统计 / 关系
相关性计算器（Pearson和Spearman）
衡量两个变量共同变化的程度：Pearson相关系数r和Spearman秩相关系数ρ，并分别提供p值、r²以及数据对的散点图。
相关性计算器（Pearson和Spearman）: Pearson的r是X和Y的协方差除以它们标准差的乘积，范围从−1（完全下降的直线）到+1（完全上升的直线）。Spearman的ρ是对秩计算的Pearson的r，遇到并列值时使用平均秩。每个p值都使用t = r√((n − 2) ÷ (1 − r²))检验真实相关性是否为零；结果与SciPy一致。 完全在浏览器中本地运行，文件不会上传到服务器。
- 类别
- 学习工具
- 使用次数
- 在浏览器中
- 费用
- 免费·无需注册
- 可用性
- 可直接使用
完全在浏览器中运行
Pearson的r衡量各点接近直线的程度，取值范围为−1到+1；Spearman的ρ则对秩进行同样的衡量，因此能够识别持续上升或下降的关系，并且不易受异常值影响。p值使用t分布检验相关性是否为零。然而，无论相关性多强，都不能证明一件事导致了另一件事。
示例
身高为160、165、170、175、180和185 cm，体重为55、60、65、72、78和85 kg，得到r = 0.998，表明在这个小样本中二者几乎呈完美的直线关系。
如需拟合直线本身并用一个变量预测另一个变量，请使用线性回归计算器。
查看图表
差异很大的数据可能具有相同的r：曲线、带有一个离群值的聚类，以及一条清晰的直线，都可能得到r = 0.8。在相信这个数值之前，请务必查看散点图。
如需计算其他位置统计量的p值，p值计算器可转换t、z、χ²或F。
使用方法
- 按相同顺序粘贴X值和Y值。
- 查看Pearson的r、Spearman的ρ、它们的p值以及r²。
- 检查散点图，观察异常值或弯曲趋势。
隐私与限制
你的数据会保留在浏览器中。
相关工具
常见问题
应该使用Pearson还是Spearman？
如果测量值之间呈直线关系，使用Pearson；如果是秩数据、弯曲但持续上升或下降的关系，或数据中有异常值，使用Spearman。
相关性为0.5代表什么程度？
按照通常的划分，这属于中等到较强的相关性：r² = 0.25，表示一个变量的变化中有四分之一与另一个变量共同变化。不同领域的划分标准可能有所不同。
相关性是否意味着因果关系？
不意味着：两个变量可能都受到第三个因素的影响，也可能是反向关系。相关性只能说明变量之间存在关联。
免费工具·使用在浏览器中次·无需账户