1. 从协方差到线性相关系数
对于变量x,y，其协方差计算公式为
将x,y进行标准化，计算得到的协方差即为相关系数。
2. 线性相关系数及其置信区间
Pearson相关系数（r）给出了两个变量之间线性相关大小的度量指标，当r大于0时，说明两个变量之间存在正向的线性相关；当r小于0时，说明两个变量之间存在负向的线性相关；当r等于0时，说明两个变量之间没有线性相关。
3. 如何比较两个线性相关系数有无差异
第一种，两个独立样本之间的比较，如男性中体重与血压的相关系数r1和女性中体重与血压的相关系数r2进行比较，采用Z检验。
第二种，同一个样本中两个相关系数的比较，如体重与血压的相关系数rxy,和体重与血糖的相关系数rxz进行比较，采用t分布。
4. 分类资料的相关系数
∅系数、Cramer V系数、Pearson列联系数、lambda系数、Yule的Q系数。
5. 基于秩次的相关系数
基于秩次的相关系数通常可用于两种场合：第一，当连续资料不满足正态分布时，一般不用Person相关系数，通常的做法是将连续资料进行排序，基于排序后的秩次进行相关分析；第二，当数据为等级资料时，尽管仍为分类资料，但对等级的赋值是有意义的，此时也相当于秩次，只不过每个等级的例数很多而已。
常用的基于秩次的相关系数有：Spearman相关系数、Kendall的tau系数、Gamma系数。
6. 相关分析中的几个陷阱
（1）P值小不一定表示强相关；
（2）线性相关系数小不等于没有相关；
（3）存在异常值的时候要谨慎对待相关性大小；
（4）分析两个变量的相关性，相关与回归；
（5）两个变量的相关性高并不代表一致性好。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
