KNOWECON WIKI

ARTICLE

皮尔逊积矩相关系数

皮尔逊积矩相关系数 皮尔逊积矩相关系数（Pearson product-moment correlation coefficient）→Karl Pearson自Francis Galton1880s相关思想发展→为最常用度两连续变量间线性相关强弱与方向之统计量→记作r（样本）或 （总体）。值域[-1,1]：1为完全正相关，0为无线性相关，-1为完全负相关。

浏览 3 更新 2025-10-26

皮尔逊积矩相关系数

皮尔逊积矩相关系数（Pearson product-moment correlation coefficient）→Karl Pearson自Francis Galton1880s相关思想发展→为最常用度两连续变量间线性相关强弱与方向之统计量→记作rr（样本）或ρ\rho（总体）。值域[−1,1][-1,1]：1为完全正相关，0为无线性相关，-1为完全负相关。定义为协方差除以标准差之积：

rxy=∑i=1n(xi−xˉ)(yi−yˉ)∑i=1n(xi−xˉ)2∑i=1n(yi−yˉ)2r_{xy} = \frac{\sum_{i=1}^n (x_i-\bar{x})(y_i-\bar{y})} {\sqrt{\sum_{i=1}^n (x_i-\bar{x})^2 \sum_{i=1}^n (y_i-\bar{y})^2}}

此式等价于标准化后之协方差，故为无量纲量，不受变量单位变化影响。

几何意义与代数性质

几何解释：将数据中心化后，xx与yy视作向量，则r=cos⁡θr = \cos\theta，其中θ\theta为二向量间夹角。r=1r=1对应θ=0∘\theta=0^\circ方向一致；r=−1r=-1对应θ=180∘\theta=180^\circ方向相反；r=0r=0对应θ=90∘\theta=90^\circ正交。故皮尔逊相关系数本质为余弦相似度在中心化后之特例，内蕴于内积空间结构。

代数性质：①对称性：rxy=ryxr_{xy}=r_{yx}。②平移与尺度不变：raX+b,cY+d=rXYr_{aX+b,cY+d}=r_{XY}（当a,c>0a,c>0）；若a,ca,c异号则符号反转。③有界性：∣r∣≤1|r|\le 1，等号成立⇔存在完美线性关系Y=aX+bY=aX+b。④不隐含因果关系：高相关系数不意味着变量间存在因果关系，虚假相关可因混杂变量或共同原因而产生。

使用前提与假设

线性假设：皮尔逊相关系数仅度量线性关系强度。若关系为曲线（如Y=X2Y=X^2），rr可能接近0，但两变量仍高度相关（非线性）。故用前必作散点图检查。

变量类型：适用于连续数值变量；对顺序变量（如排名、Likert量表）应改用Spearman秩相关系数。数据应近似正态分布，尤其在假设检验时；但大样本下因中心极限定理可容忍一定偏离。

离群值敏感：单个极端离群值可大幅扭曲相关系数。因计算基于最小二乘思想（涉及平方项），故对离群值极为敏感。实用中应同时报告稳健相关估计（如Spearman相关或Kendall's Tau）作为对照。

方差齐性与同质性：异方差结构（方差随变量水平变化）可扭曲相关系数估计。样本应来自同质总体；若合并两个不同子群体，可能出现Simpson悖论——总体符号与各子组相反。

统计推断

总体相关系数为零检验：H0:ρ=0,H1:ρ≠0H_0: \rho = 0, H_1: \rho \neq 0。检验统计量为 t=rn−21−r2t = r \sqrt{\frac{n-2}{1-r^2}}，在H0H_0下服从tn−2t_{n-2}分布。此检验在样本量较大时极易拒绝，因此极小的rr（如0.05）在n=1000n=1000时也可能显著——研究者应关注效应量而非仅p值。

总体相关系数为非零值检验：H0:ρ=ρ0H_0: \rho = \rho_0。使用Fisher Z-变换：z=12ln⁡1+r1−rz = \frac{1}{2}\ln\frac{1+r}{1-r}，渐近服从正态分布N(12ln⁡1+ρ1−ρ,1n−3)N(\frac{1}{2}\ln\frac{1+\rho}{1-\rho}, \frac{1}{n-3})。此变换也用于构建置信区间：先将r变换为z，计算z的CI，再反变换回r尺度。置信区间较单点估计提供更丰富信息，反映估计精度。

效应量解释：Cohen（1988）建议：∣r∣=0.1|r|=0.1为小效应，0.30.3为中等，0.50.5及以上为大效应。但此准则具领域依赖性：心理学研究中r=0.3r=0.3已属中上水平，而物理学中常见r>0.99r>0.99。实际报告应结合领域背景进行解释。

相关矩阵与偏相关

多变量情境下，所有变量两两之间相关系数构成相关矩阵R=[rij]p×pR = [r_{ij}]_{p\times p}。此矩阵为对称且半正定，是主成分分析、因子分析、结构方程模型等多元统计方法的基础输入。

偏相关系数（partial correlation coefficient）度量在控制其他变量后两个变量之间的剩余相关。偏相关可用于识别虚假相关：例如，鞋码与阅读能力在儿童中呈现正相关，但控制年龄后相关消失——其原因为混杂变量（年龄）同时影响二者。偏相关系数可通过递归回归或相关矩阵求逆（逆矩阵元素经适当缩放）计算。

经典陷阱与警示

相关不等于因果：此乃统计学第一诫命。经典示例：冰淇淋销量与溺水人数正相关⇒真实原因（混杂因素）为气温——天热时人们既多吃冰激凌也更多游泳。流行病学中更严重：吸烟与肺癌相关经半个世纪辩论才被确认为因果。因果推断需借助随机对照试验、工具变量、断点回归等专门方法。

Anscombe四重奏：Frank Anscombe1973年构造四组(x,y)(x,y)数据，具有相同xˉ=9.0,yˉ=7.5,r=0.816\bar{x}=9.0, \bar{y}=7.5, r=0.816及相同回归线y=3+0.5xy=3+0.5x。然而四组数据形态迥异：一组为线性加噪声，一组呈抛物线，一组含单个离群值，一组为垂直线加一个孤立点。此经典演示说明：数值统计量不可替代图形诊断——每次计算相关系数前必须查看散点图。

范围限制：仅使用变量部分取值区间时（如仅研究高收入群体），真实相关性可能被低估。这在心理学（仅用临床样本）、经济学（截断数据）中常见。

计算与软件实现

现代统计软件均可高效计算：R用\verb|cor()|函数，Python用\verb|numpy.corrcoef()|或\verb|scipy.stats.pearsonr()|，Julia用\verb|cor()|，MATLAB用\verb|corrcoef()|，Stata用\verb|pwcorr|。所有实现均应注意缺失值处理：pairwise deletion（每对变量使用非缺失观测）保留最多信息但协方差矩阵可能非正定；listwise deletion（删除含任何缺失的整行）保证一致但损失样本量。

与其他相关系数之关系

Spearman秩相关系数：将原始数据替换为秩次后计算皮尔逊相关系数，度单调关系而非线性关系，对离群值更稳健。Kendall's Tau：基于一致对与不一致对计数，更适合小样本及含大量同序值（ties）情形。点二列相关系数：一个二分变量（0/1）与一个连续变量间的皮尔逊相关。\phi系数：两个二分变量间的皮尔逊相关。可见皮尔逊积矩相关系数是一个更广义框架的特例，许多其他相关系数可通过数据变换归结为其计算形式。

历史与应用

Karl Pearson于1896年论文《Regression, Heredity and Panmixia》中正式提出此系数。其思想源头可追溯至Galton对遗传学中亲子代特征相似性的研究。Pearson作为生物统计学派核心人物，将相关系数与回归分析、卡方检验等工具共同奠基现代数理统计。

今日，皮尔逊相关系数已渗透几乎所有数据科学领域：基因组学中用基因共表达网络分析、金融学中资产组合风险度量、机器学习中特征选择（过滤低相关特征）、社会科学中问卷信度评估、信号处理中互相关分析等。其简洁直观与强大解释力使之成为统计工具箱中最核心的工具之一。

总结：皮尔逊积矩相关系数为统计中最基础且最常用的效应量之一。正确使用需满足线性、近似正态、无离群值等前提，并结合图形诊断和领域知识进行解释。须知相关≠因果，样本相关≠总体相关，数值摘要≠数据全貌。只有在充分理解其假设与局限的基础上，才能发挥这一经典工具的真正价值。