马克思说联系是普遍的，世界上一切事物都处于普遍联系之中！相关就是联系的一种。谈到相关，肯定是至少两个变量间的关系，一个变量是无所谓相关的。根据两个变量的类型不同，在考察相关时用到的相关指标也会不同。一般相关系数在0~1或者-1~1之间，绝对值越大，相关性越强，如有正负号，正负号仅代表相关的方向。
【1】相关：Analyze>>Correlate>>Bivariate…
【2】交叉表统计量：Analyze>>Descriptive Statistics>>Crosstabs…
[Statistics…]按钮打开对话框如下
【3】线性回归：Analyze>>Regression>>Linear…
[Statistics…]按钮：选中Covariance matrix可获得自变量间的相关系数。选中Part and partial correlations可获得0介相关、部分相关和偏相关，自变量与因变量的0介相关是等同两者的Pearson相关。
【1】数据录入：共三个变量：id，age，Uc，具体略。
【3】双变量正态分布：SPSS中并未给出多元正态分布的检验方法，可采用STATA或者R进行检验，可参考文章《多元正态分布的检验》、《多元正态分布检验的R实现方法》。
以R为例，采用mshapiro.test {mvnormtest}命令代码如下：
library(foreign) #调用程序包foreign
tv<-read.spss(file="D:/Temp/STATA/sLR.sav",to.data.frame = TRUE) #新建对象tv，并从从SPSS文件中读入数据
slr<-t(tv[2:3]) #新建对象slv，赋值是数据框tv第2-3列的转置后数据
library(mvnormtest) #调用程序包mvnnormtest
mshapiro.test(slr) #使用函数mshapiro.test对slr进行多元正态分布的检验
结果显示：W = 0.96215, p-value = 0.8303，数据呈多元正态分布。
将年龄和尿肌酐含量选入因变量框，[Plot…]选中带检验的正态分布图。
结果显示，不论KS还是SW检验，两个变量P均>0.05，数据均成正态分布。
【4】简单相关分析：Analyze>>Correlate>>Bivariate…
将要分析的变量肺活量和胸围选入变量窗口；
相关系数默认是Pearson，我们同时选中Spearman；
默认双尾检验和标注显著的相关；
[Options…]中选中均值和标准差、离均差交叉乘积和协方差。
【5】结果：
结果首先给出了尿肌酐和年龄的均数、标准差及案例数。
相关分析显示，尿肌酐含量和年龄积差相关系数（即Pearson相关系数）是0.882，P=0.004<0.05，可以认为尿肌酐含量和年龄的正相关关系是有统计学意义的，即随着年龄的增长尿肌酐含量也会越来越高。同时结果中也给出了离均差平方和或者交叉乘积和以及协方差。关于离均差平方和协方差的理解可参见文末。
Spearman相关系数也叫秩相关系数，属于非参数检验的方法，当Pearson的适用条件不满足时可以采用该系数，但跟其他非参检验一样，相比参数检验其检验效能会低一些。本例Spearman相关系数=0.857，P=0.007<0.05。
补充说明：离均差平方和、协方差
协方差跟方差实际上是一回事，方差反应的是某个变量的离散水平，协方差反应的是两个变量间的离散水平。
最后看一下本例Pearson相关系数结果：Uc的标准差=0.38659，年龄标准差=2.449，Sum of Squares and Cross-products是离均差的平方和或者交叉乘积和，Uc与age的交叉乘积和=5.845，Uc的离均差平方和=1.046，age的离均差平方和=42。离均差平方和除以n-1的结果的正平方根即是相应的标准差，如1.046/(8-1)=0.386592。