相关分析的目的是分析两组数据之间是否存在相互影响，以及是否存在相互独立的变动。 PSS内部提供了一些分析数据相关性的方法，例如卡方检测、对等相关系数计算、对等相关系数计算和Kendall的tau-b(K ) k相关系数计算。 这四种分析方法适用于不同的数据类型。 介绍一般的SPSS相关分析方法。
1 .卡方检验(Chi-SquareTest ) )。
卡方检验(Chi-SquareTest )是Pearson提出的一种统计方法，通过在一定置信度和自由度下比较卡方统计量和卡方分布函数的概率值，判断实际概率是否与期望概率相符，进而确定两个分类变量之间的相关性
卡方检验(Chi-SquareTest )应用于不服从正态分布的数据，两组变量是无序的。 使用SPSS进行卡片检查的操作方法，可以登录SPSS中文网站进行学习，这里只介绍原理。 图1是单用某些药物联合药物和放疗时治疗是否有效的卡方检验结果。
图1某地疾病发病人数统计
案例处理摘要显示有效数据和无效数据的数量。 VAR00001*VAR00002交叉图显示各变量对应的频率，VAR00001列1表示单独用药，2表示联合药物，VAR00002行1表示有疗效人数，2表示无疗效人数。
矩阵变量分别为两组，自由度为(2-1) (2-1)=1，皮尔森2值为22.475，显著性数值为0.000 )且小于0.05，存在显著性差异，无关假设不可接受。 即单用药物与药物放疗同时存在显著差异。
2 .皮尔森相关系数的计算
Pearson相关系数用于评估两组数据是否呈线性关系，不能用于呈曲线关系的数据。 线性相关越强，人员相关系数越接近1 (线性增加)或-1(线性减少)。 图2是一系列数据的线性相关检验，Peason相关系数0.984显示两者有强线性相关，一般认为0.3无相关，0.3~0.7有弱相关，0.7有强相关。
图2皮尔森的检查结果
3.Spearman相关系数计算
Spearman相关系数适用于不满足线性关系且不满足正态分布的数据，但如图3所示，实际上是随机生成的2组数据，若用Spearman相关系数计算，则0.257、0.3为不相关，pearman相关系数为0.257
图3Spearman相关系数的计算
4.Kendall的tau-b(k )相关系数计算
要对Kendall的tau-b(k )进行分析，必须满足以下三个条件：
1 .两个变量是有序的分类变量
2 .两个变量对应的研究对象是一定的。
例如，调查工资与学历的关系，发现两个变量的学历和收入都是等级变量，满足条件1的两个变量都对应同一研究对象。 是一个地区内所有工作的成年人。 符合条件2。 收入等级分别为1高收入、2中收入、3低收入，学历等级分别为1高学历、2中等学历、3低学历。 结果分析如图4所示。 相关系数为0.480，呈弱相关。
图4Kendalltau-b系数的计算
应采用不同的统计方法对不同类型的数据进行相关分析，SPSS内置丰富的统计计算功能，足以满足不同统计数据的使用需求。