相关系数r怎么求

提到相关系数 r，不少人在学习统计学时最先反应就是那个看起来挺复杂的一串公式。其实不用被吓到，它本质上就是在回答一个问题：当 X 变化的时候，Y 是不是也随着它有规律地动？如果有，那关系有多紧密？

计算过程其实可以分两步走，先懂原理，再上手操作。

核心逻辑与手工算法

最经典的方法叫皮尔逊相关系数（Pearson Correlation Coefficient）。它的数学定义有点绕，简单来说就是用两个变量的“协方差”除以它们各自标准差的乘积。这就像是在比较两者的共同波动能力和各自的独立波动能力。

如果你是在考试或者需要手动演示，流程通常是这样的：

1.算平均值：分别把 X 和 Y 的数据加起来除以个数。

2.求差值：每个数据减去对应的平均值。

3.乘积与平方：把 X 的差值和 Y 的差值相乘（这是关键，看同向还是反向），同时分别算出 X 和 Y 差值的平方和。

4.套公式：分子是所有“乘积”的和，分母是开根号后“X 平方和”与“Y 平方和”的乘积。

不过，现实生活中谁没事天天拿计算器按几百个数字呢？这时候工具就派上用场了。比如在 Excel 里，直接用 `=CORREL(array1, array2)` 函数就能秒出结果，SPSS 或者 Python 里的统计包更是一键生成。所以，重点不是手算多快，而是拿到结果后知道该怎么解读。

结果怎么读？

算出来一个数字，比如 0.85，这个 0.85 到底代表啥？这就得看绝对值的大小和正负号了。正号代表同向（你涨我也涨），负号代表反向（你涨我跌）。绝对值越接近 1，关系越铁；越接近 0，说明基本上没啥线性关系。

但这里有个坑，千万别把相关性当成因果性。虽然冰淇淋销量和溺水人数高度正相关，但这并不是说吃冰淇淋会导致溺水，背后还有个共同的隐藏因素——夏天到了气温升高。所以算完 r 值后，还得结合业务场景去判断。

为了方便你查阅和使用，我把计算的核心步骤和数值含义整理成了下面的对照表，遇到具体问题时可以直接参考。

最后提一句，如果你的数据明显是曲线关系（比如 U 型趋势），硬算皮尔逊 r 可能会得出一个接近 0 的错误结论。这时候就得换个思路，看看散点图，换用其他相关系数方法。总之，r 值是个好用的标尺，但别拿着标尺去量所有的东西。