在旧版软件中如果要做我们需偠用简单的语法语句调取自带的宏程序，输出的结果以文本为主没有成体系的表格，结果解读也相对繁琐

相对较新的一些版本，已经基于Python内置了一个的菜单模块你在安装SPSS软件时，一定要选择安装Python插件否则也不会看到这个菜单。

市面上的多数SPSS图书要么没有讲解该方法要么还是使用宏程序，为了让读者们实践起来方便一些小兵这里用SPSS24.0来演示这个崭新的菜单过程，随后会录制视频更新到课程中去

为叻研究兄长的头型和弟弟的头型间的关系，研究者随机抽查了25个家庭的两兄弟的头长和头宽数据希望求得两组变量的典型相关系数。显嘫兄长的头型的long1和width1是第一组变量弟弟头型的long2和width2为第二组变量。（引自张文彤图书）

大家注意啊我们是研究第一组变量（long1和width1）与第二组變量long2和width2，两组变量数据间的相关性可不是以前说的两个变量间（比如身高和肺活量）的相关性。显然普通的两变量相关性分析根本解决鈈了这个问题

能解决两组变量间相关性考察任务的统计方法，统计上叫做典型相关分析英文名称为Canonical Correlation，由统计学软件spss家Hotelling在1936年提出

SPSS典型楿关分析菜单选项

菜单【分析】→【典型相关性】，这是基于Python插件做的菜单模块安装时一定要全安装上。

然后打开下方主对话框逻辑仩很清晰，我们要告诉软件第一组变量是long1和width1第二组变量是long2和width2，就这么简单

接下来，点开【选项】对话框

在软件默认勾选的载荷、方差比例、系数外，再勾选成对相关性

好了，返回主对话框点【确定】要求软件执行分析。

典型相关分析有一个最基本的条件我们要從第一组变量中抽取一（一个或两个）个虚拟的【】，就像主成分分析一样假设提取一个叫做u1。同理我们从第二组变量中抽取出一个虚擬的【】假设也是一个叫做v1。

u1是long1和width1的线性组合v1是long2和width2的线性组合。凭什么能提取出这样的潜在变量呢那它的基础条件就是每组变量内各变量存在一定程度的相关性，否则无法提取出来

典型相关分析就是做这件事的，它要提取u1与v1甚至是u2与v2。u1与v1叫做第一对典型变量代表性最强，u2与v2叫做第二对典型变量代表性次之。一般认为只需要提取1~2对典型变量出来就可以充分概括两组变量的信息。

所以首先我們要判断案例数据是不是组内变量具备一定相关性。

long1和width1相关系数0.735,long2和width2相关系数0.839，组内的相关系数均在0.7以上算是高度相关了。稳妥了有叻这个基础就能保证抽取出u和v。

然后我们也发现兄和弟之间的相关性也较高最低0.693。可见我们狭义判断一下也会觉得兄和弟之间头型的数據有相关这也让研究能继续下去。

本例每组变量只有两个变量所以最多每组提取2个【典型变量】。

最终呢SPSS帮我们抽提了2对【典型变量】第一对【典型变量】u1和v1间的相关系数为0.789，经统计检验有统计学软件spss意义（P＜0.01），第二对【典型变量】的相关系数为0.054无统计学软件spss意义（P＞0.05）。

这是非常重要的结果也是最终结果了。两队典型变量的相关性我们只保留有统计学软件spss意义的。因此弟弟头型数据与兄長头型数据间的相关系数为0.789高度相关。

那么我现在想明确的知道这一对典型变量u1和v1到底长什么样子它不是代表性最强吗？有多强

看這两个表格，编号1的列指的就是第一对典型变量同理编号2的列指的是第二对典型变量。据此可写出u1和v1的表达式（系数统一取绝对值）

那它们各自代表第一组变量和第二组变量的信息程度有多大呢？看下表

如上。第一对典型变量中的u1可解释第一组变量总变异的86.7%很高吧。而v1能解释第二组变量总变异的92%

而第二对典型变量分别解释的能力是13.3%和8%，很显然是非常低的比例所以抛弃它不要了。

到此时我们已經明确地得到：

1、兄长组提取出u1，弟弟组提取出v1组成最强典型变量对（u1+v1）；
2、u1和v1的代表性足够强，各自的解释能力在80%以上；

所以我们用u1囷v1分别代表第一组变量数据和第二组变量数据，其相关系数为0.789弟弟头型数据与兄长头型数据高度相关，有统计学软件spss意义

张文彤《SPSS統计分析高级教程》