客观事物之间的关系分为两类：函数关系（有确定性）和统计关系（有不确定性）。
函数关系：事物间的一种一一对应的确定性关系，可以用某种函数来表示。
统计关系：事物间的关系是不确定性的，有某种关系，但又不是确定性的关系。统计关系的常见类型：1，线性相关：正线性相关、负线性相关；2，非线性相关。
相关关系的两种情况：第一种，变量都是随机变量，彼此间地位相同，任一个变量既可以做因变量也可以做自变量。这类问题可以用相关分析解决。第二种，某些变量是可以控制和测量的非随机变量，称之为自变量，另一个变量与它们有关，它是不可控的，是随机变量，称之为因变量。这里因变量与自变量地位不同，不能互换。这类问题用回归分析去解决。
研究对象：不同变量间密切程度（统计关系）。研究目的：描述两个变量间线性关系程度的强弱的统计量—— 相关系数r。
基本方法：绘制散点图、计算相关系数r（取值范围：-1~1）。
相关系数:以数值的方式精确地反映了两个变量间线性相关的强弱程度。 相关系数r的绝对值越大，相关性越强;相关系数r越接近1或-1，相关性越强;相关系数r越接近0，相关性越弱。
相关系数r计算步骤：
第一步，计算样本的相关系数r；第二步，对样本来自的两总体是否存在显著的线性关系进行推断。（由于存在抽样的随机性和样本量较少等原因，通常样本相关系数不能直接用来说明样本来自的两总体是否具有显著的线性关系，需要通过假设检验的方式对样本来自的总体是否具有显著的线性相关关系进行统计推断）
Pearson简单线性相关系数：数值型变量间的线性相关关系
Spearman等级相关系数：等级变量间的线性相关关系
假设检验：1，提出提出原假设Ho（两总体无显著线性关系，存在零相关）；2，选择检验统计量（不同类型的变量应采用不同的相关系数，相应也采用不同的检验统计量）；3，计算检验统计量的观测值和对应的概率P值；4，决策。(如果检验统计量的概率P 值小于给定的显著性水平α，则应拒绝原假设，认为两总体存在显著的线性关系;反之，则可认为两总体存在零相关）。
Pearson相关（皮尔逊相关）
概念：衡量两个变量X和Y之间线性相关性的统计量。
条件： Pearson相关只能评估两个连续变量之间的线性相关（仅当一个变量的变化与另一个变量的比例变化相关时，关系才是线性的）。Pearson相关是用于两个计量资料之间的相关性，应用的条件为两组资料必须都符合正态分布，但此条件过于严格，近似正态分布也可以。
偏相关分析
偏相关分析：在控制其他变量线性影响的条件下分析两变量间的线性相关性。即当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程。所以偏相关分析也称之为净相关分析。控制变量个数为1时，称为一阶偏相关系数；控制变量个数为2时，称为二阶偏相关系数；控制变量个数为0时，称为零阶偏相关系数，即相关系数。
步骤：第一步，计算样本的偏相关系数；第二步，对样本来自的两总体是否存在显著的偏相关关系进行推断。
假设检验：对样本来自的两总体是否存在显著的偏相关进行推断。1，提出提出原假设Ho（两总体的偏相关系数与零无显著差异）；2，选择检验统计量（t检验统计）；3，计算检验统计量的观测值和对应的概率P值；4，决策。(如果检验统计量的概率P值小于给定的显著性水平a，则应拒绝原假设，认为两总体的偏相关系数与零有显著差异;反之，则可认为两总体的偏相关系数与零无显著差异）。
