相关分析的r值，代表的是你所输入的数据中，变项之间关系；正值代表正向关系，负值代表负向关系，数值越大，关系越强。然而，这个解释还要视乎你所输入数据(data)的性质：到底是一个样本(sample)，抑或已经是一个总体(population)。
若你所输入的数据为後者(一个总体)，亦即不需要进行统计推论，那麼，大可不必理会这个p值，直接解释统计值r即可。但若为前者(一个样本)，亦即要把样本情况推论到总体，那麼便要进行「统计检定」，以确定样本情况是由於抽样所做成的误差，抑或，总体的情况确实是如此。这时候便要观察这个p值。
我pkl_is_pkl首先简单说一下「统计检定」。就是先就总体的情况定一个「假设H」(比如讲，总体相关为0或者某个值)，按这个假设情况抽出样本并计算其统计值，每抽一次便可得出一个样本统计值，这些样本统计值有些的出现次数较多，有些则较少，按统计值的大小排列起来，统计值的「出现次数」便会形成一个「分配」(distribution)，假设进行无限次抽样因而形成了一个「抽样分配」(sampling distribution)，「出现次数」就是样本统计值被抽中(出现)的机会率。统计学家老早把这个「抽样分配」建立好，如今你只要把你计算出来的样本统计值r，拿来跟这个抽样分配作出比较即可，而那个p值其实就是指在「抽样分配」中，该样本统计值出现的机会率，数值越小，即在上述「假设H」下出现此样本统计值的机会越低，即所谓的「显著」。
所以，当p值很小(即所谓的「显著」)的时候，我们可以比较有信心推论说，拒绝「假设H」，亦即拒绝原先设定的「总体的相关为0或者某个值」的假设。因为「假设H」若真实存在，而又抽出一个这样的样本，机会率就只有p，当然，这不是说没有可能，只是很低就是了。换句话说，当拒绝「假设H」，这个p值其实就是推论错误的机会率。相反，当p值很小时，你仍然坚持接受「假设H」，即表示你猜对的机会率很低，当然，这也不是说没有可能，但你犯错的机会很大就是了，而1-p值就是你推论错误的机会率。
反过来说，当p值不是很小的时候(即所谓的「不显著」)的时候，我们便难以有信心作出推论说拒绝「假设H」，因为毕竟有机会抽出这样的一个样本(机会率就是p值)。亦即，我们无法把样本的情况推论到总体，因为我们无确定样本情况是否由於抽样做成。
回到你的问题。spss进行相关分析，一般如果没有特别设定，是假设总体相关为0的。而现在得出的r值没有星号,且P值大于0.05，亦即是所谓的「不显著」，因此，我们难以有信心否定「总体相关为0」的假设。因为从统计理论上说，「总体相关为0」也有可能抽出现时的样本(机会率就是p值)。简单一句话，就是无法从样本的情况推论到总体，样本中的所呈现相关情况(r值)「可能」并不存在於在总体中。
追问谢谢您的解答，那每个维度下面题目不等，能用SPSS进行相关分析吗？比方说，总共二十道题，第一个维度5道题，第二个维度3道题，第三个维度2道题，能进行每个维度得分与总分的相关分析么？谢谢