变量的相关关系

积少成多，水滴石穿

水涨船高; 水落石出; 水滴石穿; 水到渠成; 月明星稀; 心宽体胖; 心烦意乱; 心平气和; 星移斗转; 风起云涌; 风流云散; 风吹草动; 风平浪静; 天高云淡; 秋高气爽; 登高望远; 夜深人静; 名正言顺; 教学相长; 瓜熟蒂落; 树大招风; 打草惊蛇; 才疏学浅; 损人利己; 吃一堑,长一知等等

你是不是定义变量的时候没有定义分组变量？单独拟订一个分组的变量。在分析时候把该变量放入Grouping variables里面即可. 打开spss后，进入Variable View，就可以定义变量了。你可以设定一个分组变量。Values中设定1代表一组，2代表另一组。 具体还是用ONE WAY ANOVA，把定义的分组变量选如Factor，要分析的方差的变量选如Dependent List。

你是有2个变量，还是很多变量？你的概念是模糊的我替别人做这类的数据分析蛮多的

做论文，你可以在知网上或者其他专业学术网站上找到硕博论文进行参考，上面的内容都比较详细。一般来说，题目是两者相关的研究论文，就做人口学变量的频率分析、人口学变量对两个变量的影响（也就是t检验或者f检验）、还有两个变量相关分析，如果显著相关，

可以，但是你要事先有初步的假设哪个变量是自变量，哪个变量是因变量，然后通过回归分析来验证两者之间的因果关系

三个或三个以上变量的相关关系称为复相关。两个因素之间的相关关系叫做单相关，即研究时只涉及一个自变量和一个因变量。三个或三个以上因素的相关关系叫做复相关，即研究涉及两个或两个以上的自变量和因变量。复相关系数是测量一个变量与其他多个变量之间线性相关程度的指标。它不能直接测算,只能采取一定的方法进行间接测算。一个要素或变量同时与几个要素或变量之间的相关关系。复相关系数是度量复相关程度的指标，它可利用单相关系数和偏相关系数求得。复相关系数越大，表明要素或变量之间的线性相关程度越密切。复相关系数(多重相关系数)：多重相关的实质就是Y的实际观察值与由p个自变量预测的值的相关。前面计算的确定系数是Y与相关系数的平方，那么复相关系数就是确定系数的平方根。

变量的相关关系如下：相关关系指多个变量间的变化有关联，其按某种规律在一定范围内变化的关系。有相关性、哪怕是很强的相关性也不能代表因果关系，我们只能依据相关的情况推测。相关关系在生活中最广泛，几乎涵盖了生活中的方方面面，很多人也会把相关关系当作因果关系。相关关系的分类1、按方向正相关：两个变量的变化趋势相同，一个变量随别的变量的增减而增减；负相关：两个变量的变化趋势相反，一个变量随别的变量的增减而减增。2、按程度完全相关：一个变量的变化由另一个变量的变化确定，即函数关系；不完全相关：若两个变量的变化互相独立，则这两个变量不相关；不完全相关指两个变量间的关系介于不相关和完全相关之间。3、按变量的数量单相关：相关关系只反映一个自变量和一个因变量；复相关：反映两个及两个以上的自变量同一个因变量的相关关系；偏相关：研究因变量与两个或多个自变量相关时，如果把其余的自变量看作常量，只研究因变量与其中一个自变量之间的相关关系。相关性分析步骤1、计算相关系数首先处理好数据集，让数据格式规范。如果用excel的话，就选中要分析相关性的变量，用correl()或pearson()函数，这两个函数只是计算公式不同，结果是一样的；用Excel中的“数据”-“数据分析”-“相关系数”这个步骤也可以。如果用的是python，就先导入数据集，然后用.corr()函数计算，它可以看到导入数据的任意两个变量间的相关性。如果两个变量间的变化一致，则相关系数r>0，变化方向相反，则r<0；变量间无线性关系则r=0，但要注意，无线性关系不代表不存在关系，其他情况就可以做拟合、回归的计算。2、数据可视化：散点图一般可以通过散点图了解变量间的大概关系。如果变量之间不存在相互关系，那么在散点图上就会表现为随机分布的离散的点；如果存在某种相关性，那么大部分的数据点就会相对密集并以某种趋势呈现。一个简单的相关性分析的步骤就像上面那样，如果大家有需求，回头可以做一个实例或者做更多的相关分析。

【答案】：D等级相关的适用范围是：①原始变量值用等级表示；②总体分布型未知；③不服从双变量正态分布。选项A（工型回归），B（n型回归），C（积差相关）及E（简单相关）都是属于参数分析方法。研究两定量变量的相关关系时，如果数据不满足双变量正态分布，选项中只有D（等级相关）才可以。故选D项。

【答案】：D等级相关的适用范围是：①原始变量值用等级表示；②总体分布型未知；③不服从双变量正态分布。选项A（工型回归），B（n型回归），C（积差相关）及E（简单相关）都是属于参数分析方法。研究两定量变量的相关关系时，如果数据不满足双变量正态分布，选项中只有D（等级相关）才可以。故选D项。