1、首先将数据导入到SPSS工具中，并打开相关的数据，保证导入的数据类型为Excel类型。
2、导入数据后，查看一下数据视图和变量视图，尤其是变量视图要保证都是数值型的数据为好。
3、然后，选择“分析中的相关分析下的双变量”栏目。
4、将要分析的变量放在“变量”中就可以点击确认了，其他的不要改动。
5、最后在输出中就可以看到具体的数值了。图中的相关性为0.994，代表在0.994上是相关的。相关性的范围为0-1。
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。
Pearson相关性是以交叉表格的形式呈现的。我们关注两对变量的相关性结果：入职时长与当前年薪；受教育年限与当前年薪。
入职时长和当前年薪的Pearson相关系数为-0.102，说明它们之间呈现负的弱相关，显著性P值为0.150，大于0.05，所以认为当前年薪和入职时长没有相关性。
受教育年限和当前粘性的Pearson相关系数为0.672，显著性检验P值为0.000，小于0.05，所以受教育年限与当前年薪是正相关的。这也是为什么现在大部分的本科毕业生没有选择直接就业，而是继续深造，读研读博。
9个样本数据计算出的平均每日转发数与相关微博搜索量的pearson相关系数值0.905，它的实际显著性水平为0.001，小于理论显著性水平0.01，说明相关系数的值不是由偶然因素造成的，0.905接近于1，说明平均每日转发数与相关微博搜索量之间存在高度的线性正相关。
首先看显著性水平 小于0.01 说明拒绝原假设 二者存在显著相关
然后需要用四句话来描述：
1. 平均每日转发数与相关微博搜索量存在相关性
2.相关系数r=0.905
3.平均每日转发数与相关微博搜索量存在高度正相关
4.平均每日转发数和相关微博搜索量进行相互预测能消减（r的平方）81.9%的误差比例
内容全部来源于网络收集，如有侵权，请联系网站删除：QQ：24596024