pearson 相关性分析中文叫皮尔逊相关分析，是统计学里面最常用的线性相关分析方法，核心是计算皮尔逊相关系数 r，用来衡量两组连续数值变量之间线性相关的方向与强弱，r 的取值范围固定在负 1 到正 1 之间，数值越靠近正 1 代表强正线性相关，越靠近负 1 代表强负线性相关，数值接近 0 代表几乎没有线性相关关系，pearson 相关性分析只检测线性关系，如果两个变量是曲线相关，哪怕关联很强，计算出来的 r 也会偏低，这是它非常关键的局限，做 pearson 相关性分析有前置适用条件，要求两个变量都是连续数值型数据，总体近似正态分布，观测值相互独立，不存在极端异常值，变量之间呈现线性趋势，不满足前提的时候，pearson 相关性分析结果会失真，一般论文里面做 pearson 相关性分析，除了报告 r 值，还要配套显著性 p 值，p 小于 0.05 代表这个相关关系具备统计学显著性，不能只看 r 大小就判定相关，很多初学者容易混淆相关和因果，pearson 相关性分析只能证明变量存在线性关联，不能证明一个变量变化会直接造成另一个变量变化，也就是不能推导因果关系。

一 皮尔逊相关系数 r 含义分级

r 大于 0 正相关，一个变量上升，另一个变量同步上升

r 小于 0 负相关，一个变量上升，另一个变量下降

r 等于 1 完全正线性相关

r 等于负 1 完全负线性相关

r 等于 0 无线性相关

常用强弱参考标准

0.8 到 1 强相关

0.5 到 0.8 中等相关

0.3 到 0.5 弱相关

0 到 0.3 极弱相关

二 pearson 相关性分析适用前提条件

清单

变量类型 必须是连续定量变量，比如身高 体重 分数 收入，分类变量不能直接使用 pearson 相关性分析

正态性 两组数据近似正态分布，可以用 Shapiro Wilk 检验判断

独立性 样本观测之间不能互相干扰，不能有重复嵌套依赖

线性趋势 散点图初步观察，两个变量趋势接近直线

无极端异常值 异常离群点会大幅拉高或者压低 r 值，需要提前识别处理

三 pearson 相关性分析完整操作步骤

第一步 整理原始数据，把两组变量录入表格，检查缺失值，缺失数据做剔除或者合理填补

第二步 绘制散点图，肉眼判断是否存在线性趋势，识别异常离群点

第三步 正态性检验，检验两组变量是否近似正态，不满足正态条件，优先改用斯皮尔曼秩相关

第四步 计算 pearson 相关系数 r，同时输出显著性 p 值

第五步 结果解读，结合 r 值大小方向，加上 p 值判断是否显著

第六步 撰写结果，报告 r 值 p 值 样本量 n，说明相关方向强弱，明确标注只是线性相关，不代表因果

四 pearson 相关性分析与斯皮尔曼相关对比表

五 常见误区说明

误区清单

误区 1 r 绝对值大就是因果，纠正 pearson 相关性分析只反映线性关联，因果需要实验设计或者回归等其他方法验证

误区 2 p 显著就代表相关很强，纠正 p 只代表统计学显著，受样本量影响，大样本下很弱相关也会 p 小于 0.05

误区 3 曲线关系可以用 pearson，纠正 非线性关系 pearson 相关系数会低估真实关联强度

综合结论，pearson 相关性分析是衡量连续变量线性相关的经典统计方法，输出皮尔逊相关系数 r 搭配显著性 p 值，使用前必须满足正态 连续 线性 无异常值这些前提，pearson 相关性分析只可以判断线性相关强弱方向，不能证明因果，数据不满足 pearson 相关性分析前提时，替换成斯皮尔曼秩相关分析。

【常见问题】

问题 1 pearson 相关性分析的 r 值范围是多少

回答 1 pearson 相关性分析的皮尔逊相关系数 r 取值范围是负 1 到正 1，正数代表正相关，负数代表负相关，pearson 相关性分析依靠 r 值判断线性相关强弱。

问题 2 pearson 相关性分析要求数据正态吗

回答 1 pearson 相关性分析要求两组变量近似正态分布，这是 pearson 相关性分析重要前提，如果数据严重偏态，不适合 pearson 相关性分析。

问题 3 pearson 相关性分析可以证明因果吗

回答 1 pearson 相关性分析不能证明因果关系，pearson 相关性分析仅检测线性关联，因果推断需要额外研究设计，这是 pearson 相关性分析核心误区。

问题 4 pearson 相关性分析和斯皮尔曼相关怎么选择

回答 1 连续正态线性数据选择 pearson 相关性分析，非正态等级数据选择斯皮尔曼相关，判断是否满足 pearson 相关性分析条件是选型关键。

【免责申明】

本文内容仅作为统计学知识科普参考，统计分析方案请结合研究设计，专业论文统计结果建议咨询统计专业人员。