一种现象的发展变化必然受与之相联系的其他现象发展变化的制约和影响。在统计学中，这种依存关系可以分成相关关系和回归函数关系。
（1）相关关系现象之间存在着非严格、不确定的依存关系。
特点：某一现象在数量上发生变化会影响另一现象数量上的变化，而且这种变化在数量上具有一定的随机性。
例如：影响销售额的因素除了推广费用外，还有产品质量、价格、渠道等因素。
指现象之间存在依存关系。
对于某一变量的每一个数值，都有另一个变量值与之相对应。
可用 数学表达式 反映出来。
相关分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。例如，人的身高和体重之间；空气中的相对湿度与降雨量之间的相关关系都是相关分析研究的问题。
相关分析与回归分析之间的区别：回归分析侧重于研究随机变量间的依赖关系，以便用一个变量去预测另一个变量;相关分析侧重于发现随机变量间的种种相关特性。
相关分析是基础统计分析方法之一，它是研究两个或两个以上随机变量之间相互依存关系的方向和密切程度的方法。相关分析目的：研究变量间的相关关系，通常与回归分析等高级分析方法一起使用。相关关系可分为：
线性相关——直线相关
非线性相关——曲线相关
线性相关最常用的一种，当一个连续变量发生变动时，另一个连续变量相应地呈现关系变动，用皮尔逊（Pearson）相关系数 r 来度量。
皮尔逊相关系数 r 就是反应连续变量之间线性相关强度的一个度量指标。
在进行相关分析前，通常绘制散点图来观察变量间的相关性，如果这些变量在二维坐标中构成的数据点分布在一条直线的范围，那么就说明变量之间存在线性相关关系。
相关关系不等同于因果关系。
相关性关系：两个变量同时变化
因果关系：一个变量导致另一个变量变化
通过“超市销售数据”案例学习如何用SPSS进行相关分析。
导入.sav数据 绘制散点图单击【图形】——【旧对话框】——【散点图/点图】——【简单散点图】——【定义】
弹出的【简单散点图】对话框中，将“广告费用”变量移至【X轴】框中，将“销售额”变量移至【Y轴】框中——【确定】
销售额与广告费用关系散点图：
从图中可以看出，两个变量之间存在明显的线性正相关关系，“销售额”随着广“广告费用”的增加而相应增加。 相关分析操作
单击【分析】——【相关】——【双变量】——【双变量相关性】
将“广告费用”、“销售额”两个变量移至右侧的【变量】中，这两个变量均是连续变量，，保持【相关系数】框中默认勾选的【皮尔逊】复选框，其它选项都保持默认设置，单击【确定】按钮，即出相关分析结果。
从图中可以看到广告费用和销售额的皮尔逊相关性 r = 0.816 ，为高度正相关关系，显著性（P值）=0.000<0.01 ，具有极其显著的统计学意义，从实际意义来讲，投入的广告费用越多，销售额也就相应越大。
我们来多验证几个变量：
广告费用和客流量，客流量和销售额变量之间的关系：
按照上面的步骤，将广告费用、销售额、客流量移至变量中
从表中可以看出，销售额、广告费用、客流量三个变量两两之间的相关系数 r 都大于0.8 ，三个变量两两之间都具有高度正向相关关系，并且就有极其显著的统计学意义。
再举个例子：
某地区统计了机电行业的销售额Y 和汽车产量 X（如表 所示），请使用 SPSS计算 Y 与 X 的相关系数。
操作步骤如下：
创建 SPSS 数据文件；
【分析】——【相关】——【双变量】——将销售额与汽车移至【变量】中，直接单击 确定 进行分析
从结果可以看出：
从销售额Y与汽车产量的相关系数 r=0.901 ， 为高度正相关关系，显著性（P值）=0.000<0.01水平下线性关系显著。
参考来源：
https://wenku.baidu.com/view/6cd0d05869d97f192279168884868762cbaebb4c.html
https://blog.csdn.net/qq_40605167/article/details/89277511
《谁说菜鸟不会数据分析-SPSS篇》