跳到正文
百沐一下百沐一下
登录
本节目录

相关分析：Pearson 还是 Spearman

跟完这篇，面对「这两个变量有没有关系」，您能自己判断该用 Pearson 还是 Spearman，用 R 跑出相关系数并读懂它，知道相关到哪一步就不能再往「因果」上说，还会读一张相关热图。

「相关」是最常被用、也最常被误用的分析之一。选错系数、或把「相关」当成「因果」，都会让结论站不住。这篇给您一套「先看图、再选系数、最后守住边界」的顺序，而不是上来就 cor()。

两种系数在测什么

Pearson 和 Spearman 都给出一个 -1 到 1 之间的数：正号表示同向变（一个大另一个也大），负号表示反向变，绝对值越接近 1 越强，接近 0 表示没有这种关系。但它们测的「关系」并不一样。

  • Pearson 相关（r）：测两个变量之间的线性关系，直接用原始数值计算。
  • Spearman 秩相关（ρ）：先把每个变量各自转成秩次（第几名），再对秩次算相关。它测的是单调关系——只要「一个涨另一个也大体跟着涨」就行，不要求是直线。

放在一张表里对比：

维度Pearson（r）Spearman（ρ）
测的关系线性单调（含弯曲但同向的关系）
适用数据连续连续，或有序等级（如分期 I／II／III）
对离群值敏感，一个极端点就能带偏稳健，转秩后极端值影响被压平
分布前提做显著性检验／置信区间时，近似要求双变量正态不要求正态
怎么算用原始值先转秩，再算

一句话记忆：关系是直线、数据干净且大致正态，用 Pearson；关系弯一点、有离群、偏态或是等级数据，用 Spearman。

先画散点图

选系数之前，务必先画散点图。一个数字（相关系数）会把很多信息抹平，图能一眼看出该用哪个、甚至该不该用。

plot(df$x, df$y)                 # 最快的一眼
# 或用 ggplot2 加一条趋势线看形状
library(ggplot2)
ggplot(df, aes(x, y)) +
  geom_point() +
  geom_smooth(method = "loess")  # loess 平滑，看关系是直是弯

看图时重点关注三件事，它们正好对应选系数的判断：

  1. 形状是直还是弯：大致沿直线 → Pearson 合适；明显弯曲但一路同向（单调） → Spearman 更合适。
  2. 有没有离群点：有几个远离主群的点时，Pearson 容易被它们带偏，Spearman 更稳。
  3. 是不是根本没有单调关系：这一点最容易被忽略——如果关系是「先升后降」的 U 形，两种系数都可能算出接近 0，但这不代表没关系，只代表「没有单调关系」。这时相关系数本身就不是合适的工具。

经典的 Anscombe's quartet 就是提醒：四组数据的 Pearson r 几乎一样，散点图却完全不同（有的是直线，有的被一个离群点撑起来，有的是曲线）。永远别用一个相关系数替代看图。

三步判断该用哪个

把上面的观察收敛成一条可照走的流程：

  1. 先看数据类型：只要有一列是有序等级（而非连续量），直接用 Spearman。
  2. 再看散点图形状：近似直线走 Pearson，单调但弯走 Spearman。
  3. 最后看离群与分布：有明显离群点、或分布明显偏态、样本又不大时，倾向 Spearman；关系是直线、数据干净、样本量够，用 Pearson。

拿不准时，一个常见做法是两个都算、对照着看：若两者接近，说明结论稳；若差很多，多半是离群点或非线性在作怪，回头看图找原因。

还有第三个选项值得知道：Kendall's τ 也是基于秩的相关，和 Spearman 用途相近，在样本量小、或并列值（tie）很多时被认为更稳一些。R 里 method = "kendall" 即可。

在 R 里跑一遍

用 cor.test()，它同时给出相关系数和显著性检验（比只给系数的 cor() 信息更全）：

# Pearson：线性、近似正态、无强离群
cor.test(df$x, df$y, method = "pearson")

# Spearman：单调、非正态、有离群或等级数据
cor.test(df$x, df$y, method = "spearman")

# Kendall：小样本或并列值多时
cor.test(df$x, df$y, method = "kendall")

输出里挑这几项读：

输出项含义怎么看
cor / rho / tau相关系数（估计值）符号看方向，绝对值看强弱
p-value显著性p < 0.05 常作为「关系不为 0」的判定门槛
95 percent confidence interval系数的置信区间区间是否跨过 0、有多宽

几点要提醒：

  • p 小 ≠ 关系强。样本量很大时，即使 r 只有 0.1（几乎没有实际意义）也可能 p < 0.05。要同时看系数大小，别只看 p。（p < 0.05 是常用惯例、非铁律，请按研究场景和多重比较情况调整，见 多重检验校正。）
  • 置信区间只有 Pearson 默认给。cor.test() 对 Spearman／Kendall 默认不输出置信区间，只给系数、检验统计量和 p 值。
  • Spearman 遇到并列值会报 warning（cannot compute exact p-value with ties）——这是提示它改用近似算法，通常不影响结论，知道即可。

至于「系数多大算强」，不同领域习惯不同。下面是一个粗略参考，请把它当经验尺度、而非硬门槛，务必结合专业背景判断：

|系数|粗略解读
< 0.3弱
0.3 – 0.5中等
> 0.5较强

相关不等于因果

这是整篇最重要、也最容易越界的一节。相关只说「两者一起变」，不说「谁导致谁」。 看到一个显著的相关，至少有四种可能，因果只是其中之一：

  • X 导致 Y，或反过来 Y 导致 X——相关本身分不清方向。
  • 有第三个混杂因素 Z 同时影响 X 和 Y，让它们看起来相关（如「冰淇淋销量」和「溺水人数」相关，背后是「气温」）。
  • 纯属巧合：变量足够多时，总能碰上一些毫无道理却数字上相关的对子。
  • 由离群点或子群拉出来的假象：几个极端点、或数据里混着两个人群，都可能造出（或掩盖）相关。

后一种里有个经典陷阱——Simpson's paradox（辛普森悖论）：在合并数据里看到的相关方向，在每个子群内部可能完全相反。所以分析前想清楚数据里有没有该分开看的分组。

要想从相关走到因果，靠的不是更漂亮的系数，而是研究设计：随机对照实验、控制混杂因素的回归、或有明确时间先后与机制支持的证据。报告时如实写「X 与 Y 显著相关」，而不要悄悄升级成「X 引起 Y」——这条边界守住了，结论才可信。

相关热图怎么读

变量一多，就不是两两看，而是把所有变量两两之间的相关系数排成一个矩阵，再用颜色画成热图，一眼看清谁和谁一起变。

# 一次算出所有列两两的相关矩阵
M <- cor(df, method = "spearman", use = "pairwise.complete.obs")
# use = "pairwise.complete.obs"：对每一对变量各自用其非缺失样本

# 画图：corrplot 或 pheatmap 都常用
library(pheatmap)
pheatmap(M)                        # 带聚类的相关热图

读这张图记住几条：

  • 颜色 = 方向和强度：一种色系（如红）表示正相关、另一种（如蓝）表示负相关，颜色越深越强；接近 0 的格子颜色最淡。看图前先在图例上确认哪种色是正、哪种是负。
  • 对角线永远是 1：变量和自己完全相关，所以对角线是最深的一条，别去解读它。
  • 矩阵是对称的：左下和右上是镜像，看一半即可。
  • 成块的深色区：如果做了聚类，颜色相近的变量会被排到一起，形成沿对角线的「色块」——这些块就是彼此高度相关的一组变量，往往提示它们测的是同一类信息。

热图看的是「谁和谁相关」的整体图景，具体某一对到底有多强、显不显著，还是回到 cor.test() 逐对确认。相关热图的配色、注释条、聚类等更多讲究，和普通表达热图相通，见 热图聚类：注释条与配色全解。

在平台上跑一遍

上面这套判断不必手动敲代码。在百沐一下的【智能统计】里，上传一张整洁数据表，用一句话说清目的，例如「分析基因 A 表达量和患者年龄的相关性」或「画出这些指标的相关热图」，它会替您先看数据形状、在 Pearson 和 Spearman 之间选好系数、跑出系数与 p 值、画好散点图或相关热图，并附上可复现的 R 代码供核对；选哪个系数、要不要分组，它也会先跟您确认。

去试试：app.baimuyixia.com，或先看 智能统计使用指南。

相关