spss的pearson结果不是自己想要的怎么办

这个首先要看你的变量数据是否都属于连续性数据,如果都是连续性数据,然后绘制一下变量的散点图,看看是否是显著的不符合正态分布,如果完全不符合的话那就只能用其他的来分析,如果只是略微偏态还是可以用pear

第一个表：n=66>40,最小期望频数=9.86>5,使用pearson卡方值,卡方值=3.771,P=0.052>0.05,按检验水准为0.05下,无统计学意义,即尚不能认为两组的缓解率有羞怯差异.

看sig.,按照你选择的置信度,一般会默认选择5%,由于你选择双侧检验,所以就是将sig对2.5%对比,如果sig大于2.5%,则可以拒绝原假设,相反则不能拒绝,这里的sig就等于P值再问：所以说在1

一般带一个星号的是水平0.05,两个星号的是0.01,没有星号的不显著

1.相关系数只能说明关性的强弱,没有方向性的.比较(A、B、C)->Y的影响力,应进行多元线性回归分析,比较标准化回归系数大小.2.要证明A、B、C是Y的影响因素,只用相关分析得出显著相关,是不够的.

不相关.一般来说相关性大小要看显著性达到什么程度.显著性越小说明相关程度越高.显著性小于0.05则为显著先关,小于0.01则为极显著相关.大于0.05则说明不相关,或者相关性不强,也可以简单理解为不相

表1和表2用两种方法给出皮尔森相关系数r和P值（Sig）表1：r=1,P=0.945>0.05没有相关性表1：r=1,P=0.200>0.05没有相关性表3用了ANOVA（方差分析）分析显著性P=0.

看你的分析是否有必要控制无关变量后进行相关,如果没有必要,就采用直接相关来解释就可以了不过如果严谨的来说,应该是采用偏相关的结果,这个毕竟是两者的净相关再问：数据的pearson相关不显著而spear

你看每个变量的sig值,如果小于0.05,就说明该变量对因变量有显著影响,反之则没显著影响,beta那一列是回归系数,B那一列是标准回归系数.

看Linear-by-LinearAssociationLinear-by-LinearAssociation是指你所分析的列联表（Crosstable）它的行变量（Rowvariable）与列变量都

正或负相关

组间的P=0,说明你的三组样本数据之间存在显著差异,但不能了解是其中何种两组数据造成的；多重比较后,可以看出第一组数据和第二组数据之间,p=0.698>0.05,说明这两组数据没有显著差异,而这两组数

请对数据合并后,再重新做卡方检验.此资料不满足“卡方检验”的应用条件,需合并分类,使小于5的理论频数(即expectedcount,期望数)小于20%(就是让37%下降到20%以下),最小理论频数(m

首先要说明的是,因子分析是用来降维的.比如你有很多变量,用这么多变量来解释另一个变量,显得有点复杂,但是如果能找到其它的几个少量的变量来代替这些变量来进行下一步的分析,这就要用到因子分析.它运用了数学

显著性水平>0.05说明在现有样本中,自变量对因变量的影响不显著.有时不显著也是一个很重要的结论,说明原来的假设不成立.如果认为不显著的结论有悖相关原理,则可能是数据有问题,建议增加样本数量,或检查数

spssPearson相关系数r的平方就是判定系数R^2

不是是卡方检验在分析——列连分析先设置三个变量,再对人数变量加权,加权之后才能进行卡方检验,不知道你明白了没有

方差检验用的F统计量,均值检验用的是t统计量!F值后面的sig>0.05,说明接受原假设,即方差相等,在这个假设成立的情况下,检验均值是否相等,也就是后面的t检验,t后面的sig=0.00

首先,你这不是回归分析的结果,是相关分析的结果.从相关分析结果来看,这两个变量之间存在显著的线性关系,适合建立他们的一元线性回归模型.其次,如果你做他们的一元线性回归模型,需要确定哪个是自变量,哪个是

显著的负相关性再问：为什么显著相关，请分析一下。。不是相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱么。再答：