相关分析用于研究定量数据之间的关系情况,包括是否有关系,以及关系紧密程度等。例如:研究员工薪资与员工工龄的关系;产品销量与产品售后服务的关系等。
相关分析的适用范围很广,理论上讲,凡是考察两个变量相关性,都可以叫做相关分析。相关分析研究是定量与定量的数据,如果是定类和定量数据需要使用方差分析,定类和定类需要使用交叉(卡方)。
登录账号后进入SPSSAU页面,点击右上角“上传数据”,将处理好的数据进行“点击上传文件”上传即可。
在“通用方法”模块中选择“相关”方法,将分析项定量变量放于分析框内,点击“开始分析”即可。
SPSSAU在相关分析中提供
相关分析要求数据服从正态分布,因此分析前需要检验数据的正态性。正态性有多种检验方法,常见方法如:正态图、正态性检验、P-P图/Q-Q图等。
补充说明:相关分析对数据正态要求比较宽松,违反时系数计算结果也比较稳健,只要数据基本满足正态即可。如果数据完全不正态,则可以用Spearman相关系数。
当两个定量数据在散点图上的散点呈现直线趋势时,就可以认为两者存在直线相关趋势,这也是相关分析的一个基本前提。
补充说明:可使用SPSSAU中可视化下的散点图进行分析与查看。
例如上图,当X增大时,可以比较明显地看出Y会随着减小,说明X和Y之间有着负向相关关系。如果是正相关,散点图会呈现随着一个变量值的增加,另一个变量值也增加的趋势。
如果数据呈现非线性的趋势,可以选择对变量进行数据转换(如对数转换),或是使用Spearman相关系数进行分析。
相关分析对极端值较为敏感,异常值会影响分析结果。需要在分析前查看是否存在异常值,保证结果的可靠性,此步可以和上一步一起通过散点图查看。
如果存在异常值,可以使用SPSSAU数据处理里面的异常值进行处理。
从上表可知,利用相关分析去研究公司满意度和人际关系, 机会感知, 离职倾向, 工作条件共4项之间的相关关系,使用Pearson相关系数去表示相关关系的强弱情况。
其中上表展示了各个变量的均值标准差以及相关系数等,例如:公司满意度的平均值为3.291,标准差为0.541,人际关系的平均值是3.748,标准差为0.616,机会感知的平均值3.322以及标准差为0.602,以此类推。
补充说明:对于相关分析,一般规范的表格格式是:p 值使用*号表示(标识在相关系数的右上角),p < 0.01使用2个*号表示;p < 0.05使用1个*号表示。同时 SPSSAU也提供一个带具体p 值的结果表格。
具体来看,公司满意度和人际关系之间的相关系数值为0.326,并且呈现出0.01水平的显著性,因而说明公司满意度和人际关系之间有着显著的正相关关系。
公司满意度和机会感知之间的相关系数值为-0.404,并且呈现出0.01水平的显著性,因而说明公司满意度和机会感知之间有着显著的负相关关系。
公司满意度和离职倾向之间的相关系数值为-0.642,并且呈现出0.01水平的显著性,因而说明公司满意度和离职倾向之间有着显著的负相关关系。
公司满意度和工作条件之间的相关系数值为0.268,并且呈现出0.01水平的显著性,因而说明公司满意度和工作条件之间有着显著的正相关关系。
补充说明:详细格式针对于标准格式输出了p值,当然标准格式含有每个分析项的平均值和标准差。
可直观的看到分析项之间的相关系数,例如:公司满意度与人际关系的相关系数为0.33,公司满意度与机会感知的相关系数为-0.40以此类推,另外SPSSAU还提供了不同取值范围颜色深浅不同这一特征。
1.针对问卷量表数据,几个题表示一个维度,如何处理?
比如有两个题“我愿意向朋友推荐SPSSAU”,“我有需要会再来使用SPSSAU”,此两个题是“忠诚度”的体现。但现在需要“忠诚度”这个整体,而不是具体两个标题,此时如何办呢?
2.相关分析不正态时如何办?
理论上讲,如果数据正态分布时,可使用Pearson相关系数进行相关分析;如果数据不正态时,则使用Spearman相关系数进行相关分析。但理论上的正态分布基本没有,只要数据非正态情况在可接受范围内则可继续使用Pearson系数;
而且一般情况下Pearson和Spearman系数的结论基本保持一致。所以绝大多数研究均是使用Pearson相关系数,而较少使用Spearman相关系数。
以上就是相关分析的分析流程梳理。理论上都应该按照上述步骤进行分析,但在实际过程中,即使忽略其中的步骤,也能得到稳定的结果。
因此即使不按照步骤分析,也没有问题,而对于没有分析经验的研究者,SPSSAU建议按提供的步骤进行分析,才是最保险的做法。
以上就是相关分析步骤汇总,更多干货登录SPSSAU官网了解更多。