文档介绍：简单相关系数又称皮尔逊相关系数,它描述了两个定距变量间联系的紧密程度。样本的简单相关系数一般用r表示,计算公式为:其中n为样本量,分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。r的取值在-1与+1之间,若r>0,表明两个变量是正相关,即一个变量的值越大,另一个变量的值也会越大;若r<0,表明两个变量是负相关,即一个变量的值越大另一个变量的值反而会越小。r的绝对值越大表明相关性越强,要注意的是这里并不存在因果关系。若r=0,表明两个变量间不是线性相关,但有可能是其他方式的相关(比如曲线方式)利用样本相关系数推断总体中两个变量是否相关,可以用t统计量对总体相关系数为0的原假设进行检验。若t检验显著,则拒绝原假设,即两个变量是线性相关的;若t检验不显著,则不能拒绝原假设,即两个变量不是线性相关的皮尔逊相关系数又称“皮尔逊积矩相关系数”,对两个定距变量(例如,年龄和身高)的关系强度的测量,简写τ。这一测量也可用作对显著性的一种检验,其方法是检验解消假设:总体中的τ值为0。若样本τ实际上不等于0,则解消假设可加否定,从而我们可以满意地看到,这两个变量不是无关的,在统计显著性层次上它们是有关的。例如,若我们有一个较大的样本,并发现一个高的样本值τ(例如,90),那么我们不妨否定这一解消假设:这个样本是来自一个其真正的τ值为0的总体,因为假若真正的总体值是0,我们就不可能单纯碰巧取得一个如此高的样本。τ的变化从-1(全负关系),通过0(无关系或无关性),到+1(全正关系)。从直线关系和曲线关系之间的关系来说,τ是对直线关系的一种测量。对τ有两个主要的解释:(1)τ2=所解释的方差额。(2)τ测量围绕回归线散布的程度,也就是说,它告诉我们,我们用回归线可预测的准确程度有多大。1、建立数据库2、按analyze-----correlate------bivarizte顺序单击菜单项,展开一个对话框,在correlationcoefficients中就有Pearson相关系数的选项简单相关系数又称皮尔逊相关系数,它描述了两个定距变量间联系的紧密程度。样本的简单相关系数一般用r表示,计算公式为: 其中n为样本量,分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。r的取值在-1与+1之间,若r>0,表明两个变量是正相关,即一个变量的值越大,另一个变量的值也会越大;若r<0,表明两个变量是负相关,即一个变量的值越大另一个变量的值反而会越小。r的绝对值越大表明