相关系数

相关系数是一种统计量度，用于计算两个变量相对运动之间的关联强度。

相关系数的取值范围为-1.0至1.0。

-1.0的关联度表示完全负相关，而1.0的关联度则表示完全正相关。

相关系数为0.0时，表明两个变量之间不存在线性关系。

计算值大于1.0或小于-1.0则表明相关性测量存在错误。

相关系数类型

相关系数有多种类型，最常见的有：

皮尔逊相关系数：
这是最广泛使用的相关性度量方法。它评估两个连续变量之间的线性关系，例如检验两者是否以一致的方式共同增减。该系数对异常值敏感，可能导致结果失真。

斯皮尔曼等级相关系数：
这种非参数测量方法评估两个变量之间的关系能否用单调函数描述。简而言之，它考察某事物在某列表中排名靠前时，在另一列表中是否同样排名靠前。与皮尔逊相关系数相比，它对异常值的敏感度较低。

肯德尔Tau系数：
另一种非参数指标，用于评估两个排序变量间的关联强度。其原理类似比较两位朋友最爱电影的排名，以判断他们对电影优劣的共识程度。肯德尔塔系数对小样本量不敏感，且在出现并列情况时更具稳健性。

点双列相关系数：
这是皮尔逊相关系数的特殊形式，适用于一变量为连续型（如身高）而另一变量为二分类型（如是/否）的情况。它用于检验两者间的关联性，例如探究身高与喜欢篮球运动是否存在关联。

数学公式

皮尔逊相关系数的计算公式为：

​

其中：

• r：表示皮尔逊相关系数，量化两个变量之间线性关系的强度和方向。
• n：数据对或观测值的数量。
• Σxy：表示两个变量（x和y）配对分数的乘积之和。将每对x和y值相乘后求和。
• Σx：数据集中所有x值的总和。
• Σy：数据集中所有y值的总和。
• Σx²：所有x值的平方和。计算时需将每个x值分别平方后求和。
• Σy²：这是每个y值平方的总和。将每个y值分别平方后求和。

相关性解释

• 强正相关（0.7 ≤ r ≤ 1）：当一个变量增加 时，另一个变量也随之增加。
• 中等正相关（0.3 ≤ r < 0.7）：当一个变量增加时，另一个变量往往随之增加。
• 弱正相关（0 ≤ r < 0.3）：一个变量的轻微增加可能导致另一个变量的轻微增加。
• 无相关性（r≈0）：变量间不存在线性关系。
• 弱负相关（-0.3 < r ≤ 0）：一个变量的轻微增加可能导致另一个变量的轻微减少。
• 中等负相关（-0.7 < r ≤ -0.3）：当一个变量增加时，另一个变量往往减少。
• 强负相关（-1 ≤ r ≤ -0.7）：当一个变量增加时，另一个变量减少。

相关系数的应用

相关系数广泛应用于经济学、金融学、心理学及自然科学等领域。

例如在金融领域，它用于衡量不同资产回报率之间的关联性，有助于制定投资组合多元化策略。

在外汇交易中，它可用于分析货币对之间的关系，帮助交易者理解两种货币是同步波动还是反向波动。

您可以使用我们的在线交互式工具，该工具可测量多个时间段内的货币相关性。

相关系数的局限性

• 线性关系：皮尔逊相关系数仅适用于线性关系，对非线性关系可能无法提供有效信息。
• 对异常值敏感：该系数易受异常值影响，可能导致结果失真。
• 因果关系：相关性不等于因果关系。即使两个变量高度相关，也不意味着其中一个变量导致另一个变量发生变化。

相关系数速查表

以下速查表概述了各类相关系数：

相关系数类型	衡量对象	通俗示例	敏感度
皮尔逊相关系数	两个连续变量之间直线（线性）关系的强度和方向。	检验两项指标是否始终同步增减。	对异常值敏感。
斯皮尔曼等级相关系数	衡量两个变量间数据点排序（等级）的一致性（非参数）。	检验某事物在某列表中排名靠前时，是否在另一列表中同样排名靠前。	相较皮尔逊相关系数，对异常值的敏感度较低。
肯德尔Tau系数	用于衡量两个排序变量间关联强度，侧重于序列一致性（非参数）。	比较两位朋友最喜欢的电影排名，以判断其喜好是否一致。	对小样本和并列情况的敏感度较低。
点双列相关系数	用于分析连续变量与二元（二分类）变量之间的关联关系。	检验身高与喜欢篮球（是/否）的关联性。	与皮尔逊系数具有同等敏感度。
菲系数	两个二元变量之间的关联性。	检验回答"喜欢披萨"是否意味着也喜欢冰淇淋。	因变量二元性导致敏感度较低。