1樓：匿名使用者
是不對的。
pearson相關係數的適用條件：
1、適用於線性相關的情形，對於曲線相關等更為複雜的情形、積差相關係數的大小並不能代表相關性的強弱。
2、無明顯異常值，存在極端值則予剔除或轉換。
3、變數呈雙變數正態分佈，如各自服從正態分佈兩個變數計算pearson相關係數、假陽率偏高一點。
擴充套件資料
利用樣本相關係數推斷總體中兩個變數是否相關，可以用t 統計量對h0假設（即二者相關係數為0）進行檢驗。若t檢驗顯著，則拒絕原假設，即兩個變數是線性相關的；反之，則不能拒絕原假設，即兩個變數不是線性相關的。
r的取值為，-1~+1。r＞0表明兩個變數是正相關，即一個變數的值越大，另一個變數的值也會越大；r＜0表明兩個變數是負相關，即一個變數的值越大另一個變數的值反而會越小。
r 的絕對值越大，則兩變數相關性越強。若r=0，表明兩個變數間不是線性相關，但可能存在其他方式的相關（比如曲線方式）。
（1）一般認為：|r|≥0.8時，可認為兩變數間高度相關；0.
5≤|r|<0.8，可認為兩變數中度相關；0.3≤|r|<0.
5，可認為兩變數低度相關；|r|<0.3，可認為兩變數基本不相關。
（2）也有認為：|r|≥0.8時，可認為兩變數間極高度相關；0.
6≤|r|<0.8，可認為兩變數高度相關；0.4≤|r|<0.
6，可認為兩變數中度相關；0.2≤|r|<0.4，可認為兩變數低度相關；|r|<0.
2，可認為兩變數基本不相關。
（3）還有認為：|r|≥0.7時，可認為兩變數間強相關；0.
4≤|r|<0.7，可認為兩變數中度相關；0.2≤|r|<0.
4，可認為兩變數弱相關；|r|<0.2，可認為兩變數極弱相關或不相關。
2樓：demon陌
相關係數r等於0，說明兩個變數之間不存在相關關係。這樣說不對。
依據相關現象之間的不同特徵，其統計指標的名稱有所不同。如將反映兩變數間線性相關關係的統計指標稱為相關係數（相關係數的平方稱為判定係數）；將反映兩變數間曲線相關關係的統計指標稱為非線性相關係數、非線性判定係數；將反映多元線性相關關係的統計指標稱為復相關係數、復判定係數等。
3樓：du知道君
相關係數是一個介於-1到+1之間(包括+-1)的數,r=1表明兩變數完全正相關,r=-1表明完全負相關,0表示兩個變數之間沒有任何相關性,在x-y散點圖上表示為類似白噪聲的分佈,均勻的佈滿整個座標平面
4樓：匿名使用者
相關係數r等於0，說明兩個變數之間不存在相關關係 這句話是對滴不存在相關關係和完全不相關是一樣的
相關係數r等於0，說明兩個變數之間不存在相關關係.這樣說對嗎
5樓：假面
相關係數r等於0，說明兩個變數之間不存在相關關係。這樣說不對。
依據相關現象之間的不同特徵，其統計指標的名稱有所不同。如將反映兩變數間線性相關關係的統計指標稱為相關係數（相關係數的平方稱為判定係數）；將反映兩變數間曲線相關關係的統計指標稱為非線性相關係數、非線性判定係數；將反映多元線性相關關係的統計指標稱為復相關係數、復判定係數等。
6樓：雨說情感
是不對的。
pearson相關係數的適用條件：
1、適用於線性相關的情形，對於曲線相關等更為複雜的情形、積差相關係數的大小並不能代表相關性的強弱。
2、無明顯異常值，存在極端值則予剔除或轉換。
3、變數呈雙變數正態分佈，如各自服從正態分佈兩個變數計算pearson相關係數、假陽率偏高一點。
擴充套件資料
利用樣本相關係數推斷總體中兩個變數是否相關，可以用t 統計量對h0假設（即二者相關係數為0）進行檢驗。若t檢驗顯著，則拒絕原假設，即兩個變數是線性相關的；反之，則不能拒絕原假設，即兩個變數不是線性相關的。
r的取值為，-1~+1。r＞0表明兩個變數是正相關，即一個變數的值越大，另一個變數的值也會越大；r＜0表明兩個變數是負相關，即一個變數的值越大另一個變數的值反而會越小。
r 的絕對值越大，則兩變數相關性越強。若r=0，表明兩個變數間不是線性相關，但可能存在其他方式的相關（比如曲線方式）。
（1）一般認為：|r|≥0.8時，可認為兩變數間高度相關；0.
5≤|r|<0.8，可認為兩變數中度相關；0.3≤|r|<0.
5，可認為兩變數低度相關；|r|<0.3，可認為兩變數基本不相關。
（2）也有認為：|r|≥0.8時，可認為兩變數間極高度相關；0.
6≤|r|<0.8，可認為兩變數高度相關；0.4≤|r|<0.
6，可認為兩變數中度相關；0.2≤|r|<0.4，可認為兩變數低度相關；|r|<0.
2，可認為兩變數基本不相關。
（3）還有認為：|r|≥0.7時，可認為兩變數間強相關；0.
4≤|r|<0.7，可認為兩變數中度相關；0.2≤|r|<0.
4，可認為兩變數弱相關；|r|<0.2，可認為兩變數極弱相關或不相關。
7樓：神遊飛天
設隨機變數x和y滿足：x2+y2=1. x和y的相關係數等於0，但兩者是相關的。相關係數描述的兩個隨機變數的線性相關性。
8樓：du知道君
相關係數是一抄個介於-1到+1之間
襲(包括+-1)的數,r=1表明兩變數完全bai正相關du,r=-1表明完全負zhi相關,0表示兩個變數之間沒有任何相關性dao,在x-y散點圖上表示為類似白噪聲的分佈,均勻的佈滿整個座標平面
9樓：
相關係數
bair等於0，說明兩du個變數之間不存在zhi相關關係。dao這樣說不對。
相關係數版r是根據樣本資料計
如果變數x和變數y之間的線性相關係數為0，說明這兩個變數之間是
10樓：呂秀才
說明這連個變數之間沒有顯著的線性相關性。
但是並不表示變數之間沒有關係，當線性關係沒有的時候，需要考慮下是否存在非線性的相關。這個需要你繪製散點圖看，兩個變數之間是否存在某種曲線的關係，然後找對應的模型驗證一下。
11樓：過分裡
完全不相關
如果是丨r丨越向1靠，則相關性越大
統計學中相關係數接近為0表明兩個研究變數之間不存在任何相關關係。判斷分析題，要求寫出分析說明 5
12樓：匿名使用者
相關係數r為0表示兩個變數之間不存在任何關係是對是錯
13樓：匿名使用者
有資料了嗎？
做專業資料分析，找我吧
統計學中如果相關係數r=0，則表明兩個變數之間什麼關係
14樓：匿名使用者
相關係數是一個介於-1到+1之間(包括+-1)的數,r=1表明兩變數完全正相關,r=-1表明完全負相關,0表示兩個變數之間沒有任何相關性,在x-y散點圖上表示為類似白噪聲的分佈,均勻的佈滿整個座標平面
相關係數越大，說明兩個變數之間的關係就越強嗎
15樓：月似當時
樣本的簡單相關係數一般用r表示，計算公式為：
r 的絕對值越大表明相關性越強，要注意的是這裡並不存在因果關係。若r=0，表明兩個變數間不是線性相關，但有可能是其他方式的相關（比如曲線方式）。
利用樣本相關係數推斷總體中兩個變數是否相關，可以用t 統計量對總體相關係數為0的原假設進行檢驗。若t 檢驗顯著，則拒絕原假設，即兩個變數是線性相關的；若t 檢驗不顯著，則不能拒絕原假設，即兩個變數不是線性相關。
擴充套件資料
一些實際工作者用非居中的相關係數（與pearson係數不相相容）。
例如：假設五個國家的國民生產總值分別是1、2、3、5、8（單位10億美元），又假設這五個國家的貧困比例分別是11%、12%、13%、15%、18%。
則有兩個有序的包含5個元素的向量x、y：x = (1, 2, 3, 5, 8) 、 y = (0.11, 0.
12, 0.13, 0.15, 0.
18) 使用一般的方法來計算向量間夾角（參考數量積）。
上面的資料實際上是選擇了一個完美的線性關係：y
= 0.10 + 0.01 x。因此皮爾遜相關係數應該就是1。
把資料居中（x中資料減去 e(x) = 3.8 ，y中資料減去e(y) =
0.138）後得到：x = (−2.
8, −1.8, −0.8, 1.
2, 4.2)、 y = (−0.028, −0.
018, −0.008,
0.012, 0.042)。
16樓：禾鳥
相關係數越大，說明兩個變數之間的關係就越強。當相關係數為1時，兩個變數其實就是一次函式關係。
相關係數介於0與1之間，用以反映變數之間相關關係密切程度的統計指標。相關係數是按積差方法計算，同樣以兩變數與各自平均值的離差為基礎，通過兩個離差相乘來反映兩變數之間相關程度；著重研究線性的單相關係數。
相關係數是最早由統計學家卡爾·皮爾遜設計的統計指標，是研究變數之間線性相關程度的量，一般用字母 r 表示。由於研究物件的不同，相關係數有多種定義方式，較為常用的是皮爾遜相關係數。
擴充套件資料
（1）相關係數的應用
1、概率論
例：若將一枚硬幣拋n次，x表示n次試驗中出現正面的次數，y表示n次試驗中出現反面的次數。計算ρxy。
解：由於x+y=n，則y=-x+n，根據相關係數的性質推論，得ρxy = − 1。
2、企業物流
例：一種新產品上市，在上市之前，公司的物流部需把新產品合理分配到全國的10個倉庫，新品上市一個月後，要評估實際分配方案與之前考慮的其他分配方案中，是實際分配方案好還是其中尚未使用的分配方案更好。
通過這樣的評估，可以在下一次的新產品上市使用更準確的產品分配方案，以避免由於分配而產生的積壓和斷貨。表1是根據實際資料所列的數表。
通過計算，很容易得出這3個分配方案中，b的相關係數是最大的，這樣就評估到b的分配方案比實際分配方案a更好，在下一次的新產品上市分配計劃中，就可以考慮用b這種分配方法來計算實際分配方案。
3、聚類分析
例：如果有若干個樣品，每個樣品有n個特徵，則相關係數可以表示兩個樣品間的相似程度。藉此，可以對樣品的親疏遠近進行距離聚類。
例如9個小麥品種(分別用a1,a2,...,a9表示)的6個性狀資料見表2，作相關係數計算並檢驗。
由相關係數計算公式可計算出6個性狀間的相關係數，分析及檢驗結果見表3。由表3可以看出，冬季分櫱與每穗粒數之間呈現負相關(ρ = − 0.8982)，即麥冬季分櫱越多，那麼每穗的小麥粒數越少，其他性狀之間的關係不顯著。
（2）相關係數的缺點：
需要指出的是，相關係數有一個明顯的缺點，即它接近於1的程度與資料組數n相關，這容易給人一種假象。
因為，當n較小時，相關係數的波動較大，對有些樣本相關係數的絕對值易接近於1；當n較大時，相關係數的絕對值容易偏小。特別是當n=2時，相關係數的絕對值總為1。因此在樣本容量n較小時，我們僅憑相關係數較大就判定變數x與y之間有密切的線性關係是不妥當的。
投資組合和相關係數的問題,投資組合和相關係數的問題
你的問題著實比較繞人。我的理解 1 報酬率的標準差與市場的標準差確實都包含了系統風險和非系統風險造成的影響。但是，別忘了，貝塔係數是 報酬率的標準差 市場的標準差 與市場的相關係數。可以這麼理解，這裡的相關係數，剔除了非系統風險的影響。因為，例如，a，b 組合的方差為sd a 2 sd b 2 2s...
如何通俗理解協方差和相關係數
相關係數概念在評價影象的處理效果方面很有用，因為很多時候我們需要只要處理後影象與原影象的關係。一 協方差 可以通俗的理解為 兩個變數在變化過程中是同方向變化？還是反方向變化？同向或反向程度如何？你變大，同時我也變大，說明兩個變數是同向變化的，這時協方差就是正的。你變大，同時我變小，說明兩個變數是反向...
spss交叉表關於顯著性係數和相關係數
相關係數表裡邊的那個p值是用來度量他們這個相關性是不是可靠，相關係數是用來衡回量答有多相關，比方你這個表的p值是0.000，相關係數是0.252，就認為這兩個變數肯定是相關的，但是呢是弱相關。就這樣。補充說明一下，相關係數在正負一之間取值，它的絕對值越接近一，就認為相關性越強。ppv課，大資料培訓專...