KNOWECON WIKI

ARTICLE

相关性分析

相关性分析 (Correlation Analysis) 相关性分析 (Correlation Analysis) 是统计学中用于衡量两个或多个变量之间线性关联程度与方向的一组方法。其核心目标是通过量化指标判断变量是否共同变化、变化方向是否一致以及关联强度的大小。相关性分析是回归分析、因子分析与因果推断的基础前置步骤，在社会科学、生物医学、金融量化等领域均有

浏览 0 更新 2025-07-16

相关性分析 (Correlation Analysis)

相关性分析 (Correlation Analysis) 是统计学中用于衡量两个或多个变量之间线性关联程度与方向的一组方法。其核心目标是通过量化指标判断变量是否共同变化、变化方向是否一致以及关联强度的大小。相关性分析是回归分析、因子分析与因果推断的基础前置步骤，在社会科学、生物医学、金融量化等领域均有广泛应用。与回归分析不同的是，相关性分析不区分自变量与因变量，而是对称地衡量变量之间的共变关系。

皮尔逊相关系数

最常用的度量是 皮尔逊积矩相关系数 rr，以统计学家卡尔·皮尔逊命名。其定义为：

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

其中 xˉ\bar{x}、yˉ\bar{y} 为样本均值。rr 的取值范围为 [−1,1][-1, 1]：r=1r = 1 表示完全正线性相关，所有点落在一条斜率为正的直线上；r=−1r = -1 表示完全负线性相关；r=0r = 0 表示不存在线性相关关系（但可能存在非线性关系）。rr 的绝对值越接近 1，线性关联越强。从几何角度看，皮尔逊相关系数等价于数据中心化后向量夹角的余弦值，这揭示了其本质：衡量两个向量在欧几里得空间中方向一致的程度。皮尔逊相关系数的平方 r2r^2 在简单线性回归中恰好等于判定系数 R2R^2，即自变量能解释的因变量变异比例。

适用条件与局限性

皮尔逊相关系数虽应用广泛，但对数据性质有严格要求。首先，rr 仅衡量线性关联，若变量间为曲线关系（如 y=x2y = x^2），rr 可能接近于 0，因此计算前必须绘制散点图进行目视检查。其次，严格的假设检验要求双变量服从联合正态分布，若偏离正态严重，可考虑使用非参数替代方法。此外，单个极端值可显著扭曲 rr 的估计，稳健做法是同时计算 Spearman 秩相关系数作为对照。

辛普森悖论 在相关分析中的体现尤为典型：两个变量在总体中的相关性可能为正，但分组后各组内均为负相关（或反之）。一个著名的案例是：某大学的整体数据显示入学成绩与毕业成绩正相关，但分学院后每个学院内部都呈现负相关，这是因为不同学院的录取标准和评分标准存在系统性差异。因此，在计算相关系数之前可视化数据是不可省略的步骤。

Spearman 秩相关系数

Spearman 秩相关系数 ρs\rho_s 是皮尔逊系数的非参数替代方案，由心理学家查尔斯·斯皮尔曼提出。计算时将原始数据替换为秩次，然后对秩次计算皮尔逊公式：

ρs=1−6∑di2n(n2−1)\rho_s = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}

其中 did_i 为第 ii 对观测的秩次差。ρs\rho_s 同样取值 [−1,1][-1, 1]，但衡量的是单调关系（不限于线性）。其优势包括：不对总体分布作任何假定，适用于偏态分布数据；对离群值不敏感，因为排序过程削弱了极端值的影响；能捕捉严格单调的非线性关系；适用于有序分类变量之间的关联分析。在实际研究中，Spearman 相关系数常与皮尔逊系数同时报告：若二者数值接近，说明数据接近线性关系；若 Spearman 系数明显大于皮尔逊系数，则提示可能存在单调但非线性的关联。

Kendall 秩相关系数

Kendall 的 τ\tau 是另一种基于排序的非参数度量，由莫里斯·肯德尔提出。其思想是比较所有观测对在 xx 和 yy 上的排序是否一致：

τ=C−D12n(n−1)\tau = \frac{C - D}{\frac{1}{2}n(n-1)}

其中 CC 为一致对数量，DD 为不一致对数量。Kendall τ\tau 对数据中的绑定值有专门校正版本，在小样本情况下比 Spearman 系数更稳健。Kendall τ\tau 直观的解释是：随机选取两对观测，它们排序一致的概率减去排序不一致的概率，这一概率解释使其在理论研究中备受青睐。

相关性矩阵与可视化

当涉及两个以上变量时，应计算相关矩阵：

R=(1r12…r1kr211…r2k⋮⋮⋱⋮rk1rk2…1)\mathbf{R} = \begin{pmatrix} 1 & r_{12} & \dots & r_{1k} \\ r_{21} & 1 & \dots & r_{2k} \\ \vdots & \vdots & \ddots & \vdots \\ r_{k1} & r_{k2} & \dots & 1 \end{pmatrix}

其中 rijr_{ij} 为变量 ii 与变量 jj 的相关系数。相关矩阵是主成分分析、因子分析和多重共线性诊断的输入基础。常见的可视化工具包括散点图矩阵和热力图。散点图矩阵在低维情形下直观展示每对变量的联合分布形态；热力图用颜色深度表示相关系数大小，适用于高维变量间的快速浏览与模式发现。

假设检验

相关系数的显著性检验通常使用 tt 统计量：

t=rn−21−r2∼tn−2t = r \sqrt{\frac{n-2}{1 - r^2}} \sim t_{n-2}

原假设 H0:ρ=0H_0: \rho = 0，备择假设 H1:ρ≠0H_1: \rho \neq 0。若 pp 值小于显著性水平（如 α=0.05\alpha = 0.05），则拒绝原假设。此外，Fisher 变换 z=12ln⁡1+r1−rz = \frac{1}{2}\ln\frac{1+r}{1-r} 可将相关系数转化为近似正态分布的统计量，用于构造置信区间和比较两个独立相关系数是否相等。值得注意的是，统计显著不等于实际重要：在大样本下，即使 r≈0.1r \approx 0.1 也可能得到 p<0.05p < 0.05，但此时关联强度极弱，实际意义有限。

因果关系警示

相关性不等于因果性，这是统计分析中最基本的告诫之一。XX 与 YY 高度相关可能源于直接因果关系、混杂因素 ZZ 同时影响 XX 和 YY，或纯粹的偶然巧合。例如，冰淇淋销量与溺水人数的正相关实际上是夏季高温这一混杂因素导致的结果。要建立因果关系，通常需要借助实验设计、工具变量、差分法或断点回归等更严谨的因果推断方法。

总结

相关性分析提供了一套从连续变量到有序变量的线性或单调关联度量工具。皮尔逊 rr 适用于线性、正态、无离群值的场景；Spearman ρs\rho_s 和 Kendall τ\tau 则在非参数情形下更为稳健。实际应用中应始终配合可视化检查数据特征，综合多种指标判断，并审慎对待相关关系的因果解释。