图17
在Year一栏填入1965，Month一栏填入1，表示数据从1965年1月开始计算。
选择Analyze->Correlate->Bivariate，出现图18
图18
把hstarts，Year和Month都选入Varibales选项，Correlation Coefficients选择Pearson和Spearman（其实只需要选Spearman就可以，这里只是试一下，作为比较）。 注：相关检验中有Pearson（皮尔森）相关系数和Spearman（斯皮尔曼）等级相关，前者也称皮尔森相关系数，是对两个定距变量关系的刻画；后者是用来考察两个变量中至少有一个定序变量时的相关关系。Zero-order Correlations（零阶偏听偏相关系数）是按Pearson简单相关系数公式计算得到的相关系数。在皮尔森系数r是对两个定距变量关系的刻画: 若-1≤r≤1，|r|越大，表明两个变量之间的相关程度越强。
若0 若-1≤r<0，表明两个变量之间存在负相关。若r=-1，则变量间的关系为完全负相关。 若r=0，表示两个变量之间无线性相关，即零相关。 按Option按键，如图19 图19 在Statistics选择Means and standard deviations Cross-product deviations and covariances，注意，这二个选择是Pearson才有的，如果开始只选择Spearman，则此二项不能选。返回后，按OK如图20： 图20 从图20看到Year的Pearson系数为0.219，Sig值为0.012，小于P值0.05，与Hstarts显著相关，Month的Pearson系数为0.058，Sig值为0.506，大于P值0.05，则与Hstarts不显著相关。从下图21的Spearman也同样得到相同的结论。 图21 2．回归 试建立回归模型，看能否形成各变量间的关系式。选择Analyze->Regression->Curve Estimation，出现图22 图22 把hatarts选入Dependents选项，Independent选择Time，Models选择（Linear）线性回归，（Quadratic）二次曲线回归，（Cubic）三次曲线回归，（Exponential）指数回归，选择Include constant in equation表示方程式有常数项，Plot models则表示用图表示，然后按OK，出现图23 图23 线性方程：Y=70.43 0.135X 二次曲线方程：Y=64.171 0.415X-0.02X2 三次曲线方程：Y=87.68-1.667X 0.037X2( 0X3) 指数曲线方程：Y=68.229xe0.002 从Sig值判断，都小于0.05，都接受回归成立，这样，只能从R拟合度和F值较大来判断三次曲线方程的拟合程度比较高。 注意，如果方程成立的话，想要增加预测，则可以在Save选项中选择Predicted Values一项，如果还想预测未来的数值，则可以在原表上增加若干行（如1行），然后选择Predict Cases下面Predict through，在Year填入1976，在Month填入1，这样就表示预测值到1976年的一月。如图24所示。
SPSS学习笔记
