

空调的结果与1更接近，说明空调与温度呈现正相关关系，温度越高，销售的空调就越多；反之亦然。而电热毯，则是反相关关系，温度越高，销售的就越少，温度越低，销售的就越多。

公式说明：

Correl（数组1，数组2）：返回两组数组之间的相关系数，使用相关系数可以确定两种属性之间的关系。返回平均温度与空调之间的相关系数，通过这个相关系数，分析温度与空调之间的关系。

扩展资料

使用相关系数的缺点：

需要指出的是，相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。

因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。

相关关系是一种非确定性的关系，相关系数是研究变量之间线性相关程度的量。由于研究对象的不同，相关系数有如下几种定义方式。

你好，step1：建立数据文件 file——new——data；定义变量 选中左下角菜单Variable view，输入变量名T，其他选项不变，令起一行，输入变量名G其他选项不变，切换到data view（在左下角），将数据复制进去。Step2：进行数据分析：在spss最上面菜单里面选中Analyze——correlate——bivariate（双变量）左边包含G，T的框为源变量框，后面的空白框为分析变量框，我们现在需要分析G和T的关系，因此将源变量框中的G和T选进分析变量框待分析。（1）correlation coefficients（相关系数）包括三个选项：Pearson：皮尔逊相关，计算连续变量或是等间距测度的变量间的相关分析；Kendall：肯德尔相关，计算等级变量间的秩相关；Spearman：斯皮尔曼相关，计算斯皮尔曼秩相关。注：Pearson可用来分析①分布不明，非等间距测度的连续变量Kendall可用来分析①分布不明，非等间距测度的连续变量，②完全等级的离散变量，③数据资料不服从双变量正态分布或总体分布型未知。第②种情况只能用Kendall分析Spearman可用来分析数据资料不服从双变量正态分布或总体分布型未知（2）Test of significance选项Two-tailed：双尾检验，如果事先不知道相关方向（正相关还是负相关）则可以选择此项；One-tailed：单尾检验，如果事先知道相关方向可以选择此项。（3）Flag significant correlations：表明显著水平，如果选择此项，输出结果中在相关系数值右上方使用*标示显著性水平为5%，用**标示其显著性水平为1%首先使用pearson，two-tailed（下图），点击右侧optionsstatistics为统计量，包括均值和标准差 叉积离方差和协方差missing values 选择默认点击continue——ok输出结果（下图）相关系数为0.975，显著性p=0.000《0.01,有统计学意义选用Kendall 肯德尔，结果如下：选用spearman 斯皮尔曼，结果如下：画散点图：选中Graphs——Scatter/dot-----Simple scatter------define

做自相关系数分析目的是要判断数据是否平稳。

而判断数据是否平稳的目的是，要判断数据是否有趋势，并且要应用某些时间序列预测模型，需要先将不平稳的数据通过差分使其平稳。

首次每个人对图形的看法不同，统计检验就是试图用数字来说话，告诉你在一定的概率下平稳。

其次一个时间序列，如果均值没有系统的变化（无趋势）、方差没有系统变化，且严格消除了周期性变化，就称之是平稳的。

震荡是在股市中指股价在某个区间内进行反复整理、上下波动。

从定义上，平稳就是震荡，但是震荡不一定平稳。

最后预测实质上是通过对平稳序列的解读进行预测。

相关分析就是根据一个因素（变量）与另一个因素（变量）的相关系数是否大于临界值，判断两个因素是否相关。在相关的因素之间，根据相关系数大小判断两个因素关系的密切程度，相关系数越大，说明两者关系越密切（何晓群，2002）。这种方法从总体上对问题可以有一个大致认识，但却很难在错综复杂的关系中把握现象的本质，找出哪些是主要因素，哪些是次要因素，有时甚至得出错误结论。为此，提出使用数学上的偏相关分析与逐步回归相结合的办法来解决这类问题。

偏相关性分析基本原理是，若众多因素都对某一因素都存在影响，当分析某一因素的影响大小时，把其他因素都限制在某一水平范围内，单独分析该因素对某一因素所带来的影响，从而消除其他因素带来的干扰。比如分析压实作用（或埋深）对孔隙度和渗透率的影响时，便把岩石成分、粒度、胶结类型等都限制在一定范围来单独讨论压实作用，而数学上的偏相关分析恰恰就是解决这类问题的方法，偏相关系数的大小就代表了这种影响程度。结合多因素边引入、边剔除的逐步回归分析方法，也可消除多个因素（自变量）间的相互干扰和多个因素对因变量的重复影响，保留其中的有用信息，挑选出对因变量影响较显著的因素，剔除了一些次要因素，被挑选出的主要因素的标准回归系数和偏回归平方和的大小反映了各参数对因变量（充满度）的影响大小。因此根据各因素（自变量）与因变量间的偏相关系数大小，结合标准回归系数和偏回归平方和，便可以将各因素对因变量的影响大小进行定量排序。其基本步骤如下：

第一步，找出所有可能对因变量产生影响的因素（或参数），同时对一些非数值型参数进行量化处理；

第二步，计算因变量与各参数间的简单相关系数，根据这些简单相关系数的大小，初步分析它们与因变量间的简单相关关系；

第三步，计算因变量与各参数间的偏相关系数、标准回归系数和偏回归平方和；

第四步，根据偏相关系数的大小，再结合标准回归系数和偏回归平方和，综合分析因变量与各参数间的关系密切程度，其值越大，关系越密切，影响越大，反之亦然。

相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母 r 表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。

相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性。0.3到0.8之间，可以认为有弱的相关性。0.3以下，认为没有相关性。

扩展资料

相关表和相关图可反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间相关的程度。相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。

需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。

依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。

参考资料：百度百科相关系数

0.271属于低相关，这是分析相关系数的大小。

相关系数：

1、0.8-1.0：极强相关。

2、0.6-0.8：强相关。

3、0.4-0.6：中等程度相关。

4、0.2-0.4：弱相关。

5、0.0-0.2：极弱相关或无相关。

相关关系是一种非确定性的关系，相关系数是研究变量之间线性相关程度的量。由于研究对象的不同，相关系数有如下几种定义方式。

简单相关系数：又叫相关系数或线性相关系数，一般用字母r 表示，用来度量两个变量间的线性关系。

定义式：

其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。

复相关系数：又叫多重相关系数。复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的季节性需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。

典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性关系的综合指标，再通过综合指标之间的线性相关系数来研究原各组变量间相关关系。

生活示例：

软件公司在全国有许多代理商，为研究它的财务软件产品的广告投入与销售额的关系，统计人员随机选择10家代理商进行观察，搜集到年广告投入费和月平均销售额的数据，并编制成相关表，见表1:

表1：广告费与月平均销售额相关表 单位：万元

参照表1，可计算相关系数如表2：

相关系数为0.9942，说明广告投入费与月平均销售额之间有高度的线性正相关关系。

相关系数缺点：

需要指出的是，相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。

特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。

相关系数性质：

这里，  ，  是一个可以表征  和  之间线性关系紧密程度的量。它具有两个性质：

（1） 

（2）  的充要条件是，存在常数a，b，使得 

由性质衍生：

a. 相关系数定量地刻画了 X 和 Y的相关程度，即  越大，相关程度越大；  对应相关程度最低；

b. X 和Y 完全相关的含义是在概率为1的意义下存在线性关系，于是  是一个可以表征X 和Y 之间线性关系紧密程度的量。

当  较大时，通常说X 和Y相关程度较好；当  较小时，通常说X 和Y相关程度较差；当X和Y不相关，通常认为X和Y之间不存在线性关系，但并不能排除X和Y之间可能存在其他关系。

参考资料：百度百科-相关系数

参考资料：百度百科-spss

spss皮尔森相关系数分析表示在样本中变量间的相关系数，表示相关性的大小。

一般来说相关性大小要看显著性达到什么程度。显著性越小说明相关程度越高。显著性小于0.05则为显著先关，小于0.01则为极显著相关。

spss皮尔森相关系数分析研究报告：

相关系数的绝对值越大，相关性越强：相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。

通常情况下通过以下取值范围判断变量的相关强度：

相关系数 0.8-1.0 极强相关。

以上内容参考：百度百科-Pearson相关系数

“用excel做一组数据的相关性分析”的操作步骤是：1、打开Excel2007以上版本的工作表；2、根据题意，需要对A:B列的数据相关性进行分析，可借助于“数据”选项下的“分析工具”来实现；3、在“数据”选项下，点击“数据分析”；4、在“数据分析”中，选择“相关系数”分析工具；5、在“相关分析”编辑框中，选择输入区域，并指定输入区域，或其他的“输出选项”；6、按“确定”后，在输出区域产生了“相关系数”。