有时候我们根据需要要研究数据集中某些属性和指定属性的相关性，显然我们可以使用一般的统计学方法解决这个问题，下面简单介绍两种相关性分析方法，不细说具体的方法的过程和原理，只是简单的做个介绍，由于理解可能不是很深刻，望大家谅解。

1、Pearson相关系数 

　　最常用的相关系数，又称积差相关系数，取值-1到1，绝对值越大，说明相关性越强。该系数的计算和检验为参数方法，适用条件如下： （适合做连续变量的相关性分析）

（1）两变量呈直线相关关系，如果是曲线相关可能不准确。 

（2）极端值会对结果造成较大的影响 

（3）两变量符合双变量联合正态分布。 

2、Spearman秩相关系数 

　　对原始变量的分布不做要求，适用范围较Pearson相关系数广，即使是等级资料，也可适用。但其属于非参数方法，检验效能较Pearson系数低。（适合含有等级

变量或者全部是等级变量的相关性分析）

3、无序分类变量相关性

　　最常用的为卡方检验，用于评价两个无序分类变量的相关性。根据卡方值衍生出来的指标还有列联系数、Phi、Cramer的V、Lambda系数、不确定系数等。

OR、RR也是衡量两变量之间的相关程度的指标。

　　卡方检验用于检验两组数据是否具有统计学差异，从而分析因素之间的相关性。卡方检验有pearson卡方检验，校正检验等，不同的条件下使用不同的卡方检验方

法，比如说满足双大于（40,5）条件的情况下要使用pearson卡方检验方法，另外的情况下要使用校正卡方检验方法。

　　说的不多，只是想在大家使用相关方法的时候清楚他们之间的差别，以及不同方法的适用条件是什么。

相关性分析方法（Pearson、Spearman）