相關性顯示了兩件事物如何共同變化。如果它們一起上升和下降，這就是正相關。如果一個上升而另一個下降，則為負相關。這種關係由相關係數來衡量，相關係數是介於 -1 和 +1 之間的數字。
此關聯的方向和強度對於從數據中得出準確的結論至關重要。誤解它可能會使您的研究結果失效。我們將探討真實案例、用於計算它的工具，以及研究人員最常犯的錯誤。請繼續閱讀以了解如何正確發現並利用這些模式。
<CTA title="讓相關性更容易解釋" description="使用 Jenni 將粗略的研究筆記轉化為清晰的學術寫作。" buttonLabel="免費試用 Jenni" link="https://app.jenni.ai/register" />
理解研究中的相關性
研究中的相關性顯示了兩個變數如何共同變化。它絕不能證明因果關係。它只是顯示兩件事物是共同移動、分開移動，還是完全沒有關係。
這種關聯的強度是由相關係數 r 來衡量的。這個數字落在 -1 和 +1 之間。為了更好地理解相關係數在 -1 和 +1 之間的範圍，您可以在這篇相關係數指南中探索詳細的解釋。
如果您正在探索相關性如何融入更廣泛的研究方法，您也可以閱讀研究範式，其中解釋了不同的研究框架如何影響數據詮釋。
接近 +1 或 -1 的分數表示強烈的關聯。接近 0 的分數表示幾乎沒有線性關係。核心概念依然是：相關性描述的是一種模式，而非原因。
研究人員出於幾種實際原因而使用相關性。它有助於在投入昂貴的實驗之前檢測趨勢。
這個工具有助於您發現模式、預測未來趨勢，並將複雜的數據簡化為清晰的洞察。它對於建立理論和使混亂的信息更容易管理也很有幫助。
<ProTip title="💡 專家提示：" description="在解讀相關性數值之前，務必先繪製數據圖。快速繪製散佈圖可以顯示單一數字可能隱藏的模式。" />
正相關解析
正相關意味著兩件事物共同移動。當一個增加時，另一個也會增加。當一個減少時，另一個也會隨之減少。例如，研究表明運動量較多的人通常心理健康狀況較好。
在散佈圖上，這種關係會呈現上升趨勢。數據點會沿著一條自左向右上升的對角線聚集。您可以在常見的組合中看到這一點，例如學習時間與考試分數，或是運動頻率與健身成果。
收入和教育水平通常也呈現這種模式。在統計學上，強烈的關聯其 r 值可能為 +0.8，而中度關聯則可能在 +0.4 左右。
在實踐中，正向關係通常指向共同增長或相互強化的因素。但它常常具有誤導性。以夏天為例：冰淇淋銷量和溺水率都會上升。真正的起因是隱藏的變數——炎熱的天氣，而不是冰淇淋與溺水之間的直接聯繫。
<ProTip title="💡 專家提示：" description="正相關意味著兩個變數共同移動，但它並不能證明一個變數導致了另一個變數。" />
負相關解析
負相關描述的是一種反向關係。當一個變數增加時，另一個變數會可靠地減少。
來自疾病管制與預防中心 (CDC) 等公共衛生組織的數據通常會顯示這種模式。例如，某些健康風險行為與預期壽命結果呈負相關。
在散佈圖上，您會看到明顯的下降斜率。當您在圖表上自左向右移動時，數據點會下降。現實世界的例子很容易找到：較高的壓力通常意味著較差的睡眠品質。
開車較快會降低燃油效率。更多的學習分心通常會導致較低的學業表現。在統計學上，強烈的反向關聯其 r 值可能為 -0.7，而微弱關聯則可能在 -0.2 左右。
這些反向關係非常實用。它們突出了權衡關係。如果一個因素上升，您可以預測另一個因素可能會下降。這種洞察對於醫療保健或經濟政策等領域的決策非常有價值。
<ProTip title="💡 專家提示：" description="負相關對於在研究數據中發現權衡、風險因素和反向關係非常有用。" />
相關係數的強度與詮釋
相關係數告訴您兩件事：關係的方向和強度。接近 +1 或 -1 的值表示強烈的關聯。接近 0 的值表示微弱的關聯。
以下是詮釋強度的常用方法：
相關類型 | 數值範圍 | 強度 | 範例 |
正相關 | +0.8 | 強 | 學習時間 vs 成績 |
負相關 | -0.6 | 中等 | 壓力 vs 睡眠品質 |
無相關 | 0.0 | 無 | 髮色 vs 智商 |
微弱的關係落在 0.0 到 ±0.3 之間。中度關係為 ±0.3 到 ±0.7。任何介於 ±0.7 到 ±1.0 之間都被認為是強烈的關係。
如果您得到零相關，這意味著變數之間不存在直線關係。可能仍存在其他更複雜的模式，但不存在線性相關性。
<ProTip title="💡 專家提示：" description="在解讀相關性結果之前，請同時查看方向和強度。正負號顯示方向，而數值顯示關係的強度。" />
相關性 vs 因果關係：常見錯誤
相關性並不代表因果關係。這也許是解讀研究時最常犯的錯誤。
衛生組織表示，這種混淆會使人們誤解健康資訊。兩個變數可以共同移動，但一個並不直接導致另一個。
這種情況的發生是因為虛假相關。第三個隱藏因素推動了這兩個被測量變數的變化。您可以在這份虛假相關案例合集中看到幾個令人驚訝的誤導性關係案例。
為了更好地理解相關性本身如何作為一種研究方法，您可以探索相關性研究，它解釋了這些關係是如何被系統性地研究的。
經典的例子包括夏天冰淇淋銷量與溺水事故的上升，真正的起因是炎熱的天氣，而不是冰淇淋。
另一個例子是兒童的鞋子尺寸和閱讀能力，它們看起來似乎相關，但這其實是因為年齡較大的孩子腳更大，且閱讀能力更好。
咖啡與生產力也是如此。看起來咖啡可能使人更有生產力，但事實上這可能是因為他們的早晨例行公事或睡眠質量所致。
誤讀這些關係會帶來真正的風險。它會使研究設計從一開始就失效。研究人員可能會高估微弱關聯的重要性。
他們可能會完全忽略一個能解釋一切的潛在變數。在應用領域，這會導致基於錯誤假設的錯誤政策決策。它還會導致在實際應用中失效的疲弱預測模型。
<ProTip title="💡 專家提示：" description="在做出結論之前，請先尋找混淆變數。隱藏的第三個因素會使兩個變數看起來比實際情況更具關聯性。" />
相關性分析的統計方法
您為相關性分析選擇的方法完全取決於您的數據。使用正確的方法能使您的研究結果更準確、更容易詮釋。
在進行相關性檢定之前，清楚定義您要探討的問題非常重要。如果您不確定如何架構您的研究，這篇關於如何撰寫研究問題的指南可以幫助您建立一個強有力且聚焦的研究方向。
其中兩種最常見的方法是皮爾森 (Pearson) 相關和斯皮爾曼 (Spearman) 相關。
皮爾森相關衡量的是兩個連續變數之間的直線關係。這是在許多實驗研究中的標準選擇。
斯皮爾曼等級相關不需要直線關係。它只是通過比較它們的順序（而不是精確數字），來檢查數值是否大致一起上升或下降。它通常用於順序數據或關係非線性的情況。
如果您想更深入地了解它是如何運作的，可以閱讀更多關於斯皮爾曼等級相關方法的內容。
方法 | 最適用於 | 數據類型 |
皮爾森 r | 線性關係 | 連續數據 |
斯皮爾曼 rho | 等級或非線性趨勢 | 順序數據 |
那麼，您應該何時使用哪一種？如果您的數據呈常態分佈且您預期有線性關係，請選擇皮爾森。
如果您的數據已經過排序、高度偏斜，或者您懷疑存在非線性但單調的模式，請選擇斯皮爾曼。有時，同時進行這兩種檢定可以驗證您結果的穩健性。
<ProTip title="💡 專家提示：" description="在使用皮爾森相關之前，請檢視極端值。少數不尋常的數值會使關係看起來比實際更強或更弱。" />
相關性的實際應用
相關性不僅是一個統計學概念。它是幾乎在各個領域中用來發現模式和引導決策的實用工具。
在心理學和健康研究中，它有助於繪製行為與結果之間的關聯圖。研究經常會檢驗壓力和焦慮是否形影不離，或者更好的睡眠是否與更好的思考和專注力相關聯。
規律運動與改善情緒調節之間的關係是另一個常見的研究重點。
經濟學家和商業分析師依靠它來預測趨勢。他們觀察收入如何影響支出，或者利率如何與投資增長相關聯。行銷團隊則分析廣告支出與銷售業績之間的相關性。
教育研究人員用它來評估有效的教學方法。他們觀察經常上課的學生在學校表現是否更好，或者學習更多是否能帶來更高的測試分數。
它還有助於評估新的教學方法是否與更高的學生參與度相關。
正確解讀相關性的檢核清單
為了避免錯誤，在解讀相關性時，請遵循清晰的檢核清單。
逐步解讀指南
確定方向（正相關或負相關）
檢查強度（弱、中等、強）
使用散佈圖將數據視覺化
進行統計顯著性檢定
尋找潛在的混淆變數
避免因果假設
常見的解讀錯誤
常見錯誤通常在缺乏背景信息時發生。研究人員有時會忽略扭曲結果的離群值。他們會過度概括來自小型或特定樣本的研究結果。
最經典的錯誤是將關聯性與因果關係混淆。另一個技術性錯誤是針對您擁有的數據類型使用了錯誤的統計檢定。
<ProTip title="💡 專家提示：" description="在敲定您的解讀之前，請使用散佈圖。直觀的圖表模式可以揭示單憑相關性數值可能會遺漏的問題。" />
讓相關性為您所用
您可能盯著看似相關但仍感模糊的數據，心想這是否真的代表著什麼。這令人沮喪。單憑數字本身是無法自我解釋的。
<CTA title="將數據模式轉化為清晰的寫作" description="使用 Jenni 以更具結構、清晰且自信的方式解釋您的研究發現。" buttonLabel="免費試用 Jenni" link="https://app.jenni.ai/register" />
這正是像 Jenni 這樣的工具派上用場的地方，幫助您更自信、更快速地前行，將各種模式轉化為您可以立即使用的清晰表述。這是節省時間並避免自我懷疑的簡單一步。