相关系数计算器

输入成对的 x 和 y，得到 Pearson、Spearman 和 Kendall 相关系数、一张散点图，以及 p 值。

每天免费 3 次无需注册即时出结果

相关系数计算器立即免费试用 ▼

皮尔逊 r 是 z_x·z_y 的累加：同侧的点把 r 推向 1

在下方输入成对的 X 和 Y 值，即可得到皮尔逊、斯皮尔曼和肯德尔相关系数，并附 p 值和散点图。

试用示例数据集

✓ 完美 (r=1) ● 强正相关 ○ 中等 ≈ 弱 ↓ 负相关

粘贴从 Excel、Google 表格或 CSV 复制的两列数据

变量X X

变量Y Y

小数精度

Embed 相关系数计算器 Widget

相关系数计算器

欢迎使用相关系数计算器，这是一个综合性的统计工具，可以计算皮尔逊、斯皮尔曼和肯德尔相关系数，并提供交互式散点图可视化、回归分析和逐步计算分解。无论您是在分析研究数据、研究变量之间的关系还是执行统计分析，此计算器都能为您的数据集提供专业级的洞察。

什么是相关系数？

相关系数是一种统计量度，用于量化两个变量之间关系的强度和方向。相关系数的范围从-1到+1，其中大小表示强度，符号表示关系的方向。

相关范围	强度	解释
0.80 至 1.00	非常强	变量高度相关
0.60 至 0.79	强	存在明显关系
0.40 至 0.59	中等	有一定关系
0.20 至 0.39	弱	轻微关系
0.00 至 0.19	非常弱	几乎没有关系

皮尔逊相关系数

皮尔逊相关系数（r）衡量两个连续变量之间的线性关系。它是最常用的相关度量，假设两个变量都服从正态分布。

皮尔逊相关公式

$$r = \frac{\sum_{i=1}^{n}(X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum_{i=1}^{n}(X_i - \bar{X})^2 \sum_{i=1}^{n}(Y_i - \bar{Y})^2}}$$

其中：

X_i, Y_i = 单个数据点
X̄, Ȳ = X和Y变量的平均值
n = 数据对的数量

斯皮尔曼秩相关系数

斯皮尔曼秩相关系数（ρ或r_s）是一种非参数度量，用于评估变量之间的单调关系。它使用排序数据而不是原始值，因此适用于序数数据或当关系不是严格线性时。

斯皮尔曼相关公式

$$\rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}$$

其中：

d_i = 对应X和Y值的秩差
n = 数据对的数量

肯德尔Tau相关系数

肯德尔tau相关系数（τ）是另一种非参数度量，用于评估两个变量之间的序数关联。它计算一致对和不一致对，特别适用于小样本量或存在许多并列秩的情况。

如何使用此计算器

输入变量X数据：在文本区域中输入第一个变量的数值。数字可以用逗号、空格或换行符分隔。
输入变量Y数据：输入第二个变量的对应值。确保您的值数量与变量X相同。
设置小数精度：选择结果的小数位数（2-15）。
计算：点击按钮计算皮尔逊、斯皮尔曼和肯德尔相关系数及p值和可视化。

理解您的结果

主要结果

皮尔逊 r：线性相关系数（-1到+1）
斯皮尔曼 ρ：秩相关系数（-1到+1）
肯德尔 τ：序数关联系数（-1到+1）
p值：每个相关的统计显著性

附加统计量

R平方（R²）：决定系数 - 可解释的方差比例
回归线：最佳拟合线方程（Y = aX + b）
样本统计量：平均值、标准差和协方差

何时使用各种相关

使用皮尔逊相关的情况：

两个变量都是连续的且服从正态分布
变量之间的关系呈线性
没有显著的异常值
您想专门测量线性关联

使用斯皮尔曼相关的情况：

数据是序数或排序的
关系是单调的但不一定是线性的
数据包含会影响皮尔逊的异常值
违反了正态性假设

使用肯德尔Tau的情况：

样本量较小
存在许多并列值
您需要一个假设更少、更稳健的度量

重要注意事项

样本量很重要

小样本可能产生误导性的相关。数据点少时，即使是随机数据也可能显示出看似很强但统计上不显著的相关。

异常值可能扭曲结果

极端值可能极大地影响皮尔逊相关。当结果看起来异常时，考虑使用斯皮尔曼或检查数据中的异常值。

常见问题

什么是皮尔逊相关系数？

皮尔逊相关系数（r）衡量两个连续变量之间的线性关系。它的范围从-1到+1，其中+1表示完美的正线性关系，-1表示完美的负线性关系，0表示没有线性关系。

什么是斯皮尔曼秩相关系数？

斯皮尔曼秩相关系数（rho或rs）是一种非参数度量，用于评估两个变量之间的关系是否可以用单调函数来描述。它使用排序数据而不假设正态分布。

如何解释相关系数的值？

相关系数通常按以下方式解释：|r| = 0.00-0.19（非常弱），|r| = 0.20-0.39（弱），|r| = 0.40-0.59（中等），|r| = 0.60-0.79（强），|r| = 0.80-1.00（非常强）。符号表示方向。

什么是R平方（决定系数）？

R平方是相关系数的平方，表示一个变量中可由另一个变量解释的方差比例。例如，如果r = 0.8，R² = 0.64，意味着64%的方差被解释。

什么时候应该使用皮尔逊相关与斯皮尔曼相关？

当两个变量都是连续的、服从正态分布且线性相关时使用皮尔逊。当数据是序数的、包含异常值或关系是单调但不是线性时使用斯皮尔曼。

X 和 Y 数值需要按对应顺序输入吗？

需要。每个 X 值都必须与同一观测对象的 Y 值配对，两列的数值个数也必须相同。例如，若 X 记录某人的学习时长，Y 记录同一个人的考试分数，就应将该人的时长和分数放在同一行。两列错位会导致相关系数无法反映你想测量的关系。

如果一个变量的所有值都相同，会怎样？

如果一个变量没有变化，相关系数就没有定义。例如，若所有 X 值都为 5，X 的标准差为零，皮尔逊相关系数公式就会出现除以零的情况。X 没有变化，就无法与 Y 比较变化模式。如果要衡量两个变量如何共同变化，请收集或选取两个变量都有变化的数据。

强相关能证明改变 X 会导致 Y 改变吗？

不能。强相关描述的是配对数值之间的关联，并不能证明一个变量会导致另一个变量变化。例如，天气暖和时，冰淇淋销量和游泳活动可能同时增加，而温度可能同时影响两者。要支持因果结论，研究者需要合适的研究设计，并考虑其他可能的解释。

其他资源

引用此内容、页面或工具为：

"相关系数计算器" 于 https://MiniWebtool.com/zh-cn/相关系数计算器/，来自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 团队提供。更新时间：2026年1月16日

开发者 API 可用: 用一次 JSON HTTP 请求，把这个工具接入你的应用、自动化流程或智能体。查看 API 文档

相关系数计算器

相关系数计算器

什么是相关系数？

相关值的解释

皮尔逊相关系数

斯皮尔曼秩相关系数

肯德尔Tau相关系数

如何使用此计算器

理解您的结果

主要结果

附加统计量

何时使用各种相关

使用皮尔逊相关的情况：

使用斯皮尔曼相关的情况：

使用肯德尔Tau的情况：

相关分析的应用

研究与学术

金融与经济

医疗保健与医学

心理学与社会科学

重要注意事项

相关不等于因果

样本量很重要

异常值可能扭曲结果

常见问题

什么是皮尔逊相关系数？

什么是斯皮尔曼秩相关系数？

如何解释相关系数的值？

相关分析中的p值是什么？

什么是R平方（决定系数）？

什么时候应该使用皮尔逊相关与斯皮尔曼相关？

X 和 Y 数值需要按对应顺序输入吗？

如果一个变量的所有值都相同，会怎样？

强相关能证明改变 X 会导致 Y 改变吗？

其他资源

统计与数据分析:

热门与最新工具:

用 Pro 一键把全部文件打包成 ZIP 下载