相关系数怎么看?
相关分析用于研究定量数据之间的关系情况,包括是否有关系,以及关系紧密程度等.此分析方法通常用于回归分析之前;相关分析与回归分析的逻辑关系为:先有相关关系,才有可能有回归关系。
相关系数
相关系数（pearson相关系数）是根据样本数据计算的度量两个变量之间线性关系强度的统计量。有时pearson相关也称为积差相关或者积矩相关，基本原理是假设存在两个变量X和Y，则两个变量的皮尔逊相关系数可以通过以下公式进行计算：
式中E为数学期望，N为样本容量。以上都可以计算皮尔逊相关系数。
SPSSAU在相关分析中提供
正态性检验
相关分析要求数据服从正态分布，因此分析前需要检验数据的正态性。正态性有多种检验方法，常见方法如：正态图、正态性检验、P-P图/Q-Q图等。
线性趋势
当两个定量数据在散点图上的散点呈现直线趋势时，就可以认为两者存在直线相关趋势，这也是相关分析的一个基本前提。
从上表可知，利用相关分析去研究公司满意度和人际关系, 机会感知, 离职倾向, 工作条件共4项之间的相关关系，使用Pearson相关系数去表示相关关系的强弱情况。
其中上表展示了各个变量的均值标准差以及相关系数等，例如：公司满意度的平均值为3.291，标准差为0.541，人际关系的平均值是3.748，标准差为0.616，机会感知的平均值3.322以及标准差为0.602，以此类推。
相关系数取值一般在-1~1之间。绝对值越接近1说明变量之间的线性关系越强，绝对值越接近0说明变量间线性关系越弱。
相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性。0.3到0.8之间，可以认为有弱的相关性。0.3以下，认为没有相关性。
皮尔逊相关系数变化从-1到 +1，当r＞0表明两个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；r＜0表明两个变量是负相关，即一个变量的值越大另一个变量的值反而会越小。
扩展资料；
相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。
参考资料来源：百度百科-相关系数