相关性分析

这里的相关性分析主要是线性相关性分析，当然其他的形状的相关性分析可以通过变换转换为线性相关性分析。但是，线性相关性分析始终是相关性分析的基础。线性相关分析的构建主要分为以下几种：

通过把点标出来主观上看是否是线性相关。

绘制散点图矩阵是直接绘制散点图的一种，适用于多元线性回归的描述。如果用直接绘制散点图的方法，将每次取多个元中的两个进行绘画，但是这样很没有逻辑。所以我们可以将这n个元的具体情况用柱状图表示出来，放在正方形的对角线上，这样每一个变量与每一个变量之间都绘制了一个散点图，做到了不重复不遗漏。

之前的两种方法偏向于定性分析，如果要定量分析，那么就要使用相关系数。在二元变量的相关分析中，比较常用的Pearson相关系数、Spearman秩相关系数、判定系数。

适用条件：分析两个连续性变量的相关关系（不太理解为什么说Pearson线性相关系数要求连续变量的取值服从正态分布）

公式：

判断条件：（其本身的条件决定r的取值为[-1，1]）

是正相关还是负相关：看r的正负，如果是正则是正相关，如果是负则是负相关

判断线性关系的强弱：

看r的绝对值：

绝对值=0：不存在线性关系

绝对值