一种现象的发展变化必然受与之相联系的其他现象发展变化的制约和影响。在统计学中，这种依存关系可以分成相关关系和回归函数关系。

现象之间存在着非严格、不确定的依存关系。 特点：某一现象在数量上发生变化会影响另一现象数量上的变化，而且这种变化在数量上具有一定的随机性。 例如：影响销售额的因素除了推广费用外，还有产品质量、价格、渠道等因素。

指现象之间存在依存关系。 对于某一变量的每一个数值，都有另一个变量值与之相对应。 可用 数学表达式 反映出来。

相关分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。例如，人的身高和体重之间；空气中的相对湿度与降雨量之间的相关关系都是相关分析研究的问题。

相关分析与回归分析之间的区别：回归分析侧重于研究随机变量间的依赖关系，以便用一个变量去预测另一个变量;相关分析侧重于发现随机变量间的种种相关特性。

相关关系可分为： 线性相关——直线相关 非线性相关——曲线相关

线性相关最常用的一种，当一个连续变量发生变动时，另一个连续变量相应地呈现关系变动，用皮尔逊（Pearson）相关系数 r 来度量。

皮尔逊相关系数 r 就是反应连续变量之间线性相关强度的一个度量指标。 在进行相关分析前，通常绘制散点图来观察变量间的相关性，如果这些变量在二维坐标中构成的数据点分布在一条直线的范围，那么就说明变量之间存在线性相关关系。

相关关系不等同于因果关系。

相关性关系：两个变量同时变化 因果关系：一个变量导致另一个变量变化

通过“超市销售数据”案例学习如何用SPSS进行相关分析。

单击【分析】——【相关】——【双变量】——【双变量相关性】 将“广告费用”、“销售额”两个变量移至右侧的【变量】中，这两个变量均是连续变量，，保持【相关系数】框中默认勾选的【皮尔逊】复选框，其它选项都保持默认设置，单击【确定】按钮，即出相关分析结果。 从图中可以看到广告费用和销售额的皮尔逊相关性 r = 0.816 ，为高度正相关关系，显著性（P值）=0.000