下载文档原格式
SPSS典型相关分析案例典型相关分析（Canonical Correlation Analysis，CCA）是一种统计方法，用于研究两组变量之间的相关性。
它可以帮助研究人员了解两组变量之间的关系，并提供有关这些关系的详细信息。
在SPSS中，可以使用典型相关分析来探索两个或多个变量之间的关系，并进一步理解这些变量如何相互影响。
下面我们将介绍一个典型相关分析的案例，以展示如何在SPSS中执行该分析。
案例背景：假设我们有一个医学研究数据集，包含30名患者的多个生物标记物和他们的疾病严重程度评分。
我们希望了解这些生物标记物与疾病严重程度之间的关系，并查看是否可以建立一个线性模型来预测疾病严重程度。
以下是执行这个案例的步骤：第1步：准备数据首先，我们需要准备数据，确保所有变量都是数值型。
在SPSS中，我们可以通过检查数据集的描述性统计信息或查看变量视图来做到这一点。
第2步：导入数据在SPSS中，我们可以通过选择菜单中的"File"选项，然后选择"Open"来导入数据集。
我们应该选择包含待分析数据的文件，并确保正确指定变量的类型。
第3步：执行典型相关分析要执行典型相关分析，我们可以选择菜单中的"Analyze"选项，然后选择"Canonical Correlation"。
在弹出的对话框中，我们应该选择我们希望研究的生物标记物变量和疾病严重程度评分变量。
然后，我们可以选择一些选项，如方差-协方差矩阵、相关矩阵和判别系数，并点击"OK"执行分析。
第4步：解释结果完成分析后，SPSS将提供几个输出表。
我们应该关注典型相关系数和标准化典型系数，以了解两组变量之间的关系。
我们可以使用这些系数来解释生物标记物如何与疾病严重程度相关联，并找到最重要的变量。
此外，我们还可以使用SPSS提供的其他统计结果来进一步解释模型的效果和预测能力。
相关分析一、两个变量的相关分析：Bivariate 1．相关系数的含义相关分析是研究变量间密切程度的一种常用统计方法。
相关系数是描述相关关系强弱程度和方向的统计量，通常用r 表示。
①相关系数的取值范围在-1和+1之间，即：–1≤r ≤ 1。
②计算结果，若r 为正，则表明两变量为正相关；若r 为负，则表明两变量为负相关。
③相关系数r 的数值越接近于1（–1或+1），表示相关系数越强；越接近于0，表示相关系数越弱。
如果r=1或–1，则表示两个现象完全直线性相关。
如果=0，则表示两个现象完全不相关（不是直线相关）。
④3.0<r ，称为微弱相关、5.03.0<≤r ，称为低度相关、8.05.0<≤r ，称为显著（中度）相关、18.0<≤r ，称为高度相关⑤r 值很小，说明X 与Y 之间没有线性相关关系，但并不意味着X 与Y 之间没有其它关系，如很强的非线性关系。
⑥直线相关系数一般只适用与测定变量间的线性相关关系，若要衡量非线性相关时，一般应采用相关指数R 。
2．常用的简单相关系数（1）皮尔逊（Pearson ）相关系数皮尔逊相关系数亦称积矩相关系数，1890年由英国统计学家卡尔•皮尔逊提出。
定距变量之间的相关关系测量常用Pearson 系数法。
计算公式如下：∑∑∑===----=ni ni i ini i iy y x xy y x xr 11221)()())(( （1）（1）式是样本的相关系数。
计算皮尔逊相关系数的数据要求：变量都是服从正态分布，相互独立的连续数据；两个变量在散点图上有线性相关趋势；样本容量30≥n 。
（2）斯皮尔曼（Spearman ）等级相关系数Spearman 相关系数又称秩相关系数，是用来测度两个定序数据之间的线性相关程度的指标。
当两组变量值以等级次序表示时，可以用斯皮尔曼等级相关系数反映变量间的关系密切程度。
它是根据数据的秩而不是原始数据来计算相关系数的，其计算过程包括：对连续数据的排秩、对离散数据的排序，利用每对数据等级的差额及差额平方，通过公式计算得到相关系数。
大学生spss数据分析案例大学生SPSS数据分析案例。
在大学教育中，数据分析是一个非常重要的环节，尤其是对于社会科学和商业管理专业的学生来说。
SPSS（Statistical Package for the Social Sciences）是一个专业的统计分析软件，广泛应用于学术研究和商业决策中。
本文将以一个大学生SPSS数据分析案例为例，介绍如何使用SPSS进行数据分析。
案例背景：某大学社会科学专业的学生对大学生活满意度进行了调查，并收集了相关数据，包括学生的性别、年级、专业、宿舍类型、课程质量、宿舍环境、社交活动等方面的信息。
现在需要对这些数据进行分析，以了解不同因素对大学生活满意度的影响。
数据准备：首先，需要将调查所得的数据录入SPSS软件中，确保数据的准确性和完整性。
在录入数据时，要注意将不同的变量分别录入不同的列中，以便后续的分析和处理。
数据分析：1. 描述统计分析。
首先，可以对各个变量进行描述统计分析，包括计算均值、标准差、频数分布等。
通过描述统计分析，可以直观地了解各个变量的分布情况，为后续的分析提供基础。
2. 相关性分析。
接下来，可以进行各个变量之间的相关性分析，通过相关系数的计算来了解不同变量之间的关联程度。
例如，可以分析学生的性别、年级、专业与大学生活满意度之间的相关性，以及宿舍类型、课程质量、社交活动等因素对大学生活满意度的影响程度。
3. 方差分析。
针对分类变量，可以进行方差分析，比较不同组别之间的均值差异是否显著。
例如，可以分析不同年级、不同专业的学生对大学生活满意度的差异情况，以及不同宿舍类型对大学生活满意度的影响是否显著。
4. 回归分析。
最后，可以利用回归分析来探讨不同因素对大学生活满意度的影响程度。
通过建立回归模型，可以了解各个自变量对因变量的影响情况，以及它们之间的关系强度和方向。
结论与建议：通过以上的数据分析，可以得出不同因素对大学生活满意度的影响程度，为学校和相关部门提供决策建议。
spss案例分析SPSS案例分析。
SPSS（Statistical Package for the Social Sciences）是一种统计分析软件，广泛应用于社会科学、生物科学、医学科学等领域。
它提供了强大的数据分析工具，可以帮助研究人员进行数据处理、统计分析和数据可视化。
在本文中，我们将通过一个实际案例来演示如何使用SPSS进行数据分析。
案例背景。
假设我们是一家电子商务公司的数据分析师，我们收集了一份关于用户购买行为的数据，希望通过分析这些数据来了解用户的购买习惯，从而制定更有效的营销策略。
数据描述。
我们的数据包括以下几个变量：用户ID，用户的唯一标识。
购买金额，用户在一段时间内的购买金额。
购买次数，用户在同一段时间内的购买次数。
平均购买金额，用户平均每次购买的金额。
性别，用户的性别。
年龄，用户的年龄。
注册时间，用户的注册时间。
数据分析。
首先，我们将导入数据到SPSS软件中，然后进行数据清洗和变量筛选。
接下来，我们可以使用SPSS中的统计分析功能来对数据进行探索性分析，包括描述统计、相关性分析、t检验、方差分析等。
描述统计。
我们可以通过描述统计来了解用户的购买行为情况，包括购买金额的分布、购买次数的分布、平均购买金额的均值和标准差等。
这些统计指标可以帮助我们更清楚地了解用户的购买习惯。
相关性分析。
我们可以利用SPSS进行相关性分析，探讨购买金额和其他变量之间的关系。
比如，我们可以分析购买金额与用户年龄的相关性，购买金额与购买次数的相关性等。
通过相关性分析，我们可以发现变量之间的关联性，从而为后续的分析提供参考。
t检验和方差分析。
如果我们想比较不同性别、不同年龄段用户之间的购买行为是否存在显著差异，可以利用SPSS进行t检验和方差分析。
这些分析可以帮助我们了解不同群体之间的差异性，为制定针对性营销策略提供依据。
数据可视化。
除了以上的统计分析，SPSS还提供了丰富的数据可视化功能，包括直方图、散点图、箱线图等。
SPSS数据分析报告案例1. 研究背景本研究旨在调查大学生是否存在晚睡现象，并探究晚睡与健康问题之间的关系。
通过采集大学生的睡眠时间、就寝时间以及健康状况等数据，利用SPSS软件进行数据分析，进一步了解大学生的睡眠状况与健康问题的关联。
2. 数据概况本研究共收集了200名大学生的数据，其中包括性别、年级、每晚睡眠时间、平均就寝时间、是否存在健康问题等变量。
下面是对数据的描述统计分析结果：•性别分布：男性占50%，女性占50%。
•年级分布：大一占25%，大二占30%，大三占25%，大四占20%。
•每晚睡眠时间：平均睡眠时间为7.8小时，标准差为1.2小时。
最小值为5小时，最大值为10小时。
•平均就寝时间：平均就寝时间为23:30，标准差为0.5小时。
最早就寝时间为22:00，最晚就寝时间为01:00。
•健康问题：共有45%的大学生存在健康问题。
3. 数据分析结果3.1 性别与睡眠时间的关系首先，我们探究性别与睡眠时间之间的关系。
利用独立样本T检验，得出以下的结果：•假设检验：男性和女性的睡眠时间是否存在显著差异？•结果：独立样本T检验显示，男性平均睡眠时间为7.6小时，女性平均睡眠时间为8.0小时。
T值为-2.14，P值为0.034，意味着男性和女性的睡眠时间存在显著差异。
3.2 年级与睡眠时间的关系我们进一步探究年级与睡眠时间的关系。
使用单因素方差分析（ANOVA），得出以下结果：•假设检验：各年级的睡眠时间是否存在显著差异？•结果：单因素方差分析显示，大一、大二、大三和大四的平均睡眠时间分别为7.7小时、7.9小时、8.1小时和7.6小时。
F值为2.75，P值为0.043，说明各年级之间的睡眠时间存在显著差异。
3.3 睡眠时间与健康问题的关系最后，我们分析睡眠时间与健康问题之间的关系。
利用相关分析，得出以下结果：•假设检验：睡眠时间与健康问题之间是否存在相关性？•结果：相关分析结果显示，睡眠时间和健康问题之间存在显著负相关（r = -0.25，P值 = 0.001），即睡眠时间越少，存在健康问题的可能性越大。
SPSS作业5：相关分析（一）相关分析研究背景：能源是经济增长的战略投入要素，在经济增长初期，能源的投入能够带动经济快速增长。
理论上认为影响能源消费需求总量的因素主要有经济发展水平、产业发展、能源生产总量、人口总数等。
这里将研究能源消费需求总量X1，国内生产总值X2，工业增加值X3，建筑业增加值X4，交通运输邮电业增加值X5，人均电力消费X6，能源加工转换效率X7的关系。
绘制散点图的基本操作：（1）选择菜单Graph s―Scatter;（2）分别作简单散点图，矩阵散点图，结果如下：分析：从上可知：能源消费需求总量X1与国内生产总值X2呈强正线性相关。
分析：能源消费需求总量，工业增加值以及建筑业增加值三者之间，两两呈较强正线性相关。
分析：能源消费需求总量，国内生产总值以及能源加工转换率这三者之间，只有能源消费需求总量与国内生产总值呈较强正线性相关，而能源消费需求总量与能源加工转换率，国内生产总值与能源加工转换率之间呈弱相关。
计算相关系数的基本操作：（1）选择菜单Analyz e―Correlate―Bivariate；（2）选择所需计算的相关系数，双尾或单尾检验p值；（3）在Option按钮的Statistics选项中，选择Cros s―product deviations and covariances,结果如下：分析：由表可知，能源消费需求总量与国内生产总值的简单相关系数为0.984，与能源加工转换率间的简单相关系数为0.716。
它们的相关系数检验的概率p值都近似为0。
因此，当显著性水平a=0.05或0.01时，都应拒绝相关系数检验的零假设，认为两总体存在线性关系。
总之，能源消费需求总量将受国内生产总值，能源加工转换率的正向影响。
同样的基本操作，对能源消费需求总量，国内生产总值，人均电力消费作分析：对能源消费需求总量，国内生产总值，工业增加值做分析：对能源消费分析：能源消费需求总量与国内生产总值，人均电力消费的简单相关系数分别为0.984,0.980，对应的p值近似为0，因此都拒绝原假设，认为两总体存在线性关系。
1、某班共有28个学生，其中女生14人，男生14人，下表为某次语文测验的成绩，请用描述统计方法分析女生成绩好，还是男生成绩好。
方法一：频率分析（1） 步骤：分析→描述统计→频率→女生成绩、男生成绩右移→统计量设置→图表（直方图）→确定 （2） 结果：统计量女生成绩男生成绩N有效 1515 缺失73 73 均值 69.9333 67.0000 中值 71.0000 72.0000 众数 76.00a48.00a标准差 8.91601 14.53567 方差 79.495 211.286 全距 30.00 46.00 极小值 54.00 43.00 极大值 84.00 89.00 和1049.001005.00a. 存在多个众数。
显示最小值（3）分析：由统计量表中的均值、标准差及直方图可知，女生成绩比男生成绩好。
方法二：描述统计（1）步骤：分析→描述统计→描述→女生成绩、男生成绩右移→选项设置→确定（2）结果：（3）分析：由描述统计量表中的均值、标准差、方差可知，女生成绩比男生成绩好。
2、某公司经理宣称他的雇员英语水平很高，现从雇员中随机随出11人参加考试，得分如下：80、81、72、60、78、65、56、79、77、87、76，请问该经理的宣称是否可信？（1）方法：单样本T检验H 0:u＝u,该经理的宣称可信H 1:u≠u,该经理的宣称不可信（2）步骤：①输入数据：（80，81，…76）②分析→比较均值→单样本T检验→VAR00001右移→检验值（75）→确定（3）结果：单个样本统计量N 均值标准差均值的标准误VAR00001 11 73.73 9.551 2.880（4）分析：由单个样本检验表中数据知t＝0.668>0.05，所以接受H，即该经理的宣称是可信的。
3、某医院分别用 A 、B 两种血红蛋白测定仪器检测了16名健康男青年的血红蛋白含量（g/L ），检测结果如下。
问：两种血红蛋白测定仪器的检测结果是否有差别？仪器A ：113，125，126，130，150，145，135，105，128，135，100，130，110，115，120 ，155仪器B ：140，150，138，120，140，145，135，115，135，130，120，133，147，125，114，165（1）方法：配对样本t 检验H 0:u 1＝u 2，两种血红蛋白测定仪器的检测结果无差别 H 1:u 1≠u 2，两种血红蛋白测定仪器的检测结果有差别（2）步骤：①输入两列数据：A 列（113，125，…155）；B 列（140，125，…165）；②分析→比较均值→配对样本t 检验→仪器A 、仪器B 右移→确定（3）结果：成对样本统计量均值 N标准差 均值的标准误对 1仪器A 126.38 16 15.650 3.912 仪器B134.501613.7703.442（4）分析：由成对样本检验表的Sig 可见t ＝0.032小于0.05，所以拒绝H 0，即两种血红蛋白测定仪器的检测结果有差别。
相关分析一、两个变量的相关分析：Bivariate1．相关系数的含义相关分析是研究变量间密切程度的一种常用统计方法。
相关系数是描述相关关系强弱程度和方向的统计量，通常用r 表示。
①相关系数的取值范围在-1和+1之间，即：–1≤r ≤ 1。
②计算结果，若r 为正，则表明两变量为正相关；若r 为负，则表明两变量为负相关。
③相关系数r 的数值越接近于1（–1或+1），表示相关系数越强；越接近于0，表示相关系数越弱。
如果r=1或–1，则表示两个现象完全直线性相关。
如果=0，则表示两个现象完全不相关（不是直线相关）。
④3.0<r ，称为微弱相关、5.03.0<≤r ，称为低度相关、8.05.0<≤r ，称为显着（中度）相关、18.0<≤r ，称为高度相关⑤r 值很小，说明X 与Y 之间没有线性相关关系，但并不意味着X 与Y 之间没有其它关系，如很强的非线性关系。
⑥直线相关系数一般只适用与测定变量间的线性相关关系，若要衡量非线性相关时，一般应采用相关指数R 。
2．常用的简单相关系数（1）皮尔逊（Pearson ）相关系数皮尔逊相关系数亦称积矩相关系数，1890年由英国统计学家卡尔?皮尔逊提出。
定距变量之间的相关关系测量常用Pearson 系数法。
计算公式如下：∑∑∑===----=n i n i i i n i i i y y x xy y x x r 11221)()())(( （1） （1）式是样本的相关系数。
计算皮尔逊相关系数的数据要求：变量都是服从正态分布，相互独立的连续数据；两个变量在散点图上有线性相关趋势；样本容量30≥n 。
（2）斯皮尔曼（Spearman ）等级相关系数Spearman 相关系数又称秩相关系数，是用来测度两个定序数据之间的线性相关程度的指标。
当两组变量值以等级次序表示时，可以用斯皮尔曼等级相关系数反映变量间的关系密切程度。
它是根据数据的秩而不是原始数据来计算相关系数的，其计算过程包括：对连续数据的排秩、对离散数据的排序，利用每对数据等级的差额及差额平方，通过公式计算得到相关系数。
其计算公式为：()16122--=∑n n d r R （2）（2）式中，R r 为等级相关系数；d 为每对数据等级之差；n 为样本容量。
斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。
（3）肯德尔（Kendall ）等级相关系数肯德尔（Kendall ）等级相关系数是在考虑了结点（秩次相同）的条件下，测度两组定序数据或等级数据线性相关程度的指标。
它利用排序数据的秩，通过计算不一致数据对在总数据对中的比例，来反映变量间的线性关系的。
其计算公式如下：()141--=∑n n i r K （3）（3）式中，K r 是肯德尔等级相关系数；i 是不一致数据对数；n 为样本容量。
计算肯德尔等级相关系数的数据要求与计算斯皮尔曼等级相关系数的数据要求相同。
3．相关系数的显着性检验通常，我们用样本相关系数r 作为总体相关系数ρ的估计值，而r 仅说明样本数据的X 与Y 的相关程度。
有时候，由于样本数据太少或其它偶然因素，使得样本相关系数r 值很大，而总体的X 与Y 并不存在真正的线性关系。
因而有必要通过样本资料来对X 与Y 之间是否存在真正的线性相关进行检验，即检验总体相关系数ρ是否为零（即原假设是：总体中两个变量间的相关系数为0）。
SPSS 的相关分析过程给出了该假设成立的概率（输出结果中的Sig.）。
样本简单相关系数的检验方法为：当原假设0H ：0=ρ，50≥n 时，检验统计量为： 211r n r Z --= （4） 当原假设0H ：0=ρ，50<n 时，检验统计量为：212r n r t --= ()2-=n df （5）式中，r 为简单相关系数；n 为观测值个数（或样本容量）。
4．背景材料设有10个厂家，序号为1，2，…，10，各厂的投入成本记为x ，所得产出记为y 。
各厂家的投入和产出如表7-18-1所示，根据这些数据，可以认为投入和产出之间存在相关性吗？表1 10个厂家的投入产出 单位：万元厂家 12 3 4 5 6 7 8 9 10 投入 产出 2030 40 60 20 40 30 60 10 30 10 40 20 40 20 50 20 30 30 705．操作步骤5-1 绘制散点图的步骤（1）选择菜单命令“Graphs ”→“Legacy Dialogs ”→“Scatter/Dot ”，打开Scatter/Dot 对话框，如图1所示。
图1 选择散点图窗口（2）选择散点图类型。
SPSS 提供了五种类型的散点图。
（3）根据所选择的散点图类型，单击“Define”按钮设置散点图。
不同类型的散点图的设置略有差别。
①简单散点图（Simple Scatter）简单散点图的设置窗口如图2所示。
图2 简单散点图的设置窗口从对话框左侧的变量列表中指定某个变量为散点图的纵坐标和横坐标，分别选入Y-Axis和X-Axis框中。
这两项是必选项。
可以把作为分组的变量指定到Set Markers by框中，根据该变量取值的不同对同一个散点图中的各点标以不同的颜色（或形状）。
该项可以省略。
把标记变量指定到Label Cases by框中，表示将标记变量的各变量值标记在散点图的旁边。
该项可以省略。
从左侧变量列表框中选择变量到Panel by框中作为分类变量，可以使该变量作为行（Rows）或列（Columns）将数据分成不同的组，便于比较。
该项可以省略。
选择Use Chart Specifications From选项，可以选择散点图的文件模板，单击“File”可以选择指定的文件。
单击“Title”按钮可以对散点图的标题进行设置，单击“Options”按钮可以对缺失值以及是否显示数据的标注进行设置。
②重叠散点图（Overlay Scatter）重叠散点图能同时生成多对相关变量间统计关系的散点图，首先根据分类变量的不同取值对原始数据进行分类，然后对各分类数据做简单散点图。
重叠散点图的设置窗口如图7-18-3所示。
图3 重叠散点图的设置窗口从左侧框中选择一对变量进入Pairs框中，其中前一个为图的纵坐标变量（Y-Variable），后一个作为图的横轴变量（X-Variable），可以通过点击按钮进行横纵轴变量的调换。
其他设置与同简单散点图都相同。
③矩阵散点图（Matrix Scatter）矩阵散点图以方形矩阵的形式在多个坐标轴上分别显示多对变量间的统计关系。
矩阵散点图的关键是弄清各矩阵单元中的横纵变量。
矩阵散点图的设置窗口如图4所示。
图4 矩阵散点图的设置窗口把参与绘图的若干变量指定到Matrix Variables框中。
选择变量的先后顺序决定了矩阵对角线上变量的排列顺序。
其他设置也与简单散点图相同。
④三维散点图（3-D Scatter）三维散点图生成三个相关变量的三维散点图，由三个坐标轴对应变量的数据决定，它以立体图的形式展现三对变量间的统计关系。
设置窗口如图5所示。
图5 三维散点图设置窗口从左侧的变量列表中指定三个变量分别选入Y-Axis、X-Axis、Z-Axis框中。
其他设置均与简单散点图相同。
⑤单点散点图（Sample Dot）单点散点图生成单个变量的散点图，显示数值型变量的每一个观测值，这些值都堆积在X轴附近，由于没有指定Y轴，所以数据点的Y坐标没有特殊的含义。
设置窗口如图6所示。
图6 单点散点图设置窗口从左侧变量列表中选择一个变量选入X-Axis Variable框中。
其他设置与简单散点图相同。
5-2 计算简单相关系数的操作步骤通过散点图可以初步判断变量是否具有线性趋势。
对具有线性趋势的变量计算相应的简单相关系数的步骤如下：（1）选择菜单命令“Analyze”→“Correlate”→“Bivariate”，打开两变量相关分析的对话框，如图7所示。
图7 两变量相关分析窗口（2）选入需要进行相关分析的变量进入Variables框，至少需要选入两个，如选入“投入”、“产出”变量。
（3）在Correlation Coefficients复选框中选择需要计算的相关系数。
主要有：Pearson复选框：选择进行积距相关分析，即最常用的参数相关分析；Kendall's tau-b复选框：计算Kendall's等级相关系数；Spearman复选框：计算Spearman 相关系数，即最常用的非参数相关分析（秩相关）。
（4）Test of Significance单选框用于确定是进行相关系数的单侧（One-tailed）或双侧（Two-tailed）检验，系统默认双侧检验。
（5）Flag significant correlations用于确定是否在结果中用星号标记有统计学意义的相关系数，一般选中。
此时P<的系数值旁会标记一个星号，P<的则标记两个星号。
（6）单击Options按钮，弹出Options对话框，选择需要计算的描述统计量和统计分析，如图8所示。
图8 两变量相关分析的Options子对话框在Statistics复选框中定义各变量输出的描述统计量。
Means and standard deviations选项表示每个变量的样本均值和标准差；Cross-product deviations and covariances选项表示各对变量的离差平方和、样本方差、两变量的叉积离差以及协方差阵。
叉积离差为Pearson相关系数公式中的分子部分；协方差为叉积离差/（n-1）。
在Missing Values单选框中定义分析中对缺失值的处理方法，可以是具体分析用到的两个变量有缺失值才去除该记录（Exclude cases pairwise），或只要该记录中进行相关分析的变量有缺失值（无论具体分析的两个变量是否缺失），则在所有分析中均将该记录去除（Excludes cases listwise）。
（7）单击“OK”按钮完成设置，提交运行。
6．结果解析根据背景资料，利用表1中的数据，建立SPSS数据文件，分别将变量投入、产出选入Variables框中，并在Options子对话框选中Means and standard deviations 选项和Cross-product deviations and covariances选项，其他选择默认。
结果如表2、表3所示。
6-1 表2为描述统计量，表3为相关分析结果。
从表3中可以看出皮尔逊相关系数为，即投入与产出的相关系数为，双侧检验的P值为，明显小于，拒绝二者不相关的原假设。
