用回归分析。相关分析也可以用来做分析，但不太合适。自变数很多的话先进行主成分分析，筛选自变数，再建立回归模型。
可以采用简单的相关分析
也可以试着采用回归分析，不过回归分析一次只能一个因变数。。
也可以用 典则相关分析
典型相关分析
第1节 方法的概述
研究2组变数之间的相关性，是许多实际问题的需要。例如，研究病人的各种临床症状(X1、… 、Xp)与所患各种疾病(Y1、… 、Yq)之间的相关性；研究原料的主要质量指标(X1、… 、Xp) 与其相应产品的主要质量指标(Y1、… 、Yq)之间的相关性；研究居民的营养状况的一组指标(X1、… 、Xp)与其健康状况的另一组指标(Y1、… 、Yq)之间的相关性等等。当p＝q＝1时，就是2个变数之间的简单相关分析问题；当p＞1、q＝1时，就是1个因变数与多个自变数之间的多元相关分析问题；当p、q均大于1时，就是研究2组多变数之间的相关性，称为典型相关分析(Canonical Correlation Analysis)。
利用主成分的思想，可以把多个变数之间的相关化为两个变数之间的相关。胀是找1组系数A＝(a1、… 、ap)'及B＝(b1、… 、bq)'，使得新变数与
之间有最大可能的相关系数， 称（V1, W1）为第1对典型相关变数，它们之间的相关系数r(V1,W1)简记为r1；同理,可求得第2、第3、 …、第K(K小于等于p, q中较小者)对典型相关变数以及与之对应的相关系数r2、… 、rk。各对典型相关变数所包括的相关资讯互不交叉，且满足:
① ;
② ;
③各Vi和Wi的均数都为0，方差都为1。
求出典袖量对和典型相关系数后，把具有显著意义的典型相关系数所对应的典袖量对保留下来，并给予合理的解释，是典型相关分析作得好坏的关键。
第2节 用CANCORR过程实现典型相关分析
[例6.6.1] 某医学院对MEFV(最大呼气流速─容量)曲线进行研究，测定了103例50～79岁正常男性的MEFV曲线资料，这里挑选其中的6项指标，把它们分为2组：一组为2个(p=2)反映用力肺活量指标─X1(用力肺活量(L))和X2(第1秒用力肺活量(L))；另一组为4个 (q=4)反映呼气流速的指标─Y1(最大呼气中期流速(L/S))、Y2(用力呼气后期流速(L/S))、Y3(拨出50％肺容量时最大流速 (L/S))、Y4(拨出75％肺容量时最大流速(L/S))。试作MEFV曲线中这两组指标的典型相关分析。
6项指标构成的相关矩阵见[D6P15.PRG]，其中行与列的指标顺序依次为X1、X2、Y1至Y4，如X1与Y4的简单相关系数为0.3019。
[SAS程式]──[D6P15.PRG]
DATA FGH(TYPE=CORR);
INPUT _NAME_$ 1-2 (X1 X2 Y1-Y4) (8.);
_TYPE_='CORR';
CARDS;
X1 1.0 0.8491 0.5106 0.2497 0.5285 0.3019
X2 0.8491 1.0 0.8062 0.5438 0.7887 0.6064
Y1 0.5106 0.8062 1.0 0.7833 0.9284 0.8364
Y2 0.2497 0.5438 0.7833 1.0 0.6457 0.9051
Y3 0.5285 0.7887 0.9284 0.6457 1.0 0.7079
Y4 0.3019 0.6064 0.8364 0.9051 0.7079 1.0
;
PROC CANCORR EDF=102;
VAR X1 X2;WITH Y1-Y4;RUN;
[程式修改指导] 在资料集名FGH后用TYPE=CORR注明资料的型别为相关矩阵，而不是原始资料。INPUT语句中用“_NAME_contentrdquo; 读取左侧的变数名,“1-2”表示变数名的字元落在第1、2列上，“(X1 X2 Y1-Y4)”表示各列资料所对应的变数名,“(8.)”表示读取资料的宽度均为8列(注∶相关系数占6位，其后的空格占2位)，_TYPE_＝ 'CORR'表示资料型别为相关矩阵。
选择项EDF=N-1,为典型相关分析提供一个计算误差自由度的参考值, 因为该过程中没有合适的选择项可以将原始资料的样本含量N准确地送入。 如果忽略这一选择项，将以预设值N=10000作为样本含量参与有关计算和统计检验，不够妥当。
如果输入的是原始资料, 则程式可改写成下面的形式∶
DATA FGH;
INPUT X1 X2 Y1-Y4; CARDS;
3.3460 2.4104 2.3893 0.4263 2.9515 0.9338
…… (注: 省略号处还有N-1行资料)
;
PROC CANCORR;
VAR X1 X2; WITH Y1-Y4; RUN;
[输出结果及其解释] Canonical Correlation Analysis
Adjusted Approx Squared
CanonicalCanonical Standard Canonical
Correlation Correlation ErrorCorrelation
1 0.873549 0.869170 0.0234580.763089
2 0.286114 0.256837 0.0909090.081861
求得第1对典袖量(V1，W1)之间的典型相关系数r1=0.873549，校正值为0.869170、标准误差为0.023458、典型相关系数的平为0.763089;第2行是第2对典袖量(V2,W2)的有关结果。
Eigenvalues of INV(E)*H
= CanRsq/(1-CanRsq)
Eigenvalue Difference Proportion Cumulative
1 3.2210 3.1318 0.9731 0.9731
2 0.0892 . 0.0269 1.0000
这是与r2／(1-r2)相对应的2个特征值，依次为3.2210和0.0892。r2为典型相关系数之平。
Test of H0: The canonical correlations in the current
row and all that follow are zero
Likelihood
RatioApprox F Num DF Den DFPr > F
1 0.21751744 27.74548 1940.0001
2 0.918138552.91263 980.0382
可以通过“多分类Logistic回归”完成,Analyze——Regression——Multinomial Logistic Regression
▲ Dependent:战略型别 ▲ Factor (s) :自变数(分类变数) ▲ Covariate (s) :自变数(连续性变数)
Model ⊙M ain effect (预设) （主效应模型,不分析自变数的互动效应） 点选Statistics选√ L ikelihood ratio test √ Parameter est imates (预设) ——OK 结果出现多套（战略型别若分为3类,就有两套）Logist ic 回归系数
卡方检验，相关分析，回归分析等，都可以做的。（南心网为您解答SPSS资料分析问题）
要用到AMOS了，用SPSS和AMOS结合起来做
1、首先,大家平时理解的变数是单纬的,而不是你说的多维的.因此,对spss而言,X1、X2、X3、Y1、Y2、Y3分别是6个变数.
2、spss的相关性分析中可以分别统计这6个变数间的相关性.通过他们之间相关性的计算,你或许可以得到你所说的X与Y之间的相关性,但这种相关性只是你推测的定性描述而已,是不能定量描述的.
3、主成分分析,目的是将分析物件的多个维度简化为少数几个维度,方便分析,这样做的前提是维度很多且其中的多个维度之间有较强的相关性.而不是你想象的可以把X1、X2、X3降维成一个变数,因为只有三个维度,已经很少了,这三个维度可以做降维分析的可能性几乎没有.
4、回归分析,只有一个因变数,可以有多个自变数,最终算得因变数与自变数间的回归关系.
估计你只是自己想象了一个例子,实际中一般是不会有这样的分析案例的.
回归和相关分析是两回事，你好像把它们混为一谈了
我经常帮别人做这类的资料统计分析的
多元方差分析，对应多个因变数
有什么怎么办的？那结论就是不大了啊，你还要纠结什么？非要把女人说成男人吗？