扫码加入数据分析学习群

二元变量的相关分析计算得到的是两个变量之间的相关系数。具体而言，两个定距和定比变量间的相关性用Pearson（皮尔逊）相关系数来判定，这是参数检验的方法；两个定序或定类变量间的相关性用Spearman等级相关系数和Kendall’s tau-b等级相关系数来判定，这两种方法属于非参数检验。

Pearson简单相关系数

皮尔逊简单相关，也称积差相关。是以英国统计学家皮尔逊的名字命名的计算线性相关的方法，用于对定距或定比变量的相关性探索。皮尔逊相关系数的计算公式：

使用条件：

两个变量都是由测量获得的连续型数据，即等距或等比数据。

两个变量的总体都呈正态分布或接近正态分布，，至少是单峰对称分布，当然样本并不一定要正态。

必须是成对的数据，并且每对数据之间是相互独立的。

两个变量之间呈线性关系，一般用描绘散点图的方式来观察。

Spearman等级相关系数

Spearman相关系数是由英国统计学家Spearman在Pearson相关的基础上剔除的等级相关系数的计算方法，用于对定类或定序变量的相关性检验，可以看作是Pearson相关系数的非参数检验，因为它依据的是数据的秩而非数据的实际值。Spearman相关系数的取值范围也是在-1到+1之间，绝对值越大相关性越强，正负号表示相关的方向。Spearman相关系数计算公式：

Spearman等级相关系数的特点：

如果两变量正相关较强，则它们秩变化同步，D值较小，等级相关系数趋于1；

如果两变量负相关较强，则它们秩变化相反，D值较大，等级相关系数趋于-1；

如果两变量相关性弱，它们秩变化互不影响，D值趋于中间值，等级相关系数趋于0；

Kendall’s tau-b等级相关系数

和Spearman相关系数一样，Kendall’stau-b等级相关系数也是用于对定序变量的相关程度的度量，也属于非参数检验的范畴。它利用变量秩数据来计算一致对数目U和非一致对数目V。当两个变量具有较强的正相关关系时，一致对数目U较大，非一致对数目V较小；当两个变量具有较强的负相关关系时，一致对数目U较小，非一致对数目V较大；当两个变量相关性较弱时，一致对数目U和非一致对数目V大致相等。Kendalltau-b相关系数定义为：

Kendall tau-b相关系数具有如下特点：

如果两变量正相关性强，秩变化同步，则U应该较大，V应该较小，趋于1；

如果两变量负相关性强，秩变化相反，则U应该较小，V应该较大，趋于-1；

如果相关关系弱，则U，V大致相等，趋于0；