相关分析（Pearson/Spearman相关）
方法简介：相关分析用于评估两个或多个变量之间的相关关系强度和方向。相关系数范围为-1到+1，绝对值越大表示相关越强，正值表示正相关，负值表示负相关。
相关系数的类型
- Pearson相关系数：适用于连续型变量的线性相关，要求变量近似正态分布
- Spearman等级相关系数：适用于有序分类变量或非线性单调相关，基于秩次计算
相关系数的判断标准
| 相关系数绝对值 |
相关程度 |
| 0.8 - 1.0 | 极强相关 |
| 0.6 - 0.8 | 强相关 |
| 0.4 - 0.6 | 中等相关 |
| 0.2 - 0.4 | 弱相关 |
| 0.0 - 0.2 | 极弱相关或无相关 |
适用场景
- 变量关系初探：了解哪些变量之间存在相关关系
- 多重共线性诊断：检查自变量之间是否高度相关
- 变量筛选：选择与因变量相关的自变量进入回归模型
- 理论假设检验：验证理论中预期的变量关系
使用 chatspss 进行相关分析
"分析销售额、广告投入、促销力度之间的相关性"
"计算满意度各维度之间的Pearson相关系数"
结果解读
- 相关系数：-1到+1之间，0表示无相关
- 显著性标记：* 表示p<0.05，** 表示p<0.01
- 相关矩阵：采用下三角形式，避免信息重复
注意事项
相关不等于因果！相关分析只能说明变量之间存在关联，不能证明因果关系。要建立因果关系需要使用回归分析或实验设计。
相关方法
回归分析 |
描述统计 |
共线性诊断
立即使用 chatspss 进行相关分析