文档介绍：第9章 spss的相关分析和线性回归分析
相关分析和回归分析是统计分析方法中最重要内容之一，是多元统计分析方法的基础。相关分析和回归分析主要用于研究和分析变量之间的相关关系，在变量之间寻求合适的函数关系式，特别是线性表达式。
本章主要内容：
对变量之间的相关关系进行分析（Correlate）。其中包括简单相关分析（Bivariate）和偏相关分析（Partial）。
建立因变量和自变量之间回归模型（Regression），其中包括线性回归分析（Linear）和曲线估计（Curve Estimation）。
数据条件：参与分析的变量数据是数值型变量或有序变量。
本章内容
相关分析
偏相关分析
线性回归分析
曲线估计
二项Logistic回归
相关分析基本步骤：
如果两个定量变量没有关系，就谈不上建立模型或进行回归。但怎样才能发现两个变量有没有关系呢？
最简单的直观办法就是画出它们的散点图。下面是四组数据的散点图；每一组数据表示了两个变量x和y的样本。
第1点
不相关
正线性相关
负线性相关
相关但非线性相关
但如何在数量上描述相关呢？下面引进几种对相关程度的度量。
Pearson相关系数
Spearman 秩相关系数
Kendall t 相关系数
Pearson相关系数（Pearson’s correlation coefficient）又叫相关系数或线性相关系数。它一般用字母r表示。
它是由两个变量的样本取值得到，这是一个描述线性相关强度的量，取值于-1和1之间。当两个变量有很强的线性相关时，相关系数接近于1（正相关）或-1（负相关），而当两个变量不那么线性相关时，相关系数就接近0。
Pearson相关系数的局限性：
①要求变量服从正态分布
②只能度量线性相关性，对于曲线相关等更为复杂的情形，该相关系数的大小并不能代表相关性的强弱。如果Pearson系数很低，只能说明两变量之间没有线性关系，并不能说明两者之间没有相关关系。也就是说，该指标只能度量线性相关性，而不是相关性。（线性相关性隐含着相关性，而相关性并不隐含着线性相关性）
另外：样本中存在的极端值对Pearson相关系数的影响极大，因此要慎重考虑和处理，必要时可以对其进行剔出，或者加以变量变换，以避免因为一两个数值导致出现错误的结论。
Spearman 秩相关系数
它和Pearson相关系数定义有些类似，只不过在定义中把点的坐标换成各自样本的秩（即样本点大小的“座次”）。
, 为两变量各自对应的秩， 为对应的秩之差。
Spearman相关系数也是取值在-1和1之间，也有类似的解释。