相關係數計算機

Q: 什麼是斯皮爾曼等級相關係數？

斯皮爾曼等級相關係數（rho 或 rs）是一種非參數測量方法，用於評估兩個變數之間的關係是否可以用單調函數來描述。與皮爾遜不同，它使用等級資料，不假設常態分佈，因此適用於序數資料或關係是單調但不一定是線性的情況。

Q: 相關分析中的p值是什麼？

p值表示在母體中真正沒有相關的情況下，觀察到計算出的相關（或更極端）的機率。p值小於 0.05 通常被認為具有統計顯著性，意味著有強有力的證據表明存在真正的相關。然而，統計顯著性並不意味著實際重要性或因果關係。

Q: 什麼是R平方（決定係數）？

R平方（R²）是相關係數的平方，表示一個變數中可由另一個變數預測的變異比例。例如，如果 r = 0.8，則 R² = 0.64，意味著 Y 中 64% 的變異可以由 X 解釋。R² 範圍從 0 到 1，始終為正值。

Q: 何時應該使用皮爾遜或斯皮爾曼相關？

當兩個變數都是連續的且呈常態分佈、關係呈現線性、沒有顯著離群值時，使用皮爾遜相關。當資料是序數或等級資料、關係是單調但不是線性、資料包含離群值、或違反常態性假設時，使用斯皮爾曼相關。

計算皮爾遜、斯皮爾曼與肯德爾相關係數，並做迴歸與 p 值檢定。附散佈圖與逐步說明。

免費使用無需註冊2026年1月更新

相關係數計算機立即免費試用 ▼

試用範例資料集

✓ 完美 (r=1) ● 強正相關 ○ 中等 ≈ 弱 ↓ 負相關

變數X X

變數Y Y

小數精度

Embed 相關係數計算機 Widget

相關係數計算機

歡迎使用相關係數計算機，這是一個全面的統計工具，可計算皮爾遜、斯皮爾曼和肯德爾相關係數，並提供互動式散佈圖視覺化、迴歸分析和逐步計算說明。無論您是在分析研究資料、研究變數之間的關係，還是執行統計分析，此計算機都能為您的資料集提供專業級的深入分析。

什麼是相關係數？

相關係數是一種統計測量方法，用於量化兩個變數之間關係的強度和方向。相關係數的範圍從 -1 到 +1，其中大小表示強度，正負號表示關係的方向。

相關範圍	強度	解讀
0.80 到 1.00	非常強	變數之間高度相關
0.60 到 0.79	強	存在明顯關係
0.40 到 0.59	中等	有一定關係
0.20 到 0.39	弱	輕微關係
0.00 到 0.19	非常弱	幾乎沒有關係

皮爾遜相關係數

皮爾遜相關係數（r）衡量兩個連續變數之間的線性關係。它是最常用的相關測量方法，假設兩個變數都呈常態分佈。

皮爾遜相關公式

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

其中：

X_i、Y_i = 個別資料點
X̄、Ȳ = X 和 Y 變數的平均值
n = 資料對數

斯皮爾曼等級相關係數

斯皮爾曼等級相關係數（ρ 或 r_s）是一種非參數測量方法，用於評估變數之間的單調關係。它使用等級資料而非原始值，因此適用於序數資料或關係不是嚴格線性的情況。

斯皮爾曼相關公式

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

其中：

d_i = 對應 X 和 Y 值等級之間的差異
n = 資料對數

肯德爾相關係數

肯德爾相關係數（τ）是另一種非參數測量方法，用於評估兩個變數之間的序數關聯。它計算一致和不一致的配對，特別適用於小樣本或存在許多相同等級的情況。

如何使用此計算機

輸入變數X資料：在文字區域中輸入第一個變數的數值。數字可以用逗號、空格或換行分隔。
輸入變數Y資料：輸入第二個變數的對應數值。確保數值數量與變數X相同。
設定小數精度：選擇結果的小數位數（2-15位）。
計算：點擊按鈕計算皮爾遜、斯皮爾曼和肯德爾相關係數以及p值和視覺化。

了解您的結果

主要結果

皮爾遜 r：線性相關係數（-1 到 +1）
斯皮爾曼 ρ：等級相關係數（-1 到 +1）
肯德爾 τ：序數關聯係數（-1 到 +1）
p值：各相關的統計顯著性

其他統計量

R平方（R²）：決定係數 - 可解釋的變異比例
迴歸線：最佳擬合線方程式（Y = aX + b）
樣本統計量：平均值、標準差和共變異數

何時使用各種相關方法

使用皮爾遜相關的情況：

兩個變數都是連續的且呈常態分佈
變數之間的關係呈現線性
沒有顯著的離群值
您想特別測量線性關聯

使用斯皮爾曼相關的情況：

資料是序數或等級資料
關係是單調的但不一定是線性的
資料包含會影響皮爾遜相關的離群值
違反常態性假設

使用肯德爾相關的情況：

樣本量較小
存在許多相同的值
您需要一種假設較少的穩健測量方法

重要注意事項

樣本量很重要

小樣本可能產生誤導性的相關。資料點太少時，即使是隨機資料也可能顯示出表面上很強但統計上不顯著的相關。

離群值會扭曲結果

極端值會大大影響皮爾遜相關。當結果看起來不尋常時，考慮使用斯皮爾曼或檢查資料中的離群值。

常見問題

什麼是皮爾遜相關係數？

皮爾遜相關係數（r）衡量兩個連續變數之間的線性關係。其範圍從 -1 到 +1，其中 +1 表示完美正線性關係，-1 表示完美負線性關係，0 表示沒有線性關係。

什麼是斯皮爾曼等級相關係數？

斯皮爾曼等級相關係數（rho 或 rs）是一種非參數測量方法，用於評估兩個變數之間的關係是否可以用單調函數來描述。它使用等級資料，不假設常態分佈。

如何解讀相關係數值？

相關係數通常解讀為：|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（強），|r| = 0.80-1.00（非常強）。正負號表示方向。

相關分析中的p值是什麼？

p值表示在真正沒有相關的情況下觀察到計算出的相關的機率。p值小於 0.05 通常被認為具有統計顯著性。

什麼是R平方（決定係數）？

R平方是相關係數的平方，表示一個變數中可由另一個變數解釋的變異比例。例如，如果 r = 0.8，R² = 0.64，意味著 64% 的變異可以被解釋。

何時應該使用皮爾遜或斯皮爾曼相關？

當兩個變數都是連續的、呈常態分佈且呈線性關係時，使用皮爾遜。當資料是序數資料、包含離群值或關係是單調但不是線性時，使用斯皮爾曼。

其他資源

引用此內容、頁面或工具為：

"相關係數計算機" 於 https://MiniWebtool.com/zh-tw/相關係數計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 團隊提供。更新日期：2026年1月16日

開發者 API 可用: 用一次 JSON HTTP 請求，把這個工具接入你的應用程式、自動化流程或代理。查看 API 文件

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

相關係數計算機

相關係數計算機

什麼是相關係數？

相關值的解讀

皮爾遜相關係數

斯皮爾曼等級相關係數

肯德爾相關係數

如何使用此計算機

了解您的結果

主要結果

其他統計量

何時使用各種相關方法

使用皮爾遜相關的情況：

使用斯皮爾曼相關的情況：

使用肯德爾相關的情況：

相關分析的應用

研究與學術

金融與經濟

醫療保健與醫學

心理學與社會科學

重要注意事項

相關不代表因果關係

樣本量很重要

離群值會扭曲結果

常見問題

什麼是皮爾遜相關係數？

什麼是斯皮爾曼等級相關係數？

如何解讀相關係數值？

相關分析中的p值是什麼？

什麼是R平方（決定係數）？

何時應該使用皮爾遜或斯皮爾曼相關？

其他資源

統計與數據分析:

熱門與最新工具:

升級 Pro，一個 ZIP 下載全部檔案