文章及案例数据来源：微信公众号【我看人看我】

在前两篇文章（《如何使用SPSS进行相关性分析（一）》、《如何使用SPSS进行相关性分析（二）》），我们介绍了相关关系的基本概念，并基于实际案例，使用SPSS对两个定类变量、两个定序变量进行了相关性分析。今天将继续基于实际案例来介绍其他变量类型的相关性分析：

（1）定距变量（连续型变量）间的相关性分析;

（2）定类变量和定距变量的相关性分析.

定距变量，即连续型变量之间的关系，我们一般使用线性相关分析的方法进行分析测量。

对于连续型变量来说，可以通过线性回归分析来以自变量（X）的数值来估计因变量（Y）的值，即构建线性回归模型来对未知的因素进行预测。但进行回归分析的前提是，变量之间必须存在相关关系。

我们初中曾学过的一元二次方程，即是简单线性回归模型的简写 Y=bX a。其中，b值表示了自变量X对因变量Y的影响大小和方向，是一个分析不对称相关关系的统计方法。但b值的大小没有上限，要根据变量的衡量单位来定，因此很少被用来衡量连续型变量之间的相关程度。

在连续型变量的相关性分析中，我们主要使用皮尔逊（Pearson）的积矩相关系数（简写为 r）来测量连续型变量之间的相关大小和方向。

r 系数与b 系数的不同地方在于，r系数假定X与Y的关系是对称的，而且r的统计值范围是[-1,1]。r系数值越大，就表示线性回归方程式的预测能力越强。r^2称为决定系数（coefficient of determination），反映在某个变量的变化中有多少是受另一个变量的变化所决定。

在社会研究中，要先计算 r 系数值，即先判断变量之间是否存在相关关系，才能决定是否运用线性回归分析法来预测数值。如果r系数值很小，即相关性很弱或者不相关，那么就不要用线性回归方程式来预测，因为这样所犯的误差会很大。

通过皮尔逊（Pearson）方法测量出变量间的相关性大小后，还需要进行显著性检验，以确定基于随机样本数据计算的相关系数是否能推论总体。

接下来，我们将以 "休闲调查.sav" 的数据进行实际案例操作。

研究问题：住房面积和家庭月收入的相关关系是怎样的？

针对该研究问题，SPSS的分析操作如下过程。

（一）打开双变量相关分析对话框，添加变量

操作路径：工具栏“分析”——相关——双变量

将需要分析的“住房使用面积”和“家庭月收入”从左侧的原变量窗口添加到右侧的目标变量窗口。

（二）确定统计量

在变量窗口下，【相关系数】我们这里选择Pearson，前文已经说明，这里不再赘述；【显著性检验】即检验样本是否能够推论总体，这里选择双侧检验（关于单侧检验和双侧检验，后面有机会再详细介绍）；【标记显著性相关】的作用是在显著性水平为0.05和为0.01时以星号进行标记，当显著性水平为0.05时标记一个星号，为0.01时标记两个星号。