相关性的类型

本文解释了什么是所有类型的相关性。因此，您会发现几种对相关性进行分类的方法：取决于关系是正还是负，取决于相关系数的值，取决于变量的数量等。

线性相关性有哪些类型？

为了对两个随机变量之间的关系进行分类，我们区分以下类型的线性相关：

• 直接相关（或正相关） ：一个变量随着另一个变量的增加而增加。
• 逆相关（或负相关） ：当一个变量增加时，另一个变量减少，反之亦然，如果一个变量减少，另一个变量增加。
• 零相关（无相关） ：两个变量之间没有关系。

根据数据的性质，直接相关性也可以同时是正比例相关性，尽管为此连接两个变量的因子必须始终相同。因此，所有直接比例关系都是直接相关的示例，因为两个变量一起增加，但并非所有直接关系都是直接比例关系，因为相关程度可能根据范围而变化。

同样，所有反比例变量也具有负相关性。然而，并非所有具有负相关性的变量都是成反比的，因为要这样考虑，它们之间的数学关系对于所有数据对来说必须是恒定的。

相关类型取决于相关程度

无论两个变量之间的相关性是正相关还是负相关，都可以根据两个变量之间关系的强弱对相关性进行分类。

• 强相关性：两个变量密切相关。如果将数据绘制在散点图上，则这些点非常接近。这使得更容易识别变量之间的关系。
• 低相关性：两个变量之间存在相关性，但难以识别。点云上的点彼此远离。

要了解两个变量之间的相关性是强还是弱，必须计算相关系数。相关系数的绝对值越高，变量之间的相关性越强。

因此，根据相关系数的值，两个不同统计变量之间的关系可以分为以下类型：

其他类型的相关性

我们刚刚了解了不同类型的线性相关性是什么，但是，我们必须记住，还有其他方法可以根据其他标准对相关性类型进行分类。

如果我们根据变量之间关系的性质对相关类型进行分组，我们可以区分：

• 线性相关——两个变量之间的关系可以用直线表示。
• 非线性相关：两个变量之间的关系不能用直线表示，而必须使用更复杂的函数，例如抛物线或对数。

另一方面，相关性也可以根据变量的数量分为不同的组：

• 简单相关：仅研究两个变量之间的关系。
• 多重相关：研究两个以上变量之间的关系。
• 偏相关：当两个变量之间的关系不影响数据集中的其他变量时。