為了便於理解，我們先簡單介紹下相關分析，然后按照分析流程順序，對每一步可能會涉及的問題進行簡要說明。
相關分析
使用相關分析，通常是研究兩個變量的相關性情況。比如學習成績和聽課質量的關系；員工敬業度與薪資的關系等等。
1.數據類型
相關分析的適用范圍很廣，理論上講，凡是考察兩個變量相關性，都可以叫做相關分析。
但依據習慣，我們通常說的相關分析，多指的是兩個定量數據之間的簡單相關分析，這就要求兩個變量都是定量數據，即選項數字大小要可比較，且有實際意義。
如果兩個數據均為定類數據，則不可以直接用相關分析，而應該使用卡方分析測量相關性（准確說應該是差異分析）。
如果一個是定類數據，一個是定量數據，則應該使用方差分析。
這種誤用常見於分析背景信息題與核心研究題項的相關情況。
2. 正態性
相關分析要求數據服從正態分布，因此分析前需要檢驗數據的正態性。
正態性有多種檢驗方法，常見方法如：正態圖、正態性檢驗、P-P圖/Q-Q圖等。
正態性的判斷標准可以查看之前的文章：多種判斷正態性的方法詳細說明
由於相關分析對正態性要求比較寬松，即使違反計算結果也比較穩健，只要數據基本滿足正態即可。如果數據完全不正態，則可以用Spearman相關系數。
3. 查看線性趨勢
當兩個定量數據在散點圖上的散點呈現直線趨勢時，就可以認為兩者存在直線相關趨勢，這也是相關分析的一個基本前提。
SPSSAU-散點圖
散點圖
例如上圖，當X增大時，可以比較明顯地看出Y會隨着增大，說明X和Y之間有着正向相關關系。如果是負相關，散點圖會呈現隨着一個變量值的增加，另一個變量值降低的趨勢。
非線性關系
如果數據呈現非線性的趨勢，可以選擇對變量進行數據轉換（如對數轉換），或是使用Spearman相關系數進行分析。
4. 檢驗異常值
相關分析對極端值較為敏感，異常值會影響分析結果。需要在分析前查看是否存在異常值，保證結果的可靠性，此步可以和上一步一起通過散點圖查看。
存在異常值
如果存在極端值，需要在分析前進行剔除。使用方法：SPSSAU數據處理->異常值。
這是上一步中得到的散點圖，有一個明顯的離群值，研究者需要根據情況選擇保留或刪除。建議按照SPSSAU異常值幫助手冊的說明，對異常值進行處理。
5. 相關系數類型
當完成以上步驟且滿足相關分析的分析條件后，即可進行相關分析。點擊‘通用方法’-‘相關’。
這時又出現一個問題。SPSSAU提供了三種相關系數，分別是Pearson、Spearman，Kendall相關系數，該選哪一種呢？
多數情況下，SPSSAU建議使用pearson相關系數。如果數據不滿足正態性或不滿足線性關系，可以考慮使用Spearman相關系數。
Kendall相關系數用於判斷兩個變量的等級相關性，是否具有一致性，比如評委打分，數據排名等。
關於三種相關系數的比較具體可以查看SPSSAU相關分析幫助手冊。
6. SPSSAU操作
終於到了分析這一步了。相對於其他分析軟件，SPSSAU的操作相對簡單，將變量從左側拖拽到分析項處，點擊‘開始相關分析’即可。
分析項X可選
需要特別強調的一點是，相關分析通常不會特別區分哪個變量是X，哪個變量是Y。因此分析時，常常是直接把分析項都放入“分析項Y（定量）”里即可。
如果有明確的X、Y可以分開放置，兩種放置方法只在表格的展示格式上有區別，結果是一樣的。
指標解讀
分析步驟可參考SPSSAU輸出結果中的“分析建議”及“智能分析”。
需要注意的是相關系數代表變量之間的相關程度，相關系數越大，說明相關程度越緊密。
P值用於判斷相關系數是否有統計學意義，P<0.05即說明變量間有相關關系，P值並不代表相關關系的強弱。
平均成績、能力評分兩個分析項交叉處的數字代表相關系數，而星號代表P值。一個星號代表P<0.05,兩個星號代表P<0.01。如果沒有星號，則說明P值>0.05。
7. 后續分析
相關分析的結果並不能代替回歸分析，而相關分析通常是作為回歸分析的基礎，保證在有相關性的前提下，才可能有回歸影響關系。因此后續可以通過回歸分析，進一步得到影響關系和具體的函數表達式。
總結
以上就是相關分析的分析流程梳理。理論上都應該按照上述步驟進行分析，但在實際過程中，即使忽略其中的步驟，也能得到穩定的結果。
因此即使不按照步驟分析，也沒有問題，而對於沒有分析經驗的研究者，SPSSAU建議按提供的步驟進行分析，才是最保險的做法。