来源：“小白学统计”微信公众号；作者：冯国双。

“相关”这个词很常用，或者说，很通俗，只要是想说明两个或多个变量的关系，似乎就可以考虑相关分析。但是要注意，“相关分析”并不等于我们平时在文章中所说的Pearson相关。

通常，我们在文章中，都会说相关系数等于0.72之类的内容，这里的相关系数绝大多数都是指Pearson相关。但事实上，还有很多其它相关，而且，有时你用的Pearson相关也未必正确。本文主要说一下相关分析中的一些注意事项。

问题1：相关与回归，我该选择哪个？

相关与回归都是分析变量间关系的方法，但不少人搞不清楚，我到底什么时候用相关，什么时候用回归。这个其实主要从研究目的来定，这两种方法侧重的研究目的不同。

相关（correlation）从字面意思就可以看出它描绘的是变量间的“相互”关系，即两个或多个变量不区分主次关系，重在解释变量间的关联。

而回归分析中的变量地位不同，有主次之分，注意力集中在其中的一个或几个自变量对因变量的影响，而不是因变量对自变量的影响。

在有的结构很清楚的软件中，如JMP软件，是将相关置于“多元分析”的菜单下，为什么呢？因为相关分析中，所有变量都是结果，没有原因，就是看这些变量之间的相互关系。

而回归分析则不是，只有一个结果，其它都是原因（注意这里的原因不是从时间上或因果关系上所谓的那个原因，只是为了说明问题，不是很严谨）。比如分析高血压的影响因素，高血压可以看做结果，而性别、年龄等因素可以看做原因。因为你想看的是性别、年龄等对高血压的影响，而不想反过来看高血压对年龄的影响。这就是回归分析。

问题2：没有线性相关就说明没有关系？

一般而言，我们所说的相关都是指线性相关，但这只是一般情况，而不是所有情况。比如，Pearson相关系数（主要用于正态分布数据之间的相关）和Spearman相关系数（主要用于非正态分布的数据之间的相关），这两个相关系数主要是用于线性相关的关联性度量，但是如果相关系数=0.1，并不代表说就没有相关。此时结论只能说无“线性相关”，但不能说没有“相关性”。