相關性分析介紹
生物和醫學統計中，相關分析屬于流程前端的探索性分析，研究變量間關系及性質，其結果在為下一步采取何種方法做出指引，為資料挖掘之前的基礎工作。
相關系數的選擇
相關分析之前，需要先确認變量的類型，根據具體類型選擇合适的相關系數。Pearson相關系數适用于兩變量的度量水準都是連續數值型，且兩變量的總體是正态分布或者近似正态分布的情況，還有說法認為其樣本量應大于30，可供參考，如果不滿足上述條件，則考慮選擇spearman系數或者kendall系數。
相關分析和回歸分析的聯系及差別
相關分析是回歸分析的前提，回歸分析是相關分析的進一步拓展。
分析步驟
相關圖分析
相關系數
相關系數是對變量之間相關關系密切程度的度量
相關系數的性質
| 取值 | 意義 |
| 線性正相關 | |
| -1 | 線性負相關 |
| r=1 | 完全線性正相關 |
| r=-1 | 完全線性負相關 |
| r=0 | 無線性相關關系 |
| 丨r丨→1 | 線性相關程度越高 |
| 丨r丨→0 | 線性相關程度越低 |
相關系數的劃分
| 取值範圍 | 相關程度 |
| 0.8≤丨r丨≤1 | 高度相關 |
| 0.5≤丨r丨≤0.8 | 中度相關 |
| 0.3≤丨r丨≤0.5 | 低度相關 |
| 丨r丨<0.3 | 弱相關 |
Pearson簡單相關系數
在統計學中，皮爾遜積矩相關系數(Pearson product-moment correlation coefficient)，有時也簡稱為PMCC，通常用r或是ρ表示，是用來度量兩個變量X和Y之間的互相關系(線性相關)的，取值範圍在[-1,+1]之間。皮爾遜積矩相關系數在學術研究中被廣泛應用來度量兩個變量線性相關性的強弱，它是由Karl Pearson在19世紀80年代從Francis Galton介紹的想法基礎發展起來的，但是發展後原想法相似但略有不同的，這種相關系數常被稱為“Pearson的r”。
Pearson線性相關系數隻是許多可能中的一種情況，為了使用Pearson線性相關系數必須假設資料是成對地從正态分布中取得的，并且資料至少在邏輯範疇内必須是等間距的資料。如果這兩條件不符合，一種可能就是采用Spearman秩相關系數來代替Pearson線性相關系數。
SPSS操作執行個體
1. 界面
2. 參數設定
3. 簡單散點圖
4. 結果分析
4.1散點圖
4.2相關性
Person相關系數為0.112，且顯著性水準為0.012，不相關的假設不成立