其实这个很简单，我想给你举个例子吧。比如分析SOD和TEM的相关性，你SOD的数字为1,2,3,4,5；TEM的为2,4,5,6,7.你先把spss打开，在第一列输入SOD的五个值，在第二列输入TEM的五个值，然后把所有的数值全选中，点击分析，再选相关，选择相关选项里的双变量，点击以后出现对话框，把第一列和第二列都选入右边变量对话框，另外的几个打钩的选项都不用改，再按选项按钮，统计量下选择均值和标准差，按继续，点确定就可以了。会出现两个对话框，第一个是你SOD和TEM的均值和标准差，第二个框就是你要的相关系数了，照我这个数值算出来相关系数应该是，P=<.你可以照我的做一遍。具体的建议你找本书学着，我也是看着书才慢慢学会的。这个不用急，多看看书就会了。
开始做数据分析：
在工具栏处，点击：
“分析”----”相关”----“双变量”，如下图所示，则开始进行变量的选择
如图，需要先确定要分析的变量，首先将两个变量放入“变量”框中。
此时，需要注意，要分析哪几个变量就只能选择那几个变量，而不能将所有的变量选入；
当然，如果分析的是多有的变量，也可以同时将所有的变量选入
然后，选择在“相关系数”框中选择“Pearson”。
因为，这里的两个变量为连续性的变量，因此采用pearson 相关分析；
若为两个分类变量，或者一个分类变量一个连续性的变量，则可以用Spearman 相关分析
选择好变量之后，如果需要对数据进行一定的描述，或者查看，可以打开右上角的按钮，即选择“选项”，如下图所示
大部分分析需要对原始数据进行统计描述，即如果需要进行描述性分析，可以选择均值和标准差，如上图所示的.mean （均值）和 sd （标准差），分别对数据的大小和离散程度作出一定的描述，并点击“确定按钮”
如果需要对数据进行模拟分析，则可以选择右上角的“bootsTrap”模拟分析，打开后如下图所示。
其中样本数为需要模拟的总共的次数，可以自己定义；后面的种子数，是开始模拟随机数字的起始种子数，同样可以自行定义。其中的置信区间为CI， 即结果的可信区间
单击确定后，再output窗口中可以看到：结果如下所示。
结果给出两个分析，一个是描述性分析，为以下的第二个图，和pearson 相关分析结果为第一个图。
一般结果，应该先描述第二个图的表格含义，
其中mean表示均值，为两个连续性变量的均数；第二个值为Std. Deviation 表示标准差，即原始数据的标准差
第一个图为pearson correlations表格为相关系数表
其中pearson correlation 为相关系数
sig 为P 值（<为有显著性意义）
N 为样本量
一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话是如果你放入多个自变量做回归，那么你看到的某一个自变量的回归系数其实代表的是控制了其他自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，他并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量。相关分析用于研究定量数据之间的关系情况，包括是否有关系，以及关系紧密程度等。1、如果呈现出显著性（结果右上角有*号，此时说明有关系；反之则没有关系）；有了关系之后，关系的紧密程度直接看相关系数大小即可。一般以上说明关系非常紧密；之间说明关系紧密；说明关系一般。2、如果说相关系数值小于，但是依然呈现出显著性（右上角有*号，1个*号叫水平显著，2个*号叫水平显著；显著是指相关系数的出现具有统计学意义普遍存在的，而不是偶然出现），说明关系较弱，但依然是有相关关系。3、相关分析是回归分析的前提条件，首先需要保证有相关关系，接着才能进行回归影响关系研究。4、因为如果都显示没有相关关系，是不可能有影响关系的。如果有相关关系，但也不一定会出现回归影响关系。相关分析的操作步骤1. SPSSAU用户可自由拖拽分析项进入分析列表框，区别仅在于输出格式不同。2. 相关分析使用相关系数表示分析项之间的关系；首先判断是否有关系(有*号则表示有关系，否则表示无关系)；3. 接着判断关系为正相关或者负相关(相关系数大于0为正相关，反之为负相关)；4. 最后判断关系紧密程度(通常相关系数大于则表示关系紧密)；5. 相关系数常见有两类，分别是Pearson和Spearman，本系统默认使用Pearson相关系数。在相关分析之前，SPSSAU建议可使用散点图直观查看数据之间的关系情况。除此之外，SPSSAU还提供Kendall相关系数。
具体要做什么分析，可以
对于论文中用SPSS分析数据的部分，一般需要写以下八个小节：1. Introduction 简介2. Data Screening & Cleaning 数据筛选和整理3. Profile of Respondents 受访者介绍4. Reliability of the Measurement 测量的可靠性分析5. Descriptive of Main Variables 主要变量描述6. Correlation Analysis 相关性分析7. Multiple Regression Analysis 多元回归分析8. Summary of Findings 调查结果总结This chapter focuses on presenting the results of this research. It begins with Data Screening & Cleaning. Next, Profile of Respondents will be presented followed by Reliability of the Measurement, Descriptive of Main Variables and Correlation Analysis.本章重点介绍了本研究的结果。它从数据筛选和清理开始。接下来，将介绍受访者的概况，然后是测量的可靠性、主要变量的描述和相关分析。2. Data Screening & Cleaning 数据筛选和整理调查数据必须首先对数据输入错误进行筛选和清理，然后才能进行分析。我们首先使用函数频率和描述性来筛选数据输入错误来检测回答中的异常。然后我们还评估了是否有很多空白的回答，最后我们还检查了被调查者是否回答相同的回答。首先，将收集来的数据整合成进Excel；然后打开SPSS，按照"File"→"Open"→"Data"的顺序导入文件第二步我们需要定义数据，包括 name， label， label， value首先定义variable name：然后定义value：（这一步是需要根据自己的调查问卷，比如问卷中定义1为男性，2 为女性，那么我们编码的时候也需要这样写）以定义性别为例之后我们就可以进行数据筛选和整理了：下面为输出结果：在这一部分我们需要介绍关于受访者的信息，以确认不同受访者对调查结果是否有影响。我们选择描述性统计中的频率将需要分析的受访者背景数据移到右侧这是频率表输出结果对于这个结果我们不能直接复制到论文中，我们可以另整理一个表格，如下图：4. Reliability of the Measurement 测量的可靠性分析对于可靠性分析的操作：选择分析→刻度→可靠性分析将需要分析的变量移到右侧可靠性分析的输出结果整理为表格写进论文中5. Descriptive of Main Variables 主要变量描述。
spss数据分析论文写法如下：
1、适用于自变量为定类数据且仅为两组时。
2、适用于因变量为定量数据。
3、各个观察值相互独立，不能相互影响，即满足独立性。这个一般根据专业背景考察，如遗传性疾病、传染性疾病的数据就可能存在非独立性问题，也就是不同数据会相互影响，而不同学生身高可认为相互独立，彼此不相互影响。
4、各个样本均来自正态分布的总体，即满足正态性。独立样本t建议对于数据资料的正态性存在一定的耐受能力，一般认为样本量大于30即可满足正态分布。
5、各个样本所在总体方差相等，即满足方差齐性。很多同学对于这个概念不太了解，这没有关系，在SPSS进行独立样本t检验时，自动会进行使用Levene’s检验来方差齐性，我们只需要根据相应结果解读数据即可。
撰写摘要注意事项：
1、不得简单重复题名中已有的信息，忌讳把引言中出现的内容写入摘要，不要照搬论文正文中的小标题（目录）或论文结论部分的文字，也不要诠释论文内容。
2、尽量采用文字叙述，不要将文中的数据罗列在摘要中；文字要简洁，应排除本学科领域已成为常识的内容，应删除无意义的或不必要的字眼；内容不宜展开论证说明，不要列举例证，不介绍研究过程。
3、摘要的内容必须完整，不能把论文中所阐述的主要内容（或观点）遗漏，应写成一篇可以独立使用的短文。
4、摘要一般不分段，切忌以条列式书写法。陈述要客观，对研究过程、方法和成果等不宜作主观评价，也不宜与别人的研究作对比说明。
你要先有论文的目的和分析思路，然后根据目的的论文和分析思路，确定需要收集的数据和类型，最后才考虑 应该用spss什么方法来实现。下面是我自己写的一个 带数据分析的论文写作指导首先，我要说明这里的指导并非常规意义的指导，我这里说的指导是到底应该如何写论文（应该还是很抽象，不过看完就知道了）。迄今为止，我大约也帮忙做了能有上千份的学生论文数据分析部分，包括一部分的整篇论文写作,其中涉及到有医学类、护理类、人文社科类、教育类、经济学类、心理学类等，单凡需要用到数据分析的论文。因为我是做市场研究与数据分析的，擅长的主要工具是spss，不敢说百分百精通spss，但是应付个八九十应该是足够了，很自然的平时就利用下班和业余时间帮学生做一些论文数据分析以及论文写作指导。很多论文的核心部分都包括数据分析，而统计学也应该是所有学科应该学习的一门重要课程，但是恰恰相反，很多学科只是把统计学和数据分析作为一项选修甚至不重要的课程对待，这样导致学生在最后做论文时完全不懂。而在这种情况下，很多学生因为对数据分析的一窍不通，导致论文从开始的设计到后续的数据收集、整理等都会出现问题，最终导致分析出问题。因此，在对数据分析一窍不通的情况下，应该如何从头构建论文及写作呢？很多论文虽然数据分析部分是核心，但是不管哪种论文的写作，都脱离不了论文的框架。因此，具体的过程应该如下：首先是选题，当然很多时候是导师直接给选题，这个没有太多讨论。其次是选题确定后，马上要做的不是想我应该怎么去写作，或者在哪抱怨“哎~~郁闷，完全不知道怎么写嘛”。而是先通过文献查找，看前人在这个选题方面已经做了哪些研究，都是如何做的。通过查找文献找到跟选题有关的资料，然后对这些资料进行整理，整理不需要计较参考文献的结论和数据细节等，而是要把每篇文献的研究目的、采用的研究方法、采用的分析方法整理出来。当然参考文献中的分析方法你可能还完全不懂，但是没关系，你先把这些参考文献中使用的分析方法全部罗列出来，如线性回归、方差分析、均值t检验、logistic回归等，把这些文献中常用的统计方法罗列出来，你需要弄清楚对应关系，即每种分析方法是用来支持和实现什么样的研究目的，以及能够得出什么样的结论，认真阅读文献就能实现这一步。第三．通过上一步，你应该朦胧的知道你选题相关的参考文献中常用的统计方法名称，以及这些统计方法能够帮助实现哪些目的，或者得出什么结论，同时也不会对自己的选题那么恐惧和迷茫了，因为可能你的选题已经有前人做过了，你的论文只是“复制”一遍而已了，我说的复制是重复一遍前人的研究。在这种情况下，可以构思下自己的选题，这一步属于纯理论层面的，你需要将自己的思路具体化，比如要实现什么目的，很自然的需要什么数据分析方法也就能确定了。当然很多论文会预先设计一系列待验证的假设，也是在这一步完成，因为你找到的文献中可能会存在矛盾的结论，可能会存在一些你认为的研究缺陷（文献看多了，自然自己就会有想法出来了），提出自己的一系列假设，能够很清楚的指导后面的数据收集和分析。第四．选题、假设还有研究方法这些经过前面几步都能确定了，接下来就是要考虑具体研究和收集数据的环节了。这个环节最重要的也是首要的是弄清楚你的数据应该是什么类型的，通过哪种方法来获取。其实也容易了，因为前面你已经确定了统计分析方法，而每种方法有它特定的数据类型要求，比如是分类数据（如性别、民族、年级等）、比如连续性数据（如年龄、身高、体重、温度、长度、距离等）。分类数据简单通俗点的理解就是这些数字本身是没有意义的，是人为赋予它一定的含义，这些数据之间不存在连续性，且加减乘除没有意义，而连续性数据是数据本身有意义，且能够进行一些加减乘除运算。确定了所需要的数据类型，就大致能够知道在数据收集时，应该注意的问题。比如一份问卷调查，其中应该如何设计问题也就大致清楚了，通常问卷设计时就要考虑两种数据类型的问题，因为不同的选项设计会导致不同的数据类型。如你设计一个问题的答案选项是“有/没有”、“是/否”这种是属于分类数据，如果你的答案选项是李克特量表式“非常满意----非常不满意”这种，在处理时可以按照分类数据，只能统计出一些百分比，也可能将其按照连续数据如12345打分形式，这样可以求均值，可以做很多其他多元统计分析。因此这一步确定数据类型很关键，如果数据类型弄错的话，则收集的数据完全无用。第五．具体收集数据过程，不细说了，收集回来之后就是数据的录入。记住一定要录入原始的数据，而不是经过加减整理汇总后的数据。数据录入格式也是有要求的，一般大致同样的情况下，都是一行代表一个个案或者一份问卷的数据，而一列对应表示的是问卷中的一个问题，即变量。因此数据录入完成后，应该是有多少样本数据，就有多少行，数据中包含多少个指标，那就有多少列。第六．这一步才是你应该开始头疼的数据分析不会了怎么办。因为到这里才开始是数据的具体分析过程了。不会怎么办，前面已经知道了分析方法，这种情况，只有找本教材，然后找对应的方法介绍学习即可，或者实在不行找人指导，找人帮忙等等。最后。分析完成后，开始整篇论文的写作。其实完成前面的每一步，到最后写文献综述以及讨论时，自然就会得心应手了，很少会需要绞尽脑汁甚至东拼西凑。
开始做数据分析：
在工具栏处，点击：
“分析”----”相关”----“双变量”，如下图所示，则开始进行变量的选择
如图，需要先确定要分析的变量，首先将两个变量放入“变量”框中。
此时，需要注意，要分析哪几个变量就只能选择那几个变量，而不能将所有的变量选入；
当然，如果分析的是多有的变量，也可以同时将所有的变量选入
然后，选择在“相关系数”框中选择“Pearson”。
因为，这里的两个变量为连续性的变量，因此采用pearson 相关分析；
若为两个分类变量，或者一个分类变量一个连续性的变量，则可以用Spearman 相关分析
选择好变量之后，如果需要对数据进行一定的描述，或者查看，可以打开右上角的按钮，即选择“选项”，如下图所示
大部分分析需要对原始数据进行统计描述，即如果需要进行描述性分析，可以选择均值和标准差，如上图所示的.mean （均值）和 sd （标准差），分别对数据的大小和离散程度作出一定的描述，并点击“确定按钮”
如果需要对数据进行模拟分析，则可以选择右上角的“bootsTrap”模拟分析，打开后如下图所示。
其中样本数为需要模拟的总共的次数，可以自己定义；后面的种子数，是开始模拟随机数字的起始种子数，同样可以自行定义。其中的置信区间为CI， 即结果的可信区间
单击确定后，再output窗口中可以看到：结果如下所示。
结果给出两个分析，一个是描述性分析，为以下的第二个图，和pearson 相关分析结果为第一个图。
一般结果，应该先描述第二个图的表格含义，
其中mean表示均值，为两个连续性变量的均数；第二个值为Std. Deviation 表示标准差，即原始数据的标准差
第一个图为pearson correlations表格为相关系数表
其中pearson correlation 为相关系数
sig 为P 值（<为有显著性意义）
N 为样本量
1、在spss的主界面上输入数据以后，通过分析那里点击非参数检验中的相关样本。
2、这个时候来到一个新的窗口，设置检验对并选择威尔科克森。
3、下一步如果没问题，就直接进行确定。
4、这样一来会生成详细的数据结果，即可用spss做相关性分析了。
相关性分析spss步骤
操作路径【分析→相关→双变量】
将变量放置分析框内，勾选pearson以及双侧检验后点击确定。
结果：
SPSSAU相关分析
操作路径【通用方法→相关（pearson相关）】 ，将数据拖拽到右侧分析框内。点击【开始分析】；
结果：
上表可以看出二者的相关系数约为，并且p值小于，所以说明薪资与购买意愿具有相关关系。
同时发现与SPSS的结果完全一致，但是SPSSAU操作起来更方便，结果更加丰富易懂。
SPSS相关性分析操作步骤，1、打开SPSS软件，在分析菜单中选择因素和相关性，也可在数据菜单中选择相关，2、点击相关性，在弹出的对话框中选择要进行研究的变量，点击确定按钮，3、点击完成按钮，可以多次再点完成来添加变量，4、点击右侧计算按钮，开始运算，5、点击OK按钮，得出运算结果，6、在实体输出窗口中，显示出结果，7、在另一个输出窗口中，可以查看更多细节，包括因子相关系数在分析等。相关性分析是统计分析的一种，它的主要作用是检验两个变量之间的关系，这些变量可以是两个数值型变量，也可以是一个数值型变量和一个分类型变量。通过对数据的计算，可以得出相关系数，从而判断两个变量之间是否存在正相关、负相关或者无相关关系。SPSS中，为了更方便快捷地进行相关性分析，它提供了丰富的功能。可以通过尝试不同的分析模型，如多重线性回归分析、逐步回归分析等，对多个变量之间的关系进行检验，从而得出有效结论。同时，SPSS中还有很多其它分析工具，如多元统计分析、集中趋势分析等，有助于更全面准确地识别和分析变量之间的关系。
具体要做什么分析，可以
如何在论文钟罗列spss数据？答：其实在统计分析软件中，SPSS真的蛮容易上手的，可以找本SPSS分析的教材，先把数据导入之后，根据你的需要相应做描述性统计分析、信度分析、效度分析、相关分析、回归分析等，书上都会有相应的操作步骤，以及分析结果的解释，可以边学边做。
通过分析数据误差来进行。论文误差分析spss要通过分析数据误差来进行，分析的分类一个类别自变量到单因素方差分析。可以用在线版spss分析平台spssau进行分析，操作非常简单，有个10分钟就能学会。不会的理论知识有帮助手册可以随时查阅，包括如果选择方法、数据分析思路、每个方法的案例常见问题等。以及结果同时输出智能文字建议，可配合专业知识对数据结果进行解读。
根据论文的研究目的确定spss的具体分析方法
没问题，数据分析你要提供数据
spss数据分析论文有具体的排版格式.
首先来回答你的问题：1. 非标准化系数就是回归方程的斜率，表示每个自变量变化1个单位，因变量相应变化多少个单位，该系数与自变量所取的单位有关，一般不用来衡量自变量的影响力大小。2. 标准化系数消除了自变量单位的影响，其大小可以衡量每个自变量对因变量的影响力之大小，一般来说，标准化系数的绝对值越大，该自变量对因变量的影响力就越大。其次，大致给你提出点分析和建议（2-4条的前提是样本量够大）：1. 样本太小，只有5组数据，得到的结果往往不可靠，强烈建议增大样本量，否则统计分析可能毫无意义，甚至造成错误。2. 从自变量t检验结果来看，逗其来石含量地与逗颈部密度地对应的sig值均超过了，用统计专业的话来说，这意味着逗在的显著性水平下，这两个自变量与因变量不显著相关地，通俗的说，在自变量平均孔径存在的前提下，这两个变量基本可以排除出方程了。3. 从偏相关性来看，3个自变量之间有极强的相关性（或共线性），因为强相关的自变量往往会导致不合理的统计分析结果，因此理论上他们不可以一起放入方程。4. 建议你在做多元线性回归分析的时候采用多元逐步回归，这样可以按自变量影响力的大小自动排除强相关的变量，也可以自动排除对因变量无显著影响的自变量，从而得到更可靠的分析结果。
怎么做相关分析？
相关分析用于研究定量数据之间的关系情况，包括是否有关系,以及关系紧密程度等。例如：研究员工薪资与员工工龄的关系；产品销量与产品售后服务的关系等。
相关分析的适用范围很广，理论上讲，凡是考察两个变量相关性，都可以叫做相关分析。相关分析研究是定量与定量的数据，如果是定类和定量数据需要使用方差分析，定类和定类需要使用交叉（卡方）。
在“通用方法”模块中选择“相关”方法，将分析项定量变量放于分析框内，点击“开始分析”即可。
结果如下：
从上表可知，利用相关分析去研究公司满意度和人际关系, 机会感知, 离职倾向, 工作条件共4项之间的相关关系，使用Pearson相关系数去表示相关关系的强弱情况。
其中上表展示了各个变量的均值标准差以及相关系数等，例如：公司满意度的平均值为，标准差为，人际关系的平均值是，标准差为，机会感知的平均值以及标准差为，以此类推。
补充说明：对于相关分析，一般规范的表格格式是：p值使用*号表示（标识在相关系数的右上角），p< 使用2个*号表示；p< 使用1个*号表示。同时 SPSSAU也提供一个带具体p 值的结果表格。