1.什么是相关关系

相关关系指多个变量间的变化有关联，其按某种规律在一定范围内变化的关系。有相关性、哪怕是很强的相关性也不能代表因果关系，我们只能依据相关的情况推测。

相关关系在生活中最广泛，几乎涵盖了生活中的方方面面，很多人也会把相关关系当作因果关系。

下面这两个非常好的笑话可以帮助理解相关关系与因果关系的差别：

①家门前的大树年年长大，国家经济年年增高，所以这棵大树影响国家经济。

②每年都有大量去过医院的人生病，所以医院和生病有相关关系，那是不是大家都不去医院就不会生病了？

大家都知道，不管经济持平还是下降，大树都会长大或者死亡，并不存在因果关系；正是由于人生病了要去医院，所以医院才有那么多病人，但是这并不代表“去医院”是“生病”的原因。

2.相关关系的分类

（1）按方向

①正相关：两个变量的变化趋势相同，一个变量随别的变量的增减而增减；

②负相关：两个变量的变化趋势相反，一个变量随别的变量的增减而减增。

（2）按程度

①完全相关：一个变量的变化由另一个变量的变化确定，即函数关系；

②不完全相关：若两个变量的变化互相独立，则这两个变量不相关；不完全相关指两个变量间的关系介于不相关和完全相关之间。

（3）按变量的数量

①单相关：相关关系只反映一个自变量和一个因变量；

②复相关：反映两个及两个以上的自变量同一个因变量的相关关系；

③偏相关：研究因变量与两个或多个自变量相关时，如果把其余的自变量看作常量，只研究因变量与其中一个自变量之间的相关关系。

生活中常见的相关关系包括人的身高和体重、云的重量和降雨等，相关问题会出现在业务发展的方方面面，只有知道了哪些因素和最终的结果有怎样的关联，我们才能去优化、影响结果。在相关分析中，最重要的就是相关方向及相关程度。

3.相关性分析步骤

大家对相关性应该有一定的了解了，那具体应该怎么做呢？

（1）计算相关系数

首先处理好数据集，让数据格式规范。如果用excel的话，就选中你要分析相关性的变量，用correl()或pearson()函数，如：correl(B2:B20,C2:C20)，这两个函数只是计算公式不同，结果是一样的；用Excel中的“数据”-“数据分析”-“相关系数”这个步骤也可以。

如果用的是python，就先导入数据集，然后用.corr()函数计算，它可以看到导入数据的任意两个变量间的相关性。

如果两个变量间的变化一致，则相关系数r>0，变化方向相反，则r<0；变量间无线性关系则r=0，但要注意，无线性关系不代表不存在关系，其他情况就可以做拟合、回归的计算。

|r|>0.95 存在显著性相关；

|r|≥0.8 高度相关；

0.5≤|r|<0.8 中度相关；

0.3≤|r|<0.5 低度相关；

|r|<0.3 关系极弱，一般认为不相关。

还可以检验r的显著性，判断r的可靠程度。

（2）数据可视化：散点图

一般可以通过散点图了解变量间的大概关系。如果变量之间不存在相互关系，那么在散点图上就会表现为随机分布的离散的点；如果存在某种相关性，那么大部分的数据点就会相对密集并以某种趋势呈现。

一个简单的相关性分析的步骤就像上面那样，如果大家有需求，回头可以做一个实例或者做更多的相关分析。