相关系数计算器

皮尔逊相关系数（r）衡量两个变量之间线性关系的强度和方向。范围从-1到+1。接近+1的值表示强正相关（X增加时Y也增加），接近-1的值表示强负相关（X增加时Y减少），接近0的值表示没有线性关系。解释：|r| > 0.7是强相关，0.5-0.7是中等相关，0.3-0.5是弱相关，< 0.3是非常弱或无相关。

R平方（r²）是决定系数，通过相关系数的平方计算得出。它表示Y中被X解释的方差百分比。例如，r² = 0.64意味着Y变异的64%可以由其与X的线性关系来解释。剩余的36%是由其他因素或随机变异造成的。无论相关是正是负，R平方总是在0到1之间。

相关性衡量两个变量之间的统计关联——当一个变化时，另一个倾向于变化。因果关系意味着一个变量直接导致另一个变量的变化。高相关性并不能证明因果关系。例如，冰淇淋销量和溺水死亡是相关的（两者都在夏季增加），但冰淇淋不会导致溺水——炎热的天气是影响两者的混杂变量。要建立因果关系，需要控制实验或严格的因果分析方法。

使用皮尔逊相关的情况：两个变量都是连续的且近似正态分布，关系是线性的，没有极端异常值。使用斯皮尔曼相关的情况：有序数据、非线性单调关系、或存在异常值时（基于秩次而非原始值）。使用肯德尔τ的情况：小样本量或有很多并列秩次时。对于分类变量，使用卡方检验或克拉默V而不是相关性。

线性回归方程 y = mx + b 描述了通过数据点的最佳拟合线。斜率（m）告诉你X每增加一个单位，Y变化多少。例如，m = 2.5意味着X每增加1个单位，Y增加2.5。Y截距（b）是X = 0时Y的预测值。你可以使用这个方程预测任何X值对应的Y，但仅限于原始数据的范围内（超出此范围的外推是不可靠的）。