spss相关性分析—以问卷数据为例话不多说直接上干货回归分析：
1.先做自变量与调节变量的交互项
SPSS操作：转换-计算变量-变量对话框选择要分析的变量-点击确定
点击变量视图查看变量是否增加成功
调节作用检验
SPSS操作：分析-回归-线性-因变量(DJZ)-自变量(控制变量)-点击下一张-自变量(AJZ)-点击下一张-自变量(调节变量CJZ)-点击下一张(交互项AC)-统计量勾选R方变化-点击确定
得到如下ModelSummary和ANOVA表，表中用红色表示的数据，是整理后要用在论文中的，其中ANOVA表Sig值用来判断F值的显著水平，即有几个星星，不用于论文写作中。
在得到的如下所示Coefficients(a)表的结果中提取StandardizedCoefficientsBate数据，并根据Sig列的数值在Beta值上打星号(在论文的表格中不需要出现sig数据)。
打星的判别标准如下：
Sig.在0.01~0.05为*
Sig.在0.~0.01为**
Sig.在0.以下为***
备注：只要满足以上区间要求，不管StandardizedCoefficientsBeta是正是负，都要相应数据旁标上相应的星数。
将以上这些结果整理成下面的表格放在论文中即可(在论文页面中表格要居中放置)。具体如下：
注：所列数据为标准系数；*p.05
调节效应图
该部分需要SPSS软件的PROCESS插件完成。这部分不详细介绍，下一部分会详细介绍。下图是组织认同在变革型领导与员工创造力的调节效应图，该图可直接放入论文中使用。
注意：文章太长删掉了一部分拿原文的记得找我
问卷分析之SPSS相关分析、相关系数矩阵(Pearson)
一般相关性检验会用到两种系数：皮尔逊和斯皮尔曼。这两个系数的区分点就是皮尔逊研究的是连续变量，而斯皮尔曼研究的是有序变量，例如大一、大二、大三这些中间无法细分的数据。
M：均值，SD：标准差
实例：比如下图这个模型，我们对所有的因子做相关分析同时生产相关系数矩阵。
我们在SPSS中导入excel数据。因为每一个因子包含很多题项，因此我们要对题项做个降维处理，把一个因子的题项变成一个变量。步骤如下：
00.在转换-计算变量给维度取名并取题项的平均值。
00.以此类推，将所有题项都降维。
之后就可以开始进行双变量的相关分析，步骤如下：
打开分析-相关-双变量
我们把降维后的数据放入变量，默认选择皮尔逊双尾检验。
我们把得出的矩阵复制到word里，并删除掉显著性和个案数这两行。
同时，我们把每行1右边的数据删除，因为是对称的关系。
最后得到的相关性矩阵如下：
友情提醒：在数据分析之前一定要先确定好你是做的路径分析还是回归分析，如果是回归分析那么相关性分析是一定要做的；而如果是相关根本不必要去做相关分析。
扫码