本文介绍了Pearson、Spearman和Kendall三种相关系数，包括它们的适用条件、计算原理及优缺点。在选择相关系数时，若数据满足正态性，通常选用Pearson；数据不服从正态性时，选择Spearman；而Kendall适用于有序分类数据。了解这些相关系数能帮助我们更准确地分析数据之间的关系。
相关分析
常见的相关系数有三种，它们分别是Pearson、Spearman、Kendall系数，三大相关系数如何选用呢，本期给大家作个小结。
一、Pearson(皮尔逊)
线性相关性(linear correlation)：又简称简单相关(simple correlation)，用来度量具有线性关系的两个变量之间，相关关系的密切程度及其相关方向，适用于双变量正态分布资料。线性相关系数， 又称为简单相关系数，Pearson相关系数或相关系数。有时也称为积差相关系数(coefficient of product-moment correlation)。
适用条件：
1. 样本容量大于等于30，这样才能保证计算的数据具有代表性，计算出的积差相关系数可以有效说 明两个变量的相关关系。
2. 两个变量的所属总体都呈正态分布，至少是接近正态的单峰分布。
3. 两个变量都是由测量所得的连续性数据。
4. 两个变量间的相关是线性相关。
5. 排除共变因素的影响。
6. 计算连续变量或是等间距测度的变量间的相关分析。
二、Spearman(斯皮尔曼)<
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
