相关性分析取数有什么要求吗，比如数据量级？获取数据的背景必须相同？

1. 相关性分析取数有什么要求吗，比如数据量级？获取数据的背景必须相同？

样本不能太小，否则不能达到显著性；
两个样本如果具有相关性，在不同的环境下，也会体现相关性，不管是正相关还是负相关。不过你可以分开统计两种情况，分别计算pearson相关系数。看看两种情况下的相关性。

2. 相关系数多少算具有相关性？

3. 相关系数中两个变量至少需要有多少组数据

正相关的话，用相关分析就可以。或者就是在回归分析中看那个系数，系数是正的，并且后面的P值是显著的，不仅说明他们是正相关，还可以说明A的变化会给B带来怎么样的变化

4. 请问做相关分析之前，必须要正态分布检验吗？如果不是正态分布，用spearman相关分析可以吗？

不可以 的 ，有适用条件的啊

5. 回归分析之前必须进行相关分析吗

1、如果你是实际处理问题，做回归也不大需要进行相关分析，回归系数本身就反映了变量之间的相关，而且较普通的pearson相关来说更准确。
2、但如果你是做科研写论文，相关分析这一步还是不可省略的。这一部分通常和描述统计写在一起，包括做出相关系数表格以及简单分析结果，让读者对于你研究的这些变量的关系有一个初步的大致的了解。

6. 回归分析至少需要多少样本？

回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。
在大数据分析中，回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。
正确应用回归分析预测时应注意：
①用定性分析判断现象之间的依存关系；
②避免回归预测的任意外推；
③应用合适的数据资料。
扩展资料
回归分析的应用：
1、相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。 
2、一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。
参考资料来源：百度百科-回归分析

7. SPSS相关分析中，一定要用两个连续变量做吗

这个首先要看你的变量数据是否都属于连续性数据，如果都是连续性数据，然后绘制一下变量的散点图，看看是否是显著的不符合正态分布，如果完全不符合的话
那就只能用其他的来分析，如果只是略微偏态
还是可以用pearson分析
如果数据分类等级数据类型，则直接用spearman方法

8. 在相关分析中要求2个变量都是什么

首先，经典统计分析方法有：相关分析和回归分析方法。
    相关分析，是研究现两个随机变量之间是否存在某种依存关系，最典型的一种如求相关系数；
    回归分析，是研究一个随机变量Y对另一个（或一组）随机变量X的函数依赖关系。
所以说相关分析中所讨论的变量的地位一样，分析侧重于随机变量之间的种种相关特征。而回归分析是有解释变量X和被解释变量Y之分的。
    相关分析的两个变量要求都是随机变量即可（如果需要进一步进行回归分析，则需要满足回归分析的5个经典假设）