简单相关分析的五步骤

简单相关分析的基本步骤如下：

                       

下面以腰围、体重、脂肪比重为例，来说明应该怎样进行相关分析。

第一步绘制散点图

在SPSS中，绘制散点图非常简单。操作步骤如下：

1）  点击图形à图表构建程序。

2）  在库中选择散点图，双击简单散点图。

3）  分别将腰围和体重，拖入X轴和Y轴，确定即可。

                              

观察散点图，可知：腰围与体重应该是存在线性相关性的，或者说，腰围对体重是有影响的。不过，这相关程度（或影响程度）有多大，则需要进一步计算相关系数来度量。

第二步选择系数公式
正态性检验

因为，Pearson相关系数要求变量服从正态分布，所以在计算相关系数之前，需要先确定两变量是否都服从正态分布，或者近似正态分布。

如果采用其它相关系数（参考“相关系数种类”小节），则可以省略正态性检验。

在SPSS中，判断两变量是否服从正态分布操作步骤如下：

1）  点击分析一一描述统计一一探索，进入探索界面。

2）  将待判断的变量选入因变量列表。

3）  打开绘制界面，选中带检验的正态图，确定。

确定后得到如下的正态性检验结果：

在SPSS中，采用的是K-S检验以及Shapiro-Wilk检验的的结果，当Sig>0.05时，表明该变量服从正态分布，否则为非正态分布。

注：当样本量大于50时用K-S检验结果，样本量小于50时用Shapiro-Wilk检验结果。

如表所示，显然腰围和体重两个变量都是服从正态分布的，所以可以采用Pearson相关系数。下面在计算相关系数时，将采用Pearson相关系数。

第三步计算相关系数

在SPSS中，计算相关系数的操作步骤如下：

1）  打开数据文档，点击分析一一相关一一双变量，进入相关分析界面。

2）  将要判断的几个变量全部选入变量列表，确定，即可得到相关系数矩阵。

确定后得到如下的相关系数矩阵：

显然，相关系数矩阵是对称矩阵，而且对角线上的相关系数全为1（即变量自身的相关系数为1）。从上表中可知，腰围和体重的相关系数r=0.853，存在强相关；脂肪比重和体重的相关系数r=0.697，存在中度相关。

第四步显著性检验

在SPSS中，不但计算出变量间的相关系数，同时还进行了显著性检验（即计算了统计量t，且查询出对应的概率P值，见显著性一行）。

在相关系数矩阵中，查看显著性一行，腰围和体重对应的概率P=0.000（因精度的原因，看起来概率为0），显然P<0.05，即根据显著性检验，也可知腰围和体重、脂肪比重和体重，都存在显著的线性相关关系。

第五步进行业务判断

根据前面的相关分析，可得到数据分析结论：

1、根据显著性判断，可知腰围与体重、脂肪比重与体重，都存在显著线性相关性。

2、根据相关系数，可知腰围与体重存在强相关，脂肪比重与体重存在中度相关。

然后，再从业务上对分析结果进行解读，并给出相应的业务策略或建议：

1、  业务解读：腰围对体重的影响很大，脂肪比重对体重的影响较大。

2、  业务建议：要减轻体重，最好先减小腰围，少吃脂肪类食物。

这样，就实现了从数据到业务的完整的相关分析过程。

作者：傅一航
来源：大数据专家傅一航