相关系数是什么意思？

相关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1]。|r|值越大，误差Q越小，变量之间的线性相关程度越高；|r|值越接近0，Q越大，变量之间的线性相关程度越低。相关系数又称皮（尔生）氏积矩相关系数，说明两个现象之间相关关系密切程度的统计分析指标。相关系数用希腊字母γ表示，γ值的范围在-1和+1之间。γ＞0为正相关，γ＜0为负相关。γ＝0表示不相关；γ的绝对值越大，相关程度越高。两个现象之间的相关程度，一般划分为四级：如两者呈正相关，r呈正值，r=1时为完全正相关；如两者呈负相关则r呈负值，而r=-1时为完全负相关。完全正相关或负相关时，所有图点都在直线回归线上；点子的分布在直线回归线上下越离散，r的绝对值越小。当例数相等时，相关系数的绝对值越接近1，相关越密切；越接近于0，相关越不密切。当r=0时，说明X和Y两个变量之间无直线关系。通常|r|大于0.8时，认为两个变量有很强的线性相关性。编辑本段相关系数的计算公式其中xi为自变量的标志值；i＝1，2，…n；■为自变量的平均值，为因变量数列的标志值；■为因变量数列的平均值。为自变量数列的项数。对于单变量分组表的资料，相关系数的计算公式为：相关系数计算公式[1]?r=n(写上面)∑i=1(写下面)(Xi-X的平均数)(Yi-Y平均数)/根号下[∑(样子同上)(Xi-X平均数）的平方*∑（样子同上）（Yi-Y平均数）的平方其中fi为权数，即自变量每组的次数。在使用具有统计功能的电子计算机时，可以用一种简捷的方法计算相关系数，其公式为：使用这种计算方法时，当计算机在输入x、y数据之后，可以直接得出n、■、∑xi、∑yi、∑■、∑xiy1、γ等数值，不必再列计算表。

问题一：相关系数的取值范围及意义 相关系数取值范围如下： 1、符号：如果为正号，则表示正相关，如果为负号，则表示负相关。通俗点说，正相关就是变量会与参照数同方向变动，负相关就是变量与参照数反向变动； 2、取值为0，这是极端，表示不相关； 3、取值为1，表示完全正相关，而且呈同向变动的幅度是一样的； 4、如果为-1，表示完全负相关，以同样的幅度反向变动； 5、取值范围：[-1，1]. 问题二：相关系数的含义 相关系数有如下几种： 1、简单相关系数：又叫相关系数或线性相关系数。它一般用字母r 表示。它是用来度量定量变量间的线性相关关系。 2、复相关系数：又叫多重相关系数。复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。 3、偏相关系数：又叫部分相关系数。部分相关系数反映校正其它变量后某一变量与另一变量的相关关系，校正的意思可以理解为假定其它变量都取值为均数。 偏相关系数的假设检验等同于偏回归系数的t检验。 复相关系数的假设检验等同于回归方程的方差分析。 4、典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性无关的综合指标，再用两组之间的综合指标的直线相关系敷来研究原两组变量间相关关系。 5、可决系数是相关系数的平方。意义：可决系数越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。 问题三：线性回归方程中相关系数是什么意思 回归系数越大表示x 对y 影响越大,正回归系数表示y 随x 增大而增大,负回归系数表示y 随x 增大而减小. 回归方程式^Y=bX+a中之斜率b,称为回归系数,表X每变动1单位,平均而言,Y将变动b单位. 一元线性回归分析中,相关系数为1,就没什么意义了相关系数是变量之间相关程度的指标.样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1].|r|值越大,误差Q越小,变量之间的线性相关程度越高；|r|值越接近0,Q越大,变量之间的线性相关程度越低. 问题四：线性回归方程中相关系数是什么意思 r=(求和号(Xi-x平均值)(Yi-y平均值)/根号(求和号(Xi-x平均值)^2求和号(Yi-y平均值)^2)(求和都是从1到n) r 一般用来度量线性相关性的程度 问题五：相关性是什么意思 5分 就是有关系的，比如一件事因另一件事而发生的，这件事与另一件事具俯，比如一笔费用因某个业务而发生的，两者具有相关性。 问题六：几种相关系数的含义 简单相关系数： 又叫相关系数或线性相关系数。它一般用字母r 表示。它是用来度量定量变量间的线性相关关系。 复相关系数: 又叫多重相关系数 复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。 偏相关系数： 又叫部分相关系数：部分相关系数反映校正其它变量后某一变量与另一变量的相关关系，校正的意思可以理解为假定其它变量都取值为均数。 偏相关系数的假设检验等同于偏回归系数的t检验。 复相关系数的假设检验等同于回归方程的方差分析。 典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性无关的综合指标．再用两组之间的综合指标的直线相关系敷来研究原两组变量间相关关系 可决系数是相关系数的平方。 意义：可决系数越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。 问题七：相关系数为0，是什么含义 就是不相关，cov即协方差为0 问题八：相关系数的计算公式是什么 相关系数：考察两个事物（在数据里我们称之为变量）之间的相关程度。 如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解： (1)、当相关系数为0时，X和Y两变量无关系。 (2)、当X的值增大（减小），Y值增大（减小），两个变量为正相关，相关系数在0.00与1.00之间。 (3)、当X的值增大（减小），Y值减小（增大），两个变量为负相关，相关系数在-1.00与0.00之间。 相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。 通常情况下通过以下取值范围判断变量的相关强度： 相关系数 0.8-1.0 极强相关 0.6-0.8 强相关 0.4-0.6 中等程度相关 0.2-0.4 弱相关 0.0-0.2 极弱相关或无相关 Pearson（皮尔逊）相关系数 1、简介 皮尔逊相关也称为积差相关（或积矩相关）是英国统计学家皮尔逊于20世纪提出的一种计算直线相关的方法。 2、适用范围 当两个变量的标准差都不为零时，相关系数才有定义，皮尔逊相关系数适用于： (1)、两个变量之间是线性关系，都是连续数据。 (2)、两个变量的总体是正态分布，或接近正态的单峰分布。 (3)、两个变量的观测值是成对的，每对观测值之间相互独立。 3、Matlab实现 皮尔逊相关系数的Matlab实现（依据公式四实现）： [cpp] view plaincopy function coeff = myPearson(X , Y) % 本函数实现了皮尔逊相关系数的计算操作 % % 输入： % X：输入的数值序列 % Y：输入的数值序列 % % 输出： % coeff：两个输入数值序列X，Y的相关系数 % if length(X) ~= length(Y) error("两个数值数列的维数不相等"); return; end fen户i = sum(X .* Y) - (sum(X) * sum(Y)) / length(X); fenmu = sqrt((sum(X .^2) - sum(X)^2 / length(X)) * (sum(Y .^2) - sum(Y)^2 / length(X))); coeff = fenzi / fenmu; end %函数myPearson结束 也可以使用Matlab中已有的函数计算皮尔逊相关系数： [cpp] view plaincopy coeff = corr(X , Y); 4、参考内容 Spearman Rank（斯皮尔曼等级）相关系数 1、简介 在统计学中，斯皮尔曼等级相关系数以Charles Spearman命名，并经常用希腊字母ρ（rho）表示其值。斯皮尔曼等级相关系数用来估计两个变量X、Y之间的相关性，其中变量间的相关性可以使用单调函数来描述。如果两个变量取值的两个 *** 中均不存在相同的两个元素，那么，当其中一个变量可以表示为另一个变量的很好的单调函数时（即两个变量的变化趋势相同），两个变量之间的ρ可以达到+1或-1。 假设两个随机变量分别为X、Y（也可以看做两个 *** ），它......>>

问题一：相关系数是什么意思 相关系数有如下几种： 1、简单相关系数：又叫相关系数或线性相关系数。它一般用字母r 表示。它是用来度量定量变量间的线性相关关系。 2、复相关系数：又叫多重相关系数。复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。 3、偏相关系数：又叫部分相关系数。部分相关系数反映校正其它变量后某一变量与另一变量的相关关系，校正的意思可以理解为假定其它变量都取值为均数。 偏相关系数的假设检验等同于偏回归系数的t检验。 复相关系数的假设检验等同于回归方程的方差分析。 4、典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性无关的综合指标，再用两组之间的综合指标的直线相关系敷来研究原两组变量间相关关系。 5、可决系数是相关系数的平方。意义：可决系数越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。 问题二：相关系数是什么意思 相关系数 用来衡量变量间的线性相关关系。 正比例关系相关系数在0.00--1.00之间 反比例关系相关系数在-1--0.00之间，绝对值越大相关性越强。 问题三：线性回归方程中相关系数是什么意思 回归系数越大表示x 对y 影响越大,正回归系数表示y 随x 增大而增大,负回归系数表示y 随x 增大而减小. 回归方程式^Y=bX+a中之斜率b,称为回归系数,表X每变动1单位,平均而言,Y将变动b单位. 一元线性回归分析中,相关系数为1,就没什么意义了相关系数是变量之间相关程度的指标.样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1].|r|值越大,误差Q越小,变量之间的线性相关程度越高；|r|值越接近0,Q越大,变量之间的线性相关程度越低. 问题四：线性回归方程中相关系数是什么意思 r=(求和号(Xi-x平均值)(Yi-y平均值)/根号(求和号(Xi-x平均值)^2求和号(Yi-y平均值)^2)(求和都是从1到n) r 一般用来度量线性相关性的程度 问题五：什么是相关系数 科技名词定义 中文名称：相关系数 英文名称：correlation coefficient;coefficient of correlation 定义1：衡量两个变量线性相关密切程度的量。对于容量为n的两个变量x，y的相关系数rxy可写为 ，式中 是两变量的平均值 所属学科：大气科学（一级学科）；气候学（二级学科） 定义2：由回归因素所引起的变差与总变差之比的平方根。 所属学科：生态学（一级学科）；数学生态学（二级学科） 定义3：度量两个随机变量间关联程度的量。相关系数的取值范围为(-1，+1)。当相关系数小于0时，称为负相关；大于0时，称为正相关；等于0时，称为零相关。 所属学科：遗传学（一级学科）；群体、数量遗传学（二级学科）

β系数是衡量单项资产的风险收市场组合风险的影响程度，相关系数是资产组合中的资产风险的相关程度

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。相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性。0.3到0.8之间，可以认为有弱的相关性。0.3以下，认为没有相关性。扩展资料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。需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。参考资料：百度百科相关系数

相关系数取值一般在-1~1之间。绝对值越接近1说明变量之间的线性关系越强，绝对值越接近0说明变量间线性关系越弱。相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性。0.3到0.8之间，可以认为有弱的相关性。0.3以下，认为没有相关性。皮尔逊相关系数变化从-1到 +1，当r＞0表明两个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；r＜0表明两个变量是负相关，即一个变量的值越大另一个变量的值反而会越小。扩展资料；相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。参考资料来源：百度百科-相关系数

相关系数，Correlation coefficient 是描述两个变量之间的相关关系的密切程度，一般用字母 r 表示 最早由统计学家 卡尔·皮尔逊 提出，最常用的也是 皮尔逊相关系数 ，下面也主要以 皮尔逊相关系数 来介绍 皮尔逊相关系数，有些局限性，比如，变量之间一定是 线性相关 假设我们知道变量X和变量Y之间是线性相关，但是他们之间相关关系的强弱，就可以使用 相关系数 来描述 在整理相关系数的时候，有提到相关表和相关图，一起记录下 相关表，Correlation Table，是一种显示变量之间相关关系的统计表，通常将两个变量对应的值平行排列，且根据其中某一变量按其值大小顺序排列 说的挺高大上，其实就是指标然后排个序嘛，这样子的确可以看出两个指标之间的关系，但还不是很直观，毕竟都是文字，我们还要YY一下，两个指标之间的关系 其实就是散点图，通过图形的方式，可以直观的看出来数据之间是否有相关关系，是正向的还是反向的，比如上面那个例子的数据： 使用Excel就可以做一个散点图出来，很明显，工龄和日工资之间是有线性关系的，而且是正相关，工龄越长，日工资越高 关于散点图，参考下之前的一篇文章： 常见图表-散点图 下面都已皮尔徐相关系数为例 相关系数有一个计算公式： 作为一个数学渣渣，这个公式，我是真心看不懂啊，我是花了好久的时间，才搞明白，具体怎么算 其中， 表示变量X与Y的协方差； 表示X的方差； 表示Y的方差 相关系数，介于-1和1之间， 值越大，相关程度越大，正值，表示正相关，负值表示负相关； ，相关程度最低 通常来说： 协方差，Covariance，用于衡量两个变量 的总体误差 协方差计算公式： 若X与Y独立，则 协方差有几个性质： 这个协方差的计算，也是困惑了我好久才整明白 这个 是什么我一开始都没有搞懂，数学知识都还给老师了啊，哎 这个其实就是期望，也就是平均值 就是变量X 的平均值 就是变量Y 的平均值 就是变量X*Y之后的平均值 最后，我们再来看这个协方差计算，其实就简单了 方差，variance/deviation Var，用于衡量随机变量或一组数据的 离散程度 方差计算公式： 和上面说的一样 就是X的期望，也就是X的平均值 当数据分布比较分散（即数据在平均数附近波动较大）时，各个数据与平均数的差的平方和较大，方差就较大；当数据分布比较集中时，各个数据与平均数的差的平方和较小。因此方差越大，数据的波动越大；方差越小，数据的波动就越小。 好了，知道了协方差和方差的计算，相关系数的计算也就清楚了 为了看上述数据的相关性，我们可以先通过散点图来直观的看看是否符合某种规律 恩，看上去是某种线性的关系 我们开始计算相关系数，整体的思路，就是计算根据协方差和方差的计算公式，拆解一下，在Excel中还是很容易计算的 最终的相关系数为： 0.9942，非常趋近于1，所以相关性很强，符合高度线性相关关系 好了，相关系数先到这里，很有很多相关的知识，后面继续补充。

决定系数，有的教材上翻译为判定系数，也称为拟合优度。是相关系数的平方。表示可根据自变量的变异来解释因变量的变异部分。拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。取值意思：0 表示模型效果跟瞎猜差不多1 表示模型拟合度较好（有可能会是过拟合，需要判定）0~1 表示模型的好坏（针对同一批数据）小于0则说明模型效果还不如瞎猜（说明数据直接就不存在线性关系）扩展资料表征依变数Y的变异中有多少百分比,可由控制的自变数X来解释.相关系数（coefficient of correlation）的平方即为决定系数。它与相关系数的区别在于除掉|R|=0和1情况，由于R2<R,可以防止对相关系数所表示的相关做夸张的解释。决定系数：在Y的总平方和中，由X引起的平方和所占的比例，记为R2(R的平方)决定系数的大小决定了相关的密切程度。当R2越接近1时，表示相关的方程式参考价值越高；相反，越接近0时，表示参考价值越低。这是在一元回归分析中的情况。但从本质上说决定系数和回归系数没有关系，就像标准差和标准误差在本质上没有关系一样。在多元回归分析中，决定系数是通径系数的平方。表达式：R2=SSR/SST=1-SSE/SST其中：SST=SSR+SSE，SST (total sum of squares)为总平方和，SSR (regression sum of squares)为回归平方和，SSE (error sum of squares) 为残差平方和。参考资料来源：百度百科——决定系数

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，是一种非确定性的关系，是研究变量之间线性相关程度的系数。相关系数按积差方法计算，以两变量与各自平均值的离差为基础，通过两个离差相乘以反映两变量之间相关程度。相关系数的分类包括：1、简单相关系数，用于度量变量间的线性关系的量；2、复相关系数，是因变量与多个自变量之间的相关关系；3、典型相关系数，先对原来各组变量进行主成分分析，得到新的线性关系的综合指标，通过综合指标之间的线性相关系数以研究原各组变量间相关关系。

回归系数越大表示x 对y 影响越大,正回归系数表示y 随x 增大而增大,负回归系数表示y 随x 增大而减小. 回归方程式^Y=bX+a中之斜率b,称为回归系数,表X每变动1单位,平均而言,Y将变动b单位.一元线性回归分析中,相关系数为1,就没什么意义了相关系数是变量之间相关程度的指标.样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1].|r|值越大,误差Q越小,变量之间的线性相关程度越高；|r|值越接近0,Q越大,变量之间的线性相关程度越低.

相关系数名词解释如下：相关系数是从资产回报相关性的角度分析两种不同证券表现的联动性。相关系数的绝对值大小体现两个证券收益率之间相关性的强弱。相关系数可以衡量任何两项资产收益率之间的变动关系。相关系数是由统计学家卡尔·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。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。企业物流：一种新产品上市。在上市之前，公司的物流部需把新产品合理分配到全国的10个仓库，新品上市一个月后，要评估实际分配方案与之前考虑的其他分配方案中，是实际分配方案好还是其中尚未使用的分配方案更好，通过这样的评估，可以在下一次的新产品上市使用更准确的产品分配方案，以避免由于分配而产生的积压和断货。通过计算，很容易得出这3个分配方案中，B的相关系数是最大的，这样就评估到B的分配方案比实际分配方案A更好，在下一次的新产品上市分配计划中，就可以考虑用B这种分配方法来计算实际分配方案。

相关系数r的计算公式是ρXY=Cov(X，Y)/√［D(X)]√［D(Y)]。公式描述：公式中Cov(X，Y)为X，Y的协方差，D(X)、D(Y)分别为X、Y的方差。公式。若Y=a+bX，则有：令E(X) =μ，D(X) =σ。则E(Y) = bμ＋a，D(Y) = bσ。E(XY) = E(aX + bX) = aμ＋b(σ＋μ）。Cov(X，Y) = E(XY)−E(X)E(Y) = bσ。缺点需要指出的是，相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1。当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。

相关系数就是两个变量之间的相关程度，-1<0负相关，r>0正相关，r2越接近1表示越相关。P值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值，一般以P < 0.05 为显著， P<0.01 为非常显著，其含义是样本间的差异由抽样误差所致的概率小于0.05 或0.01。在线性回归中，p<0.01(或者0.05）表示两个变量非常显著（显著）线性相关。 需要注意的是：在非线性回归中，不可以用p值检验相关显著性， 因为在非线性回归中，残差均值平方不再是误差方差的无偏估计，因而不能使用线性模型的检验方法来检验非线性模型，从而不能用F统计量及其P值进行检验。复相关系数：又叫多重相关系数。复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的季节性需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性关系的综合指标，再通过综合指标之间的线性相关系数来研究原各组变量间相关关系。

常见的相关系数为简单相关系数，简单相关系数又称皮尔逊相关系数或者线性相关系数。线性相关系数计算公式如图所示：r值的绝对值介于0～1之间。通常来说，r越接近1，表示x与y两个量之间的相关程度就越强，反之，r越接近于0，x与y两个量之间的相关程度就越弱。线性相关系数性质：(1)定理: | ρXY | = 1的充要条件是，存在常数a，b，使得P{Y=a+bX}=1。相关系数ρXY取值在-1到1之间，ρXY = 0时。称X,Y不相关; | ρXY | = 1时，称X,Y完全相关，此时，X,Y之间具有线性函数关系; | ρXY | < 1时，X的变动引起Y的部分变动，ρXY的绝对值越大，X的变动引起Y的变动就越大， | ρXY | > 0.8时称为高度相关，当 | ρXY | < 0.3时称为低度相关，其它时候为中度相关。(2)推论:若Y=a+bX，则有。证明: 令E(X) = μ，D(X) = σ。则E(Y) = bμ + a，D(Y) = bσ。E(XY) = E(aX + bX) = aμ + b(σ + μ)。Cov(X,Y) = E(XY) − E(X)E(Y) = bσ。若b≠0，则ρXY ≠ 0。若b=0，则ρXY = 0。

相关系数的强弱仅仅看系数的大小是不够的。一般来说，取绝对值后，0-0.09为没有相关性，0.3-弱，0.1-0.3为弱相关，0.3-0.5为中等相关，0.5-1.0为强相关。但是，往往你还需要做显著性差异检验，即t-test，来检验两组数据是否显著相关，这在spss里面会自动为你计算的。样本书越是大，需要达到显著性相关的相关系数就会越小。所以这关系到你的样本大小，如果你的样本很大，比如说超过300，往往分析出来的相关系数比较低，比如0.2，因为你样本量的增大造成了差异的增大，但显著性检验却认为这是极其显著的相关。一般来说，我们判断强弱主要看显著性，而非相关系数本身。但你在撰写论文时需要同时报告这两个统计数据。

相关系数r的计算公式是：r值的绝对值介于0～1之间。通常来说，r越接近1，表示x与y两个量之间的相关程度就越强，反之，r越接近于0，x与y两个量之间的相关程度就越弱，一般认为：扩展资料：需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。

相关系数r有如下特点：①相关系数的值介于–1与+1之间，即–1≤r≤+1。当r>0时，表示两变量正相关，当r<0时，表示两变量为负相关。②当|r|=1时，表示两变量为完全线性相关。当r=1时，称为完全正相关，而当r=-1时，称为完全负相关。③当r=0时，表示两变量间无线性相关关系。

简单相关系数：又叫相关系数或线性相关系数。它一般用字母r表示。它是用来度量定量变量间的线性相关关系。复相关系数:又叫多重相关系数复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。偏相关系数：又叫部分相关系数：部分相关系数反映校正其它变量后某一变量与另一变量的相关关系，校正的意思可以理解为假定其它变量都取值为均数。偏相关系数的假设检验等同于偏回归系数的t检验。复相关系数的假设检验等同于回归方程的方差分析。典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性无关的综合指标．再用两组之间的综合指标的直线相关系敷来研究原两组变量间相关关系可决系数是相关系数的平方。意义：可决系数越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。

相关系数是r，分析化学中线性相关性系数是r。r2是判定系数，它是估计的回归方程拟合程度度量，一般r2越靠近1，拟合程度越好，实验结果越成功。而r研究变量之间线性相关程度的量，r越大，说明相关性越高，当r=0的时候，说明两者之间相关程度最低。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。判定系数也叫可决系数或决定系数，是指在线性回归中，回归平方和与总离差平方和之比值，其数值等于相关系数的平方。它是对估计的回归方程拟合优度的度量。为说明它的含义，需要对因变量y取值的变差进行研究。参考资料：百度百科-相关系数百度百科-判定系数

相关系数有多种，一种是针对定序或定类数据的，一种是针对定距数据的。 1、针对定距数据的相关系数 多采用简单的线性相关系数PEARMAN相关系数来确定。计算方法如同概率统计里边所学的相关系数的计算公式一样，在这里不多赘述。 2、针对定类和定序数据的 a.spearman相关系数 首先得到两组数据X和Y的秩（U,V),并计算统计量 如果，二者相关系数较高，则统计量D也会相对较小。 而秩序相关系数则通过下面公式来度量：

在线性回归有,有上述关系.即：R^2=r^2在其实回归模型中不一定适用.R^2表达的是解释变量对总偏差平方和的贡献度,强调的是“几个模型”之间的拟合度的好与坏.r表示解释变量与预报变量之间线性相关性的强弱程度,用来判断是否具有线性相关性.

相关系数r用公式r=cover（x，y）/√(var[x]vay[y])计算。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。 另外相关系数的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。

相关系数r的计算公式如图：其中Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。扩展资料：相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1。当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。参考资料来源：百度百科-相关系数

相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。通常情况下通过以下取值范围判断变量的相关强度：相关系数 0.8-1.0 极强相关0.6-0.8 强相关0.4-0.6 中等程度相关0.2-0.4 弱相关0.0-0.2 极弱相关或无相关可知相关系数为0.6表明xy之间为强相关，不过这个相关系数是否显著则还要参考你样本的标准误

corr是相关系数。corr（x，y）相关系数，用来刻画二维随机变量两个分量间相互关联程度。-1<corr（x，y）<1，也就是说相关系数介于-1到1之间，并可以对它说明：corr（x，y）=0，则称X，Y不相关，不相关是指X，Y没有线性关系，但也有可能有其他关系，比如平方关系，立方关系等，corr（x，y）=1，则称X与Y完全正相关，corr（x，y）=-1，则称X，Y完全负相关。缺点需要指出的是，相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。以上内容参考：百度百科-相关系数

相关系数取值范围如下：1、符号：如果为正号，则表示正相关，如果为负号，则表示负相关。通俗点说，正相关就是变量会与参照数同方向变动，负相关就是变量与参照数反向变动；2、取值为0，这是极端，表示不相关；3、取值为1，表示完全正相关，而且呈同向变动的幅度是一样的；4、如果为-1，表示完全负相关，以同样的幅度反向变动；5、取值范围：[-1，1].

你说的决定系数国外的教材翻译成判定系数~类似于r^2的概念那对应的相关系数就是r了~，两者之间的换算关系就简单明了了吧~另外，相关系数是仅被用来描述两个变量之间的线性关系的，但判定系数的适用范围更广，可以用于描述非线性或者有两个及两个以上自变量的相关关系。。。~

　　相关关系是一种非确定性的关系，是研究变量之间线性相关程度的量。由于研究对象的不同，相关系数有以下定义方式： 　　1、简单相关系数：又叫相关系数或线性相关系数，一般用字母r表示，用来度量两个变量间的线性关系； 　　2、复相关系数：又叫多重相关系数。复相关是指因变量与多个自变量之间的相关关系； 　　3、典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性关系的综合指标，再通过综合指标之间的线性相关系数来研究原各组变量间相关关系。

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。相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性。0.3到0.8之间，可以认为有弱的相关性。0.3以下，认为没有相关性。扩展资料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。需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。参考资料：百度百科相关系数

相关系数越大，说明两个变量之间的关系就越强。当相关系数为1时，两个变量其实就是一次函数关系。相关系数介于0与1之间，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。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。扩展资料（1）相关系数的应用1、概率论例：若将一枚硬币抛n次，X表示n次试验中出现正面的次数，Y表示n次试验中出现反面的次数。计算ρXY。解：由于X+Y=n，则Y=-X+n，根据相关系数的性质推论，得ρXY = − 1。2、企业物流例：一种新产品上市，在上市之前，公司的物流部需把新产品合理分配到全国的10个仓库，新品上市一个月后，要评估实际分配方案与之前考虑的其他分配方案中，是实际分配方案好还是其中尚未使用的分配方案更好。通过这样的评估，可以在下一次的新产品上市使用更准确的产品分配方案，以避免由于分配而产生的积压和断货。表1是根据实际数据所列的数表。通过计算，很容易得出这3个分配方案中，B的相关系数是最大的，这样就评估到B的分配方案比实际分配方案A更好，在下一次的新产品上市分配计划中，就可以考虑用B这种分配方法来计算实际分配方案。3、聚类分析例：如果有若干个样品，每个样品有n个特征，则相关系数可以表示两个样品间的相似程度。借此，可以对样品的亲疏远近进行距离聚类。例如9个小麦品种(分别用A1,A2,...,A9表示)的6个性状资料见表2，作相关系数计算并检验。由相关系数计算公式可计算出6个性状间的相关系数，分析及检验结果见表3。由表3可以看出，冬季分蘖与每穗粒数之间呈现负相关(ρ = − 0.8982)，即麦冬季分蘖越多，那么每穗的小麦粒数越少，其他性状之间的关系不显著。（2）相关系数的缺点：需要指出的是，相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。参考资料来源百度百科-相关系数

相关系数取值一般在-1~1之间。绝对值越接近1说明变量之间的线性关系越强，绝对值越接近0说明变量间线性关系越弱。相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性。0.3到0.8之间，可以认为有弱的相关性。0.3以下，认为没有相关性。皮尔逊相关系数变化从-1到 +1，当r＞0表明两个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；r＜0表明两个变量是负相关，即一个变量的值越大另一个变量的值反而会越小。扩展资料；相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。参考资料来源：百度百科-相关系数

如何理解相关系数？相关系数是用于衡量两个变量之间的相关性的统计指标，其值介于-1和1之间。当两个变量之间存在正相关时，其值位于0到1之间；而当它们之间存在负相关时，其值位于-1到0之间。如果两个变量之间没有相关性，相关系数的值将为0。

自己看看百度百科吧，这个说的很详细啦。比我解释的好。

相关系数是从资产回报相关性的角度分析两种不同证券表现的联动性。相关系数的绝对值大小体现两个证券收益率之间相关性的强弱。相关系数可以衡量任何两项资产收益率之间的变动关系。相关系数介于区间[-1，1]内。当相关系数为-1，表示完全负相关，表明两项资产的报酬率变化方向和变化幅度完全相反。当相关系数为+1时，表示完全正相关，表明两项资产的收益率变化方向和变化幅度完全相同。当相关系数为0时，表示不相关。各种相关系数定义简单相关系数：又叫相关系数或线性相关系数，一般用字母r 表示，用来度量两个变量间的线性关系。复相关系数：又叫多重相关系数。复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的季节性需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性关系的综合指标，再通过综合指标之间的线性相关系数来研究原各组变量间相关关系。

相关数值越接近一或负一时,表示两者的关系越明显,或正相关或负相关.相关系数的强弱仅仅看系数的大小是不够的.一般来说,取绝对值后,0-0.09为没有相关性,0.3-弱,0.1-0.3为弱相关,0.3-0.5为中等相关,0.5-1.0为强相关.但是,往往还需要做显著性差异检验,即t-test,来检验两组数据是否显著相关,这在SPSS里面会自动为你计算的.样本书越是大,需要达到显著性相关的相关系数就会越小.所以这关系到样本大小,如果样本很大,比如说超过300,往往分析出来的相关系数比较低,比如0.2,因为样本量的增大造成了差异的增大,但显著性检验却认为这是极其显著的相关.

相关系数是变量之间相关程度的指标.样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1].|r|值越大,误差Q越小,变量之间的线性相关程度越高；|r|值越接近0,Q越大,变量之间的线性相关程度越低.相关系数 又称皮（尔生）氏积矩相关系数,说明两个现象之间相关关系密切程度的统计分析指标.相关系数用希腊字母γ表示,γ值的范围在-1和+1之间.γ＞0为正相关,γ＜0为负相关.γ＝0表示不相关； γ的绝对值越大,相关程度越高.两个现象之间的相关程度,一般划分为四级：如两者呈正相关,r呈正值,r=1时为完全正相关；如两者呈负相关则r呈负值,而r=-1时为完全负相关.完全正相关或负相关时,所有图点都在直线回归线上；点子的分布在直线回归线上下越离散,r的绝对值越小.当例数相等时,相关系数的绝对值越接近1,相关越密切；越接近于0,相关越不密切.当r=0时,说明X和Y两个变量之间无直线关系.通常|r|大于0.8时,认为两个变量有很强的线性相关性. 相关系数的计算公式 其中xi为自变量的标志值；i＝1,2,…n；■为自变量的平均值,为因变量数列的标志值；■为因变量数列的平均值.为自变量数列的项数.对于单变量分组表的资料,相关系数的计算公式为：r=n(写上面)∑i=1(写下面)(Xi-X的平均数)(Yi-Y平均数)/根号下[∑(样子同上)(Xi-X平均数）的平方*∑（样子同上）（Yi-Y平均数）的平方 其中fi为权数,即自变量每组的次数.在使用具有统计功能的电子计算机时,可以用一种简捷的方法计算相关系数,其公式为：使用这种计算方法时,当计算机在输入x、y数据之后,可以直接得出n、■、∑xi、∑yi、∑■、∑xiy1、γ等数值,不必再列计算表.

相关系数r的计算公式是ρXY=Cov(X，Y)/√［D(X)]√［D(Y)]。公式描述：公式中Cov(X，Y)为X，Y的协方差，D(X)、D(Y)分别为X、Y的方差。若Y=a+bX，则有：令E(X) =μ，D(X) =σ。则E(Y) = bμ＋a，D(Y) = bσ。E(XY) = E(aX + bX) = aμ＋b(σ＋μ）。Cov(X，Y) = E(XY)−E(X)E(Y) = bσ。变量间的这种相互关系，称为具有不确定性的相关关系。⑴完全相关：两个变量之间的关系，一个变量的数量变化由另一个变量的数量变化所惟一确定，即函数关系。⑵不完全相关：两个变量之间的关系介于不相关和完全相关之间。⑶不相关：如果两个变量彼此的数量变化互相独立，没有关系。

相关系数越大，说明两个变量之间的关系就越强。当相关系数为1时，两个变量其实就是一次函数关系。相关系数介于0与1之间，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。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。扩展资料（1）相关系数的应用1、概率论例：若将一枚硬币抛n次，X表示n次试验中出现正面的次数，Y表示n次试验中出现反面的次数。计算ρXY。解：由于X+Y=n，则Y=-X+n，根据相关系数的性质推论，得ρXY = − 1。2、企业物流例：一种新产品上市，在上市之前，公司的物流部需把新产品合理分配到全国的10个仓库，新品上市一个月后，要评估实际分配方案与之前考虑的其他分配方案中，是实际分配方案好还是其中尚未使用的分配方案更好。通过这样的评估，可以在下一次的新产品上市使用更准确的产品分配方案，以避免由于分配而产生的积压和断货。表1是根据实际数据所列的数表。通过计算，很容易得出这3个分配方案中，B的相关系数是最大的，这样就评估到B的分配方案比实际分配方案A更好，在下一次的新产品上市分配计划中，就可以考虑用B这种分配方法来计算实际分配方案。3、聚类分析例：如果有若干个样品，每个样品有n个特征，则相关系数可以表示两个样品间的相似程度。借此，可以对样品的亲疏远近进行距离聚类。例如9个小麦品种(分别用A1,A2,...,A9表示)的6个性状资料见表2，作相关系数计算并检验。由相关系数计算公式可计算出6个性状间的相关系数，分析及检验结果见表3。由表3可以看出，冬季分蘖与每穗粒数之间呈现负相关(ρ = − 0.8982)，即麦冬季分蘖越多，那么每穗的小麦粒数越少，其他性状之间的关系不显著。（2）相关系数的缺点：需要指出的是，相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。参考资料来源百度百科-相关系数

常见的相关系数为简单相关系数，简单相关系数又称皮尔逊相关系数或者线性相关系数，其定义式为：r值的绝对值介于0～1之间。通常来说，r越接近1，表示x与y两个量之间的相关程度就越强，反之，r越接近于0，x与y两个量之间的相关程度就越弱，一般认为：扩展资料：相关关系：当一个或几个相互联系的变量取一定的数值时，与之相对应的另一变量的值虽然不确定，但它仍按某种规律在一定的范围内变化。变量间的这种相互关系，称为具有不确定性的相关关系。⑴完全相关：两个变量之间的关系，一个变量的数量变化由另一个变量的数量变化所惟一确定，即函数关系。⑵不完全相关：两个变量之间的关系介于不相关和完全相关之间。⑶不相关：如果两个变量彼此的数量变化互相独立，没有关系。

要看你的是哪方面那个领域的相关系数，最好查规范。

相关系数r的计算公式是ρXY=Cov(X,Y)/√[D(X)]√[D(Y)]。公式描述：公式中Cov(X，Y)为X，Y的协方差，D(X)、D(Y)分别为X、Y的方差。若Y=a+bX，则有：令E(X) =μ，D(X) =σ。则E(Y) = bμ＋a，D(Y) = bσ。E(XY) = E(aX + bX) = aμ＋b(σ＋μ）。Cov(X，Y) = E(XY)E(X)E(Y) = bσ。

相关系数是指与某一关系式或是公式等的常系数，相关系数是变量之间相关程度的指标。样本相关系数用r表示，总体相关系数用ρ表示，相关系数的取值范围为[-1，1]。|r|值越大，误差Q越小，变量之间的线性相关程度越高；|r|值越接近0，Q越大，变量之间的线性相关程度越低。样本相关系数的推导过程相关系数用于判断样本参数的相关关系，很小，表明样本范围内，两个参数相关关系很弱；显著性水平用于判断总体和样本的一致性，显著性水平很高，表明总体与样本一致性程度较高，总体范围内，两个参数的相关关系也很弱。相关系数是介于-1和1之间的一个数，描述了各个数据点与直线的偏离程度。通过它可以量度回归线与数据线的拟合度，通常用字幕r表示。

回归系数b乘以X和Y变量的标准差之比结果为相关系数r。即b*σx/σy=r

结论：A与C在相关性比A与B的相关性强

相关系数r的计算公式是：r值的绝对值介于0～1之间。通常来说，r越接近1，表示x与y两个量之间的相关程度就越强，反之，r越接近于0，x与y两个量之间的相关程度就越弱，一般认为：扩展资料：需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。

相关系数是从资产回报相关性的角度分析两种不同证券表现的联动性。相关系数的绝对值大小体现两个证券收益率之间相关性的强弱。相关系数可以衡量任何两项资产收益率之间的变动关系。相关系数介于区间[-1，1]内。当相关系数为-1，表示完全负相关，表明两项资产的报酬率变化方向和变化幅度完全相反。当相关系数为+1时，表示完全正相关，表明两项资产的收益率变化方向和变化幅度完全相同。当相关系数为0时，表示不相关。相关系数的正负与协方差的正负相同。相关系数为正值，表示两种资产报酬率呈同方向变化，组合抵消的风险较少；负值则意味着反方向变化，抵消的风险较多。相关系数定义相关关系是一种非确定性的关系，相关系数是研究变量之间线性相关程度的量。由于研究对象的不同，相关系数有如下几种定义方式。简单相关系数：又叫相关系数或线性相关系数，一般用字母r 表示，用来度量两个变量间的线性关系。复相关系数：又叫多重相关系数。复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的季节性需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。典型相关系数：是先对原来各组变量进行主成分分析，得到新的线性关系的综合指标，再通过综合指标之间的线性相关系数来研究原各组变量间相关关系。

相关系数取值一般在-1~1之间。绝对值越接近1说明变量之间的线性关系越强，绝对值越接近0说明变量间线性关系越弱。相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性。0.3到0.8之间，可以认为有弱的相关性。0.3以下，认为没有相关性。皮尔逊相关系数变化从-1到 +1，当r＞0表明两个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；r＜0表明两个变量是负相关，即一个变量的值越大另一个变量的值反而会越小。扩展资料；相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。参考资料来源：百度百科-相关系数

|r|>0.95 存在显著性相关；|r|≥0.8 高度相关；0.5≤|r|<0.8 中度相关；0.3≤|r|<0.5 低度相关；|r|<0.3 关系极弱，认为不相关。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。扩展资料：皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。

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。相关系数r的绝对值一般在0.8以上，认为A和B有强的相关性。0.3到0.8之间，可以认为有弱的相关性。0.3以下，认为没有相关性。扩展资料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。需要说明的是，皮尔逊相关系数并不是唯一的相关系数，但是最常见的相关系数，以下解释都是针对皮尔逊相关系数。依据相关现象之间的不同特征，其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数（相关系数的平方称为判定系数）；将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数；将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。参考资料：百度百科相关系数

在线性回归有,有上述关系.即：R^2=r^2在其实回归模型中不一定适用。R^2表达的是解释变量对总偏差平方和的贡献度,强调的是“几个模型”之间的拟合度的好与坏。r表示解释变量与预报变量之间线性相关性的强弱程度,用来判断是否具有线性相关性。回归系数b乘以X和Y变量的标准差之比结果为相关系数r。即b*σx/σy=r相关系数和回归系数的联系和区别如下：首先，相关系数与回归系数的方向，即符号相同。回归系数与相关系数的正负号都有两变量离均差积之和的符号业决定，所以同一资料的b与其r的符号相同。回归系数有单位，形式为（应变量单位/自变量单位）相关系数没有单位。相关系数的范围在-1～+1之间，而回归系数没有这种限制。回归系数是指在回归方程中表示自变量x对因变量y影响大小的参数。回归系数越大表示x对y影响越大，正回归系数表示y随x增大而增大，负回归系数表示y随x增大而减小。回归方程式^Y=bX+a中之斜率b,称为回归系数，表X每变动一单位，平均而言，Y将变动b单位。