皮尔森相关性分析结果怎么看?
皮尔森相关性分析结果这样看：首先看Y与X是否有显著关系，即P值大小。接着分析相关关系为正向或负向，也可通过相关系数大小说明关系紧密程度。
一般相关系数在0.7以上说明关系非常紧密，0.4~0.7之间说明关系紧密，0.2~0.4说明关系一般。如果不太会对结果进行分析解读，SPSSAU还提供了智能分析建议。
分析工具推荐
现实研究中使用Pearson相关系数的情况比较多。
进行皮尔逊相关性分析，需要借助相关统计分析工具，关于分析工具这里推荐使用SPSSAU，在线对各种数据进行编辑和统计分析。无需下载软件安装包，无需经过繁琐的安装过程，也不必花大量时间学习如何操作软件。
pearson相关性分析结果解读
r值表示在样本中变量间的相关系数，表示相关性的大小；p值是检验值，是检验两变量在样本来自的总体中是否存在和样本一样的相关性。
相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母 r 表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。相关系数是用以反映变量之间相关关系密切程度的统计指标。世界上很多事情都是存在一定的相关联系，因此我们往往需要对两个或多个变量进行相关性分析。如果两个变量都是连续性的变量，就可以用Pearson 分析方法。
怎样用spss做pearson相关性分析
简介
相关性是指两个变量之间的变化趋势的一致性,如果两个变量变化趋势一致,那么就可以认为这两个变量之间存在着一定的关系(但必须是有实际经济意义的两个变量才能说有一定的关系)。相关性分析也是常用的统计方法,用SPSS统计软件操作起来也很简单,具体方法步骤如下。
方法步骤
选取在理论上有一定关系的两个变量,如用X,Y表示,数据输入到SPSS中。
从总体上来看,X和Y的趋势有一定的一致性。
为了解决相似性强弱用SPSS进行分析,从分析-相关-双变量。
打开双变量相关对话框,将X和Y选中导入到变量窗口。
然后相关系数选择Pearson相关系数,也可以选择其他两个,这个只是统计方法稍有差异,一般不影响结论。
点击确定在结果输出窗口显示相关性分析结果,可以看到X和Y的相关性系数为0.766,对应的显著性为0.076,如果设置的显著性水平位0.05,则未通过显著性检验,即认为虽然两个变量总体趋势有一致性,但并不显著。
pearson 相关性
1、按一般经验来说：“相关系数 0.8-1.0 极强相关；0.6-0.8 强相关；0.4-0.6 中等程度相关；0.2-0.4 弱相关；0.0-0.2 极弱相关或无相关”。
2、星号对应的是显著性检验，这里的原假设为：pearson相关系数为0。拒绝原假设意味着pearson相关系数显著不为0。两个*表示极显著，p值在0.01以下。一个*号表示显著，p值在0.01-0.05之间。注意：拒绝这个原假设并不等价于强相关，这只是说明“相关系数为0”这个假设显著不成立。当样本量较大时，只要有很小的弱相关就可以显著拒绝这个原假设，所以可以经常看到结果中有两个*，lz的.378** 也是这个道理。
3、所以lz的这个结果可以解释为：pearson相关系数显著不为0，即存在一定的相关性，且这个相关性按一般经验来说属于弱相关。如果是经济变量或关系复杂的问题，这个关系有一定意义，但还不具有决定性的说服力，需要其他信息解释或佐证。如果研究目的是探索性的，这个关系值得保留关注；如果研究目的是验证性的，则这个关系需要其他信息解释或佐证。
Pearson相关分析
①两变量相互独立
②两变量为连续变量
③两变量的分布遵循正态分布
④两变量呈线性关系
皮尔逊相关系数就是用协方差除以两个变量的标准差得到的
①计算相关系数r
②计算显著性水平α
#state.x77第3列为文盲率
x - state.x77[,3]
#state.x77第4列为预期寿命
y - state.x77[,4]
#样本总数为50
n - nrow(state.x77)
#按照公式设置分子
Numerator - (n*sum(x*y)-sum(x)*sum(y))
#按照公式设置分母
Denominator - (sqrt(n*sum(x^2)-sum(x)^2)*sqrt(n*sum(y^2)-sum(y)^2))
#计算出相关系数r
r - Numerator / Denominator
r
[1] -0.5884779
T - r*(sqrt(n-2))/sqrt(1-r^2)
T
[1] -5.042706
r - cor(state.x77[,3],state.x77[,4])
r
[1] -0.5884779
#使用cor.test()函数计算文盲率和预期寿命的相关关系，默认方法为Pearson相关分析
T - cor.test(state.x77[,3],state.x77[,4])
T
Pearson's product-moment correlation
#这里列名数据来源
data: state.x77[, 3] and state.x77[, 4]
#t值和使用显著性检验的公式计算出的t值一致
#自由度df为n-2=48
#p值查表可以得出6.969e-06 0.05
t = -5.0427, df = 48, p-value = 6.969e-06
#因此有95%以上的几率可以拒绝原假设总体A的相关系数ρ=0
#即文盲率和预期寿命的相关系数显著地不为0
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.7448226 -0.3708811
#这里列示Pearson相关系数
sample estimates:
cor
-0.5884779
setwd("F:\CSDN\blog")
states - state.x77[,1:5]
cov(states) #计算方差和协方差
cor(states) #计算Pearson积差相关系数
cor(states,method = "spearman") #计算spearman等级相关系数
cor.test(states[,3],states[,5]) #进行相关性系数
#cor.test()只能检验一种相关关系，psych包提供了更多的选择
#install.packages("psych")
library(psych)
corr.test(states,use = "complete")
最简单两个 连续变量 相关性可视化用 散点图 表达。参考网址：
pearson相关性分析的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于pearson相关性分析SPSS、pearson相关性分析的信息别忘了在本站进行查找喔。