在SPSS中进行相关性分析时，通常会涉及到含有多个指标的多个变量。这些变量可以是连续值、分类值或二元值，它们之间可能存在线性或非线性关系。以下是处理这种情况的一些方法：

1. Pearson相关系数

Pearson相关系数是衡量两个连续变量之间线性关系的一种方法。在SPSS中，通过选择“Analyze”菜单下的“Correlate”选项，然后选择要比较的变量即可计算出相关系数矩阵。如果想要比较多个变量之间的相关性，则可以使用描述性统计分析表格来查看每个变量与其他变量之间的相关性。

2. Spearman等级相关系数

Spearman等级相关系数是用于衡量两个有序变量之间的关系的一种方法。它不仅适用于连续变量，还适用于分类变量和二元变量。在SPSS中，通过选择“Analyze”菜单下的“Correlate”选项，然后选择要比较的变量即可计算出Spearman等级相关系数矩阵。

3. 利用主成分分析

主成分分析是一种数据降维技术，可以将多个具有相关性的变量转换为一组不相关的因子。在SPSS中，选择“Analyze”菜单下的“Dimension Reduction”选项，然后选择“Factor Analysis”即可进行主成分分析。可以通过观察每个因子与原始变量之间的贡献度来确定哪些变量可以组合为一个因子。

4. 进行聚类分析

聚类分析是一种将相似物品或对象分组的方法。在SPSS中，选择“Analyze”菜单下的“Classify”选项，然后选择“Hierarchical Cluster”即可进行聚类分析。可以通过观察聚类结果中的不同组别来确定哪些变量在某个群组中高度相关。

5. 进行回归分析

回归分析是一种用于预测目标变量的方法。在SPSS中，选择“Analyze”菜单下的“Regression”选项，然后选择“Linear Regression”即可进行回归分析。通过建立一个包含多个自变量的模型，可以确定这些自变量之间的相关性及其对目标变量的影响程度。

总之，在处理含有多个指标的多个变量时，需要根据数据类型和分析目的选择适当的方法。以上列举了一些常用的方法，但并非所有情况都适用。在具体应用中，还需要根据数据特点进行灵活选择，并结合领域知识进行解释和分析。