相关系数r是用来衡量两个变量之间线性相关关系的方法 当r>0时，表示两变量正相关，r<0时，两变量为负相关相关系数的意义。 *当|r|=1时，表示两变量为完全线性相关，即为函数关系。 *当r=0时，表示两变量间无线性相关关系。 *当0<|r|<1时，表示两变量存在一定程度的线性相关。且|r|越接近1，两变量间线性关系越密切；|r|越接近于0，表示两变量的线性相关越弱。 * 一般可按三级划分：|r|<0.4为低度线性相关；0.4≤|r|<0.7为显著性相关；0.7≤|r|<1为高度线性相关。

SPSS相关分析结果请教？

可以用SPSSAU在线spss数据分析平台，使用通用方法->相关进行分析，结果格式为三线表格式，属于规范的格式不用重新整理。

分析结果上看会输出包括平均值和标准差，以及相关系数和P值。

前两列即为各变量的平均值和标准差，第三列开始为两两变量之间的相关系数。

数值右上角的星号代表P值。对于相关分析，一般规范的表格格式是：P值使用*号表示，P < 0.01使用2个*号表示；P < 0.05使用1个*号表示。

偏最小二乘法与最小二乘法有什么区别?

二者区别很大，

最小二乘法，是一般的算法，随便一本回归教程中会有具体的解法，因变量减去待求参数与自变量乘积的平方这样求一次导令其为0可以求得待求参数

偏最小二乘，是基于因变量为多个，自变量为多个。先同时求二者的主成分，使两个主成分的相关性达到最大，然后求各个因变量与自变量的主成分之间的回归方程。

最小二乘法针对的是一个自变量一个函数而多元针对的，是多个自变量如果有两个或两个以上的自变量，就称为多元回归。一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际~~希望帮到你！

怎么用SPSS分析相关性啊？

在

Analyze 下拉菜单的Correlate 命令项具有三个相关分析功能子命令它们分别是

Bivariate Partial 和Distance 对应于相关分析偏相关分析和距离分析

1 Bivariate 计算指定的两个变量间的相关系数可以选择Pearson 相关(积差相关)

Spearman 等级相关和Kendall 相关(这三种不同的相关计算相关系数的公式不同有兴趣的

读者可查阅统计学方面的书籍) 同时对相关系数进行假设检验可选择进行单尾或双尾检

验给出相关系数为0 的概率当资料不服从双变量正态分布或总体分布型未知或原始

数据是用等级表示时宜用Spearman 或Kendall 相关

2 Partial 计算两个变量间再控制了其他变量影响下的相关系数即偏相关系数可以

进行单尾或双尾检验检验的假设是偏相关系数为0 然后给出偏相关系数为0 的概率

还可以计算其他描述统计量

3 Distance 对变量或观测值进行相似性或不相似性测度因此分析的变量可以是连

续变量表频数分布的变量某些测度还可以适用于二值变量可以对原始数据和计算出

的距离数据进行标准化

回答

1样本数据能用Pearson相关就用这个，这个最准确，开始时，首先分布样本正态性，用k-s检验2正态性之后，点击分析-相关-双变量，之后选择Pearson，同时检验显著性相关要打勾3之后将样本数据，移动到变量那里过去，之后在点击左下角的确定4确定之后，出现分析结果，首先看显著性，显著性显示0.00，说明p<0.05,有线性关系5之后看0.892，大于0.8，是高度相关关系，如果是0.5-0.8是中度相关关系，0.3-0.5是低度相关性，小于0.3不相关6这个可以进行批量分析的，只要将每个变量都移动各自一列就行

提问

分组后 用前测的数据还是后测的数据呢？

回答

亲肯定是先测数据了。

提问

？我说的是干预前后的数据 是用干预前还是用干预后的数据

回答

干预后的数据。

我专业不对口，亲。

提问

那是应该每组单独分析相关性 还是可以一起分析？

