crosstabs.
打开导航
打开分析工作区

SPSS 命令: SPSS CORRELATIONS

在浏览器中计算 Pearson、Spearman 与 Kendall 相关

相关系数衡量两个变量共同变化的紧密程度，取值从 −1 到 +1。

用示例数据试一试用自己的文件运行

免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日

能告诉你什么

Crosstabs 在你的设备上生成 SPSS 风格的 CORRELATIONS 与 NONPAR CORR 矩阵：Pearson r 衡量线性关联，Spearman rho 与 Kendall tau-b 衡量单调关联，均附显著性、N 和可选的显著性标记。

  • 所选变量两两之间关联的方向和强度。
  • 每个系数是否显著不为零：单尾或双尾显著性，并在 .05 与 .01 水平上以 * / ** 标记。
  • 基于 Fisher z 变换的 Pearson r 95% 置信区间，反映相关估计的精确程度。
  • 秩相关系数是否与 Pearson 结论不同——这往往提示存在离群值，或关系呈曲线但单调。

适用场景

适合使用

  • 一次筛查多个问卷条目或业务指标，看哪些共同变化。
  • 两个大致呈线性关系的连续变量：使用 Pearson r 及其置信区间。
  • 有序评分、偏态变量或含离群值的数据：使用 Spearman rho 或 Kendall tau-b。

改用其他方法

  • 可能有第三个变量同时影响二者：使用偏相关加以控制。
  • 需要用多个变量预测一个变量：使用线性回归。
  • 两个变量都是名义类别：应改用交叉表中的卡方检验与 Cramér V。

在 Crosstabs 中如何操作

  1. 01

    选择“双变量相关”

    在“统计”模式中打开“相关”→“双变量相关”（CORRELATIONS）。

  2. 02

    勾选变量

    在“变量”中至少勾选两个数值变量，矩阵会列出每一对。

  3. 03

    选择相关系数与尾数

    在“相关系数”中勾选“Pearson”“Kendall tau-b”和/或“Spearman”，再选择“双尾”或“单尾”。可勾选“标记显著性相关”和“Pearson 的 95% 置信区间（Fisher z）”。

  4. 04

    选择缺失值处理方式

    “成对排除个案”对每一对使用两个变量均有效的全部个案；“成列排除个案”则让整个矩阵使用同一组完整个案。

  5. 05

    运行相关分析

    点击“运行相关分析”。若工作区设置了权重，需先声明：频数权重会参与计算，抽样权重只给出加权的 Pearson 系数。

在浏览器中运行双变量相关

计算示例

以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。

用示例数据试一试

数据

40 名模拟员工，变量为司龄（年，右偏）、敬业度得分和上一年缺勤天数。敬业度随司龄对数略有上升，缺勤天数随敬业度升高而下降；三者均由固定随机种子生成。

相关性（Pearson）
项目tenureengagementabsence
tenure — 皮尔逊相关性1.0000.1660.013
tenure — 显著性（双尾）.306.938
tenure — 95% 置信区间−0.153, 0.454−0.300, 0.323
engagement — 皮尔逊相关性0.1661.000−0.367*
engagement — 显著性（双尾）.306.020
engagement — 95% 置信区间−0.153, 0.454−0.609, −0.063
absence — 皮尔逊相关性0.013−0.367*1.000
absence — 显著性（双尾）.938.020
absence — 95% 置信区间−0.300, 0.323−0.609, −0.063

每对变量 N = 40。**. 在 0.01 级别（双尾）显著。*. 在 0.05 级别（双尾）显著。置信区间采用 Fisher z 变换。

非参数相关性 — 斯皮尔曼 Rho
项目tenureengagementabsence
tenure — 斯皮尔曼 Rho1.0000.263−0.067
tenure — 显著性（双尾）.102.683
engagement — 斯皮尔曼 Rho0.2631.000−0.350*
engagement — 显著性（双尾）.102.027
absence — 斯皮尔曼 Rho−0.067−0.350*1.000
absence — 显著性（双尾）.683.027

结果解读

敬业度与缺勤天数呈反向变化：Pearson r = −0.37（95% 置信区间 −0.61 至 −0.06，p = .020），斯皮尔曼 Rho = −0.35。司龄分布偏态，其与敬业度的 Pearson r = 0.17，斯皮尔曼 Rho = 0.26；两者不一致时，对于单调但非线性的关联，基于秩的系数是更稳妥的描述。

输出表格说明

相关性
Pearson 矩阵：每对变量的皮尔逊相关性、显著性（双尾或单尾）、N，以及（如勾选）95% 置信区间（下限，上限）。脚注说明标记含义与缺失值规则。
非参数相关性
Kendall tau_b 与斯皮尔曼 Rho 各一个矩阵，均附显著性和 N，版式与 Pearson 表相同。

前提假设与注意事项

  • Pearson r 只反映线性关联；强烈的曲线关系也可能使 r 接近零。
  • Pearson 显著性假定个案独立、两变量近似二元正态；秩相关系数只要求有序数据。
  • 成对删除时各系数的 N 可能不同，比较系数时需谨慎。
  • 频数权重在 Pearson 中按原值使用（N = 权重之和）；Spearman 与 Kendall 则按四舍五入为整数的权重复制个案。

结果如何验证

相关引擎以参考值由独立的参考实现使用 SciPy 1.18.1、statsmodels 0.15.0、pingouin 0.7.0 与 scikit-posthocs 0.17.1 生成：在成对删除和成列删除两种方式下，Pearson、Spearman 与 Kendall tau-b 系数及双尾、单尾 p 值均对照 scipy.stats，Pearson 的 Fisher z 置信区间同样核对；整数频数权重与 SciPy 在复制个案上的结果一致，Pearson 的小数权重对照 statsmodels DescrStatsW（df = W − 2）。容差为 1e-9（相对于 1 与参考值中较大者）。 验证证据（英文）

常见问题

Pearson、Spearman 还是 Kendall，应该选哪个？

连续变量之间大致呈线性关系时用 Pearson；有序数据或单调但呈曲线的关系用 Spearman；Kendall tau-b 能较好处理大量结，常用于小样本评分数据。

r 的置信区间如何计算？

采用 Fisher z 变换：atanh(r) ± 1.96/√(N − 3)，再用 tanh 变换回来。不做偏差校正，且只为 Pearson 提供置信区间。

应选成对删除还是成列删除？

成对删除让每个系数保留更多数据；成列删除保证所有系数来自同一批个案，若矩阵还要用于后续分析，这一点很重要。

什么情况下适合用单尾检验？

只有在查看数据前就预测了方向时才适合。在预测方向上，单尾 p 等于双尾 p 的一半。

相关显著是否意味着一个变量导致另一个变量？

不意味着。它只说明两个变量在本数据中共同变化；共同的驱动因素、反向因果或样本选择都可能产生同样的系数。

相关过程

用你自己的数据运行双变量相关

打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。

打开分析工作区

SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。