📈相关
相关
🔒 本机处理教育与统计工具
计算两组成对数据之间的皮尔森相关系数。
相关系数计算器接收成对的 X/Y 值，计算皮尔森 r（线性相关的标准衡量指标）、R²，以及检验相关是否显著不为零的显著性检验（t 统计量与 p 值）。
使用指引
- 逐行输入成对的 X 与 Y 值——按你的数据量添加行数。
- 点击「计算」获取皮尔森 r、R²，以及针对「r = 0」的显著性检验（t 统计量与 p 值）。
常见使用情境
- 检查两个测量变量是否呈线性同向变化。
- 用自己的原始数据核对他处报告的相关系数。
- 在建立回归模型前评估线性关系的强度。
- 检验观察到的相关是否具统计显著性，还是只是巧合。
✓内容与验证流程复查: 2026-08-25
相关系数计算器 的验证方法与判读边界
如何确认相关系数结果符合你的预期。
r 介于 -1 到 1 之间，0 代表没有线性关系
接近 1 代表强烈正向线性关系，接近 -1 代表强烈负向关系，接近 0 则代表几乎没有线性关系——但 r 偏低不代表两变量之间没有强烈的非线性关系。
p 值是针对「r = 0」这个原假设的检验
p 值偏低代表：如果真实相关为零，观察到这个相关值的概率很低——这是线性关系确实存在的证据，但不代表关系有多强，也不代表因果关系。
R² 就是 r 的
R² 代表其中一个变量的方差中，有多少比例可以用另一个变量线性解释，数值介于 0 到 1，不论相关是正向还是负向都一样。
使用结果前的检查清单
- 已输入至少数组成对的 X/Y 值，而不只是 2、3 个点。
- 了解 r 只衡量线性关系——非线性的关系模式仍可能显示较低的 r。
- 已同时查看 p 值，而不是只凭 r 的大小判断关系强弱。
- 不会仅因为相关系数高且显著就直接推断因果关系。
适合谁使用
- 检查两个变量间线性关系的学生与研究人员。
- 想用自己的原始数据核对已报告相关系数的人。
- 在建立回归模型前评估关系强度的人。
- 检验观察到的相关是否具统计显著性的分析人员。
实际案例
检查
研究人员输入两个变量的成对测量值，查看它们同向变化的强度与方向。
核对
有人在报告中看到相关系数的说法，重新输入原始数据，亲自确认 r 值是否正确。
回归
分析人员先检查相关系数及其显著性，再决定是否值得为同样的变量建立线性回归模型。
使用限制
- 该显著性检验假设变量之间的关系是线性的，且数据大致呈正态分布——p 值偏低只代表线性相关不太可能为零，并不代表存在因果关系。
常见问题
r 值为负代表什么？
代表两个变量倾向朝相反方向变化——一个增加时另一个倾向减少。强度仍要看 r 接近 -1 的程度。
数据
皮尔森 r 只衡量线性关系——即使变量之间有明显的曲线或非线性关系，r 仍可能偏低。
要
没有严格的最低要求，但样本量极少（只有几个点）时，r 与 p 值都会很不稳定，容易被单一离群值大幅影响。
p 值
不代表——显著的相关只表示线性关系不太可能为零，并不能说明因果关系。
🔒 在浏览器内处理，不会上传。结果仅供参考，详见 免责声明。 最后更新: 2026-08-25
订阅更新
新工具上线与实用技巧，第一时间发送到你的邮箱。不发垃圾邮件，随时可退订。