使用相关矩阵，您正在检查变量之间的无条件（粗略）关联。使用回归模型，您正在检查您的 IV 与您的 DV 的联合关联，从而查看条件关联（对于每个 IV，它与 DV 的关联取决于其他 IV）。根据您的数据结构，这两者可能会产生非常不同甚至相反的结果。

巧合的是，我只是在看一个我之前创建的示例，以展示类似的概念（实际上是为了展示逐步回归的问题之一）。这是创建和分析模拟数据集的 R 代码：

set.seed(1)
x1 <- rnorm(25)
x2 <- rnorm(25, x1)
y <- x1-x2 + rnorm(25)
pairs( cbind(y,x1,x2) )    # Relevant results of each following line appear below...
cor( cbind(y,x1,x2) )      # rx1y  =   .08      rx2y = -.26      rx1x2 = .79
summary(lm(y~x1))          # t(23) =   .39         p = .70
summary(lm(y~x2))          # t(23) = -1.28         p = .21
summary(lm(y~x1+x2))       # t(22) =  2.54, -2.88  p = .02, .01 (for x1 & x2, respectively)

相关性和简单的线性回归表明两者之间的关系较低（无统计学意义）$y$和每一个$x$变量。但$y$被定义为两者的函数$x$s，并且多元回归显示两者都是显着的预测因子。

如果我们能从您的软件输出中看到定量细节，并且理想情况下也能看到数据，您的问题会更容易回答。

特别是什么是“低相关性”？您使用什么显着性水平？预测变量之间是否存在导致 SPSS 丢弃一些的内置关系？

请注意，我们无法判断您是否为您的目的使用了最佳或最合适的语法，因为您没有准确说明您做了什么。

从广义上讲，预测变量和结果之间的低相关性意味着回归可能会令人失望，就像您需要巧克力来制作巧克力蛋糕一样。给我们更多细节，你应该得到更好的答案。

同样从广义上讲，你的主管的失望并不意味着你做错了事。如果您的主管了解的统计数据比您少，您需要向您所在机构的其他人寻求建议和支持。