IBM SPSS Statistics偏相关分析，是用于变量间可能会有相互影响的情况中。比如，对三个变量进行相关分析，但发现第一、二个变量与第三个变量之间存在着相关关系，在这种情况下，就要将第三个变量的影响剔除后，再分析第一、二个变量的相关关系。

接下来，我们使用一组门店销售数据，演示一下IBM SPSS Statistics的偏相关分析。

一、使用的数据

如图1所示，示例所用数据包含了销售额、客流量、客单价三个变量。本文假设客单价与销售额、客流量有相关关系，并研究在控制客单价线性影响下，销售额与客流量是否存在相关关系。

图1：示例数据

二、应用偏相关分析

如图2所示，依次单击分析-相关-偏相关选项，打开偏相关分析设置面板。

图2：偏相关分析

如图3所示，可以看到，偏向关性分析设置面板包含了变量与控制两个选项。变量指的是用于分析相关关系的变量；而控制则指的是控制其线性影响的变量。

图3：偏相关设置面板

1.选择变量

按照上文所述的研究目的，分别将销售额、客流量添加到变量，将客单价添加到控制。

图4：选择变量

2.选项设置

接着，打开选项设置面板，勾选统计数值中的“平均值和标准差”以及“零阶相关性”。

控制一个变量的偏相关分析，称为一阶偏相关分析。而“零阶相关性”，即不进行控制变量设置的分析方法，用以对比控制变量设置后的结果。

图5：选项设置

3.显著性检验设置

由于我们事先没有进行散点图的制作，无法判断数据存在正相关还是负相关，因此，选择“双尾”的显著性检验。

图6：显著性检验设置

4.结果解读

完成以上设置后，运行检验。

如图7所示，“无”即不进行变量控制的相关性检验，如需出现该部分内容，必须在选项中勾选“零阶相关性”。

从检验结果看到，在不控制客单价的线性影响下，销售量与客流量存在着显著相关性（显著性设置为0.00<0.05）；而在控制客单价的线性影响下，销售量与客流量仍存在着显著相关性（显著性设置为0.00<0.05）。

图7：相关性检验结果

三、小结

综上所述，IBM SPSS Statistics的偏相关分析，可用于控制对其他变量产生线性影响的变量，以求得更准确的变量间相关关系。

在使用偏相关分析时，建议在选项设置中勾选“零阶相关性”，以对比控制影响变量前后的检验结果。