pearson相关系数和spearman相关系数的区别
两者区别在于：spearman相关只能计算等级数据，但pearson相关却既可以用来算等级相关，也可以算连续数据的相关，只不过一般默认用pearson相关计算连续数据的相关。
1、pearson相关通常是用来计算等距及等比数据或者说连续数据之间的相关的，这类数据的取值不限于整数，如前后两次考试成绩的相关就适合用pearson相关。
2、spearman相关专门用于计算等级数据之间的关系，这类数据的特点是数据有先后等级之分但连续两个等级之间的具体分数差异却未必都是相等的，比如第一名和第二名的分数差就未必等于第二名和第三名的分数差。
扩展资料：
相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母 r 表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。
相关表和相关图可反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间相关的程度。相关系数是用以反映变量之间相关关系密切程度的统计指标。
相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。
参考资料：
物声科技2024
2024-10-28 广告
相关分析说明
相关分析一般是研究定量数据和定量数据的相关性，以及变量之间存在相关性，相关程度是如何的，比如研究身高和体重之间是否有关联等等。
相关分析数据格式
在进行数据分析之前都需要将数据整理成正确的数据格式然后在进行分析，那么相关分析的数据格式是什么样的呢？如下说明：
相关分析的数据格式为一个分析项为一列，比如上图中研究身高和体重，则身高为一列、体重为一列。
Pearson相关系数也叫皮尔逊积矩相关系数，通常用r表示，使用pearson相关系数，数据需要满足：
线性
正态分布
没有异常值
如果不满足条件可以考虑使用spearman相关系数，以及pearson相关系数的计算如下：
Speaman计算公式如下：
针对pearson相关系数不能识别非线性关系以及并且对一个或者几个异常值比较敏感，此时可以使用spearman相关系数进行替代，spearman相关系数有时也被称为级别相关系数或者秩相关系数，该相关系数是根据两个变量的秩进行相关分析，spearman相关系可以用来衡量两个变量之间是否存在单调相关关系。当值为1时说明一个变量随着一个变量单调递增，当值为-1时，说明一个变量随着另一个变量单调递减。
