KNOWECON WIKI

ARTICLE

相关性检验

相关性检验 (Correlation Test) 相关性检验（Correlation Test）是统计学中用于评估两个或多个变量之间线性关系强度和方向的推断方法。其核心目标是判断变量间的关联是否具有统计显著性——即排除随机抽样误差的可能性。该方法在经济学（如检验通货膨胀率与失业率的菲利普斯曲线关系）、金融学（如构建投资组合时的资产收益关联分析）以及社会科学中

浏览 29 更新 2025-10-25

相关性检验 (Correlation Test)

相关性检验（Correlation Test）是统计学中用于评估两个或多个变量之间线性关系强度和方向的推断方法。其核心目标是判断变量间的关联是否具有统计显著性——即排除随机抽样误差的可能性。该方法在经济学（如检验通货膨胀率与失业率的菲利普斯曲线关系）、金融学（如构建投资组合时的资产收益关联分析）以及社会科学中广泛应用。

核心框架

相关性检验本质上是假设检验的一种。原假设 H0:ρ=0H_0: \rho = 0 设定总体相关系数为零（无相关性），备择假设 H1:ρ≠0H_1: \rho \neq 0（或单侧 ρ>0\rho > 0、ρ<0\rho < 0）表示存在相关性。检验结果通过p值报告：若 p值 小于预设显著性水平（通常 α=0.05\alpha = 0.05），则拒绝 H0H_0，认定相关性统计显著。

相关系数是量化相关性的标准指标，取值范围 [−1,1][-1, 1]：+1+1 为完全正相关，−1-1 为完全负相关，00 表示无线性关联。绝对值越接近 1，线性关系越强。

三种主要检验方法

1. 皮尔逊检验（Pearson）是最常用的方法，衡量两连续变量间的线性相关。前提假设包括：变量服从正态分布、满足方差齐性、无显著异常值。样本相关系数 rr 为：

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

显著性通过 t=r(n−2)/(1−r2)t = r\sqrt{(n-2)/(1-r^2)} 转换为t分布检验，自由度 n−2n-2。

2. 斯皮尔曼检验（Spearman）为非参数检验，衡量单调关系（不限于线性）。将原始数据转为等级（Rank）后计算皮尔逊相关。适用于定序变量、非正态数据或含异常值的情形，比皮尔逊更稳健。

3. 肯德尔 Tau 检验（Kendall's τ\tau）同为非参数方法，通过比较所有观测对中一致对（同向排序）与不一致对（反向排序）的数量差异衡量关联。Tau 在小样本或数据含大量结（Ties）时优于斯皮尔曼，其值可解释为随机抽取一对观测为一致对的概率减去不一致对的概率。

读解与警示

相关系数的绝对值的经验解读：0--0.2 极弱，0.2--0.4 弱，0.4--0.6 中等，0.6--0.8 强，0.8--1.0 极强。但这一划分因学科而异。

相关不等于因果是统计学的核心原则。即使相关性显著，也不能推断因果关系，原因包括：(1) 混淆变量——第三个未观测变量同时驱动两个变量（如炎热天气同时增加冰淇淋销量与溺水事故）；(2) 方向性不明——不知 A 导致 B 还是 B 导致 A；(3) 伪相关——纯粹偶然或趋势性时间序列造成的虚假关联。确立因果关系需借助随机对照试验或工具变量等计量经济学方法。