目录
  • 前言
  • 简介
  • 区别
  • 其他非线性关系
  • 结论

前言

相关系数是用以反映变量之间的相关关系程度的统计指标。

其取值范围是[-1,1]，当取值为0时表示不相关，取值为[-1,0)表示负相关，取值为(0,-1]，表示负相关。

目前常用的两种相关性系数为皮尔森相关系数（Pearson）和斯皮尔曼等级相关系数（Spearman）

简介

1.皮尔森相关系数评估两个连续变量之间的线性关系。

其中：

-1 ≤ p ≤ 1

p接近0代表无相关性

p接近1或-1代表强相关性

2.斯皮尔曼相关系数评估两个连续变量之间的单调关系。在单调关系中，变量趋于一起变化，但不一定以恒定速率变化。

其中：

N是观测值的总数量

斯皮尔曼另一种表达公式：

表示二列成对变量的等级差数。

区别

Pearson和Spearman相关系数的范围可以从-1到+1。

当Pearson相关系数为+1时，意味着，当一个变量增加时，另一个变量增加一致量。

这形成了一种递增的直线。

在这种情况下，Spearman相关系数也是+1。

如果关系是一个变量在另一个变量增加时增加，但数量不一致，则Pearson相关系数为正但小于+1。

在这种情况下，斯皮尔曼系数仍然等于+1。

当关系是随机的或不存在时，则两个相关系数几乎为零。

如果关系递减的直线，那么两个相关系数都是-1。

如果关系是一个变量在另一个变量增加时减少，但数量不一致，则Pearson相关系数为负但大于-1。

在这种情况下，斯皮尔曼系数仍然等于-1

相关值-1或1意味着精确的线性关系，如圆的半径和圆周之间的关系。

然而，相关值的实际价值在于量化不完美的关系。

发现两个变量是相关的经常通知回归分析，该分析试图更多地描述这种类型的关系。

其他非线性关系

Pearson相关系数仅评估线性关系。Spearman相关系数仅评估单调关系。

因此，即使相关系数为0，也可以存在有意义的关系。

检查散点图以确定关系的形式。

该图显示了非常强的关系。

Pearson系数和Spearman系数均约为0。

结论

皮尔森评估的是两个变量的线性关系，而斯皮尔曼评估的两变量的单调关系。

因此，斯皮尔曼相关系数对于数据错误和极端值的反应不敏感。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持本网站。

您可能感兴趣的文章:

  • Python+pandas计算数据相关系数的实例
  • 详解Python进行数据相关性分析的三种方式
  • python皮尔逊相关性数据分析分析及实例代码