回答:
このサイトでは、関連する質問が数回行われています。チェックアウト
私の経験から、リッカートスケールではなくリッカートアイテムで分析を実行することには違いがあります。リッカート尺度は、複数の項目の合計です。複数の項目を合計すると、likertスケールはより多くの可能な値を取得し、結果のスケールはより粗いものになります。そのようなスケールには、多くの研究者がそれらを継続的として扱うために準備するのに十分な数のポイントがあることがよくあります。もちろん、これは少し無頓着であると主張する人もいるでしょう、そして心理学および関連する構成要素を測定するための最良の方法について心理測定学に多くが書かれています。
心理学のジャーナル記事を読んだ私の偶然の観察から、複数項目リッカート尺度間の二変量関係の大部分は、ピアソンの相関係数を使用して分析されます。ここでは、性格、知性、態度、幸福などのスケールについて考えています。このようなスケールがある場合、ピアソンが主な選択であった可能性のある以前の結果と比較されることを検討する価値があります。
ピアソンのものとスピアマンのもの（そしておそらくケンドールのタウさえ）を比較することは興味深い練習です。ただし、どの統計を使用するかについての決定は残りますが、これは最終的には2変量関連付けの定義によって異なります。
相関係数は、ホモセダスティシティがない場合でも2つの変数間の線形関係を正確にまとめたものです（または、どちらの変数も従属変数ではない場合、2変量正規性と言う必要があります）。
2つの変数の間に非線形の関係がある場合、これは興味深いことです。ただし、どちらの変数も連続変数として扱うことができるため、ピアソンの変数を使用できます。たとえば、年齢は多くの場合、収入などの他の変数と逆U関係にありますが、年齢はまだ連続変数です。
散布図を作成し、いくつかの平滑化された近似（スプラインやLOESSなど）を近似して、非線形関係を調べることをお勧めします。関係が本当に非線形である場合、線形相関はそのような関係を記述するための最良の選択ではありません。次に、多項式または非線形回帰を調査することができます。
ほとんど間違いなく、スピアマンのローかケンドールのタウを選ぶべきです。多くの場合、データは非正規であるが分散が等しい場合、ピアソンのrを使用しても大きな違いはありません。分散が大幅に異なる場合は、ノンパラメトリック法が必要です。
Spearman's Rhoの使用をサポートするために、ほとんどすべての導入統計テキストを引用できます。
更新：線形性の仮定に違反している場合は、線形関係を想定しているため、データにピアソン相関係数を使用しないでください。スピアマンのローは、線形性がなくても許容可能であり、変数間のより一般的な単調関係を意味します。ピアソンの相関係数を使用する場合は、データを変換する対数を調べることができます。これは非線形性を処理する可能性があるためです。
一般に、相関関係には線形性が必要であることは1つだけ確かです。ここで、データはいくぶん曲線の形をしていると言うので、非線形回帰が左の選択のようです