典型相关性分析举例：再说相关性分析
典型相关性分析举例：再说相关性分析在知乎上看到一个例子也可以来说一下，火灾现场，救护车的数量与死亡人数呈正相关，这可能确是实情，但我们不能说是因为派去的救护车多了导致死亡人数的增加，更不能因此作出通过减少救护车的数量来降低死亡人数的结论。还是城市化水平和离婚率的例子，只能说明城市化的水平越高的同时，离婚率也增加了（相关），但不能说是因为城市化水平高，所以导致人们离婚（因果），因为这中间还有很多因素，城市化水平只是其中的一个。这是生活中的例子，工作中也很常见啊，如果一个指标和另一个指标是一起变化的，说明它们是相关的，而如果是一个指标先变化从而导致了另一个指标的变化，说明它们是有因果性的，什么是因果性，请接着往下看。两个变量之间存在相关关系，并不意味着一个变量会影响另一个变量，也不意味着二者存在实际关系。再深入理解一下，相关性是数学关系，而因果性是逻辑关系。
标题叫再说相关性分析，为什么叫再说呢？因为之前说过了呗，但是一个知识点你反复咀嚼的时候就是会有不同的感悟，因此这篇文章要再来说说相关性分析。
什么是相关性
百度百科给的解释是：两个变量的关联程度。
或者多个变量，或者变量与变量之间吧的关联程度，都可以，就是说A和B之间肯定存在着某种关系，确定的关系我们用函数就可以描述出来了，而这种不稳定、不确定、不精确变化的关系我们就称之为相关关系。
比如不久前的新闻，说深圳离婚都要排号了，然后我们发现哈，越是大城市，人们的离婚率就越高，这就反映了城市化水平和离婚率之间的一个相关关系。
这是生活中的例子，工作中也很常见啊，如果一个指标和另一个指标是一起变化的，说明它们是相关的，而如果是一个指标先变化从而导致了另一个指标的变化，说明它们是有因果性的，什么是因果性，请接着往下看。
相关和因果的区别
两个变量之间存在相关关系，并不意味着一个变量会影响另一个变量，也不意味着二者存在实际关系。
再深入理解一下，相关性是数学关系，而因果性是逻辑关系。
还是城市化水平和离婚率的例子，只能说明城市化的水平越高的同时，离婚率也增加了（相关），但不能说是因为城市化水平高，所以导致人们离婚（因果），因为这中间还有很多因素，城市化水平只是其中的一个。
在知乎上看到一个例子也可以来说一下，火灾现场，救护车的数量与死亡人数呈正相关，这可能确是实情，但我们不能说是因为派去的救护车多了导致死亡人数的增加，更不能因此作出通过减少救护车的数量来降低死亡人数的结论。
《精益数据分析》这本书里有提到：发现相关性可以帮助你预测未来，而发现因果性意外着你可以改变未来。相关性已经很好了，但因果性更佳，但很多时候，我们只能发现相关性，但应永不停止寻找因果性。
另外说一点，蝴蝶效应，是相关性还是因果性呢？大家可以评论区补充。
为什么要做相关性分析
为什么要进行相关性分析，如果你认真阅读的话，相信你已经知道答案了，前两段刚说完：相关性可以预测未来。
在判断两个变量是否相关的时候，会画出散点图，其中与数据点拟合程度最高的线称为最佳拟合线，通过这条线可以用来预测数值。
如何进行相关性分析
相关关系有很多种分类，根据变量间相互关系的形式可以分为线性相关和非线性相关，通常比较常用的是线性相关，这里我们也只讨论线性相关。
相关系数
比较常用的线性相关分析，用来衡量它的指标是线性相关系数，又叫皮尔逊相关系数，通常用r表示，取值范围是[-1 1]，这里要注意的是在什么取整范围内时强相关，什么又是弱相关，但这也只是数学意义，在实际工作中也需要结合业务去判断。
散点图
散点图是将两个变量可视化观察其关系的最好呈现方式。通过散点图我们可以清晰地看出来到底是正相关还是负相关。
函数方法
在Excel中，可以用CORREL函数来计算相关系数，同时还可以用数据——数据分析——相关系数，这个功能来进行相关分析。在之前写的文章里有详细的运用说明：用Excel做相关性分析
猜你喜欢:什么是好的数据指标：精益数据分析
泰坦尼克号数据分析
深入浅出数据分析
数据分析都有哪些岗位？
为什么要学统计学：赤裸裸的统计学
成为数据分析师的第三年，我写了10W字
@ 作者：可乐@ 公众号/知乎专栏/头条/简书：可乐的数据分析之路@加个人data_cola，备注：进群，拉你入 可乐的数据分析群 和各行各业的小伙伴交流探讨数据分析相关内容
微信公众号
个人微信号
