任何事物和人都不是以個體存在的，它們都被復雜的關系鏈所圍繞着，具有一定的相關性，也會具備一定的因果關系，（比如：父母和子女，不僅具備相關性，而且還具備因果關系，因為有了父親和母親，才有了兒子或女兒），但不是所有相關聯的事物都具備因果關系。
下面用SPSS采用回歸—線性分析的方式來分析一下：居民總儲蓄 和 “居民總消費”情況是否具備相關性，如果具備相關性，那相關關系的密切程度為多少。
下面以“居民總儲蓄”和“居民總消費”的調查樣本做統計分析，數據如下所示：
第一步：我們先來分析“居民總儲蓄”和“居民總消費”是否具備相關性 （采用SPSS 19版本）
1：點擊“分析”—相關—雙變量， 進入如下界面：
將“居民總儲蓄”和“居民總消費”兩個變量移入“變量”框內，在“相關系數”欄目中選擇“Pearson"，（Pearson是一種簡單相關系數分析和計算的方法，如果需要進行進一步分析，需要借助“多遠線性回歸”分析）在“顯著性檢驗”中選擇“雙側檢驗”並且勾選“標記顯著性相關”點擊確定， 得到如下結果：
從以上結果，可以看出“Pearson"的相關性為0.821，（可以認為是“兩者的相關系數為0.821）屬於“正相關關系”同時“顯著性（雙側） 結果為0.000， 由於0.000<0.01，所以具備顯著性，得出：“居民總儲蓄”和“居民總消費”具備相關性，有關聯。
既然具備相關性，那么我們將進一步做分析, 建立回歸分析，並且構建“一元線性方程”，如下所示：
點擊“分析”--回歸----線性” 結果如下所示：
將“因變量”和“自變量”分別拖入框內 （如上圖所示）從上圖可以看出：“自變量”指 “居民總儲蓄” , "因變量”是指“居民總消費”
點擊“統計量”進入如下界面：
在“回歸系數”中選擇“估計” 在右邊選擇“模型擬合度” 在殘差下面選擇“Durbin-watson(u), 點擊繼續按鈕
再點擊“繪制圖”在“標准化殘差圖”下面選擇“正太概率分布圖”選項
再點擊“保存”按鈕，在殘差下面選擇“未標准化”（數據的標准化，方法有很多，這里不介紹啦）
得到如下結果：
結果分析如下：
1：從模型匯總b 中可以看出“模型擬合度”為0.675，調整后的“模型擬合度”為0.652，就說明“居民總消費”的情況都可以用該模型解釋，擬合度相對較高
2：從anvoa b的檢驗結果來看 （其實這是一個“回歸模型的方差分析表）F的統計量為：29.057，P值顯示為0.000，拒絕模型整體不顯著的假設，證明模型整體是顯著的
3：從“系數a”這個表可以看出“回歸系數，回歸系數的標准差，回歸系數的T顯著性檢驗 等，回歸系數常量為：2878.518，但是SIG為：0.452，常數項不顯著，回歸系數為：0.954，相對的sig為：0.000，具備顯著性，由於在“anvoa b”表中提到了模型整體是“顯著”的
所以一元線性方程為：居民總消費=2878.518+0.954*居民總儲蓄
其中在“樣本數據統計”中，隨即誤差 一般叫“殘差” :
從結果分析來看,可以簡單的認為：居民總儲蓄每增加1億，那居民總消費將會增加0.954億
提示：對於回歸參數的估計，一般采用的是“最小二乘估計法”原則即為：“殘差平方和最小“
