相关系数的检验主要有两种方法：一种是对假设 “相关系数ρ=0” 的t检验，另一种是对假设 “相关系数ρ≠0”的z检验。
关于t检验：检验r是否显著，即检验r是否不等于零。
关于z检验：假设相关系数等于ρ，经过一系列步骤，计算出该假设在显著性水平α下为真的置信区间(通俗的讲，就是计算得到一个范围(rlow,rhi)，如果要检验的相关系数落在这个范围内(rlow<r<rhi)，那么原来的假设(相关系数=ρ)有（1-α）的把握成立)。
扩展资料
相关表和 相关图可反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间 相关的程度。于是，著名统计学家 卡尔·皮尔逊设计了 统计指标——相关系数(Correlation coefficient)。
相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自 平均值的 离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。
需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。
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.此分析方法通常用于回归分析之前;相关分析与回归分析的逻辑关系为:先有相关关系,才有可能有回归关系。相关系数（pearson相关系数）是根据样本数据计算的度量两个变量之间线性关系强度的统计量。有时pearson相关也称为积差相关或者积矩相关，基本原理是假设存在两个变量X和Y，则两个变量的皮尔逊相关系数可以通过以下公式进行计算：
式中E为数学期望，N为样本容量。以上都可以计算皮尔逊相关系数。
SPSSAU在相关分析中提供：
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3.291，标准差为0.541，人际关系的平均值是3.748，标准差为0.616，机会感知的平均值3.322以及标准差为0.602，以此类推。