一句话回答
相关性衡量两个变量一起变化的紧密程度。相关系数 r 从 −1(一个涨、另一个跌)经过 0(没有直线关系)到 +1(一起涨)。它描述的是规律,不是原因。
公式: r = Σ(xᵢ − x̄)(yᵢ − ȳ) ÷ √[Σ(xᵢ − x̄)² × Σ(yᵢ − ȳ)²]
相关性衡量的是什么?
相关性衡量两个变量一起变化的紧密程度。如果访客多的日子订单也多,两者就是正相关;如果页面慢的日子订单少,两者就是负相关。常用的数字是相关系数,记作 r,取值永远在 −1 到 +1 之间。
动手算之前先记住三件事:
- 符号是方向。正号表示“一起涨”,负号表示“一个涨、另一个跌”。
- 大小是点贴着直线的紧密程度。越接近 ±1 越紧,越接近 0 越像一团散点。
- 两者都不回答“为什么”。系数只描述手头这份数据里的规律,不说谁带动谁,也不说是否有第三个变量同时带动两者(见因果关系和相关与因果的区别)。
相关系数怎么计算?
不加限定地说“相关”,指的是皮尔逊积矩系数(Pearson,1895)。它等于两个变量的协方差除以两者标准差的乘积:
r = Σ(xᵢ − x̄)(yᵢ − ȳ) ÷ √[ Σ(xᵢ − x̄)² × Σ(yᵢ − ȳ)² ]
用话说就是:对每一对数据,看 x 和 y 是否在各自平均值的同一侧。多数情况下在同一侧,乘积多为正,r 就为正。再除以两个变量各自的波动,单位就消掉了,所以不管收入是用元还是用分来计,算出来的 r 都完全一样。
还有两个相关概念值得知道:
- r²(决定系数)是 x 的直线关系能解释的 y 的变化占比。r = 0.97 时 r² = 0.94。
- 斯皮尔曼等级相关用同一个公式,但算的是数值的名次而不是数值本身。它能抓住任何持续上升或下降的关系,不限于直线,也不容易被极端值带偏。
能复算的算例
示例数据:一家小店连续十天,x 是当天会话数,y 是当天订单数。
| 天数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
| 会话数 (x) | 120 | 135 | 150 | 160 | 180 | 200 | 210 | 230 | 250 | 270 |
| 订单数 (y) | 4 | 5 | 5 | 7 | 6 | 9 | 8 | 10 | 11 | 12 |
- 平均值:x̄ = 190.5,ȳ = 7.7。
- Σ(x − x̄)(y − ȳ) = 1,206.5;Σ(x − x̄)² = 22,622.5;Σ(y − ȳ)² = 68.1。
- r = 1,206.5 ÷ √(22,622.5 × 68.1) = 1,206.5 ÷ 1,241.2 = 0.972。
- r² = 0.945,也就是这份样本里订单每天起伏的约 94.5% 和会话数对得上。
- 拟合直线:订单 = −2.46 + 0.0533 × 会话数,大约每多 100 个会话多 5.3 个订单。
- 只有 10 天,0.972 会不会只是运气?t = r × √(n − 2) ÷ √(1 − r²) = 0.972 × √8 ÷ √0.0552 = 11.7。自由度 8 时,双侧 0.001 的临界值约为 5.04,所以 p 小于 0.001。
同样的数据,斯皮尔曼系数是 0.973,几乎一样,因为这里的关系确实是稳步上升。
“强相关”到底多强?怎么读系数
没有放之四海皆准的分界线。下表是常见经验区间,多大算有用取决于领域和决策的代价。
| r 的绝对值 | 大致说法 | 散点图上的样子 | 一般解读 |
|---|---|---|---|
| 0.00–0.19 | 可忽略 | 一团散点 | 当作没有线性关系 |
| 0.20–0.39 | 弱 | 带子很宽,明显重叠 | 关系存在,但太松,预测不了个体 |
| 0.40–0.69 | 中等 | 能看出斜率,但散得很开 | 适合用来看群体层面的大致规律 |
| 0.70–0.89 | 强 | 点贴着一条线 | 适合预测总量 |
| 0.90–1.00 | 很强 | 几乎是一条线 | 先查有没有重复计算:可能一个变量包含了另一个 |
比标签更要紧的两条读数规则:
- 先平方。r = 0.5 听着像“一半”,但 r² = 0.25:x 的直线关系只解释了 y 变化的四分之一。
- 显著不等于强。行数够多时,r = 0.05 也“统计显著”,但只解释 0.25% 的变化。要报告大小,不能只报 p 值(见 p 值)。
该用哪种相关系数?
| 系数 | 适用情形 | 说明 |
|---|---|---|
| 皮尔逊 r | 两个变量都是数值,关系像直线,极端值少 | 默认选择;对异常值敏感 |
| 斯皮尔曼 ρ | 数据是名次、偏态,或预期稳步上升但不是直线 | 用名次计算;不怕异常值 |
| 肯德尔 τ | 样本小、重复值多 | 数有多少对数据的顺序一致或相反 |
| 点二列相关 | 一个变量是“是 / 否”(如“买了没买”),另一个是数值 | 等于把 0/1 变量代入皮尔逊 |
两个变量都是分类的(比如设备和渠道),这些系数都不适用,改看交叉表里的计数(见分类数据)。
相关系数为什么会误导人?
系数会误导人的五种情形,每种都有数字。
- 一个异常值就能抹掉它。在算例里再加第 11 天:130 个会话、30 个订单(比如一笔批量订单)。皮尔逊 r 从 0.972 掉到 −0.005,斯皮尔曼只降到 0.57。一定要先看散点图,再相信数字(见散点图)。
- 曲线会被读成零。x 取 −3 到 3、y = x² 时,y 完全由 x 决定,但 r = 0.000,因为左右两半互相抵消。皮尔逊只衡量直线拟合。
- 第三个变量可能同时带动两者。冰淇淋销量和晒伤人数一起涨,是因为气温。怀疑有这种情况时,看混杂变量。
- 时间趋势会造出假关系。两个数字几个月里都在涨,即使彼此毫无关系,算出来的相关也会很强。比较变化量(本周减上周),不要比较水平值。
- 点太少说明不了什么。只有 5 天时,r = 0.8 得到 t = 0.8 × √3 ÷ √0.36 = 2.31,低于自由度 3 时双侧 5% 的临界值 3.18,所以不显著。同样的 r 如果来自 30 天,就显著了。
另外注意范围受限:如果只看已经花过 500 美元以上的客户,这一组内部访问次数和消费额的相关,通常比所有客户一起看时更弱。
怎么在分析数据里检查相关性?
TapCub 没有相关系数或显著性检验的报表,也不计算 r。它做的是给你口径一致、干净的每日数字,你自己去算相关。典型任务是“聊天对话多的日子,目标完成数是不是也多?”
- 选两条按天的序列。比如 网站统计 › 概览里的会话数和 网站统计 › 目标里的目标完成数,取同样的 30 或 60 天。机器人单独统计,爬虫的突增不会进入真人数据。
- 把数字取出来。直接复制每日数据表格,或者在 全端分析 › 行为分析 › 自定义指标与 SQL里定义这两个指标并按天查询。要原始明细,全端分析 › 数据管理 › 数据导出会创建异步导出任务(文件怎么拿到,看数据导出的文档)。
- 在表格里算 r。Excel 或 Google 表格里用 CORREL(区域1, 区域2),r² 用 RSQ。先把两列画成散点图,再相信这个数字。
- 去掉明显的一次性日子。如果发布日或故障日离其他点很远,去掉后重算,或者改用斯皮尔曼。配置 › 日期标注能在图上标出发版和活动,帮你认出哪几天不寻常。
- 把结果当成线索,而不是结论。TapCub 不做实验和 A/B 测试。如果这个规律关系到决策,就用一次受控的改动去验证,再用 TapCub 衡量结果。
资料来源
- Pearson, K. (1895). Note on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London, 58, 240–242.
- Anscombe, F. J. (1973). Graphs in Statistical Analysis. The American Statistician, 27(1), 17–21.
- NIST/SEMATECH e-Handbook of Statistical Methods,1.3.3.26 Scatter Plot。
- SciPy 文档,scipy.stats.pearsonr(上文使用的公式和基于 t 的 p 值)。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
