Pearson相关性分析

这个方法是做什么的

衡量两个数值变量之间线性关系的强弱与方向，结果就是相关系数 r：+1 是完全正向的直线关系，−1 是完全反向，0 是没有线性关系。r 与量纲无关，所以「元」和「分钟」之间也能比。

一次拖入多个变量时，它会把所有两两组合都算一遍，给出逐对的三线表、相关矩阵和热力图，并对这些检验做多重比较校正。

相关不等于因果——这条比它听起来更容易违反。 r 显著只说明两个变量一起变；谁先谁后、谁影响谁，数据里没有这个信息。更常见的情况是第三个变量同时推动了两者（「冰淇淋销量」和「溺水人数」都由气温驱动）。如果你已经能说出可能的混杂变量，请改用偏相关把它控制住再看。
r 接近 0 只能排除线性关系，不能排除关系。 一个漂亮的倒 U 形（投入太少和投入太多效果都差）算出来的 r 可能就是 0.02。画散点图是必须的一步，不能只看系数表。
一次拖 5 个变量，就是同时做了 10 次检验。 每次检验各有约 5% 的假阳性概率，10 次下来「至少中一次」的概率远高于 5%。第四张卡给出 Holm 校正后的 p 与判定，以校正后的为准，而不是主结果表里未校正的那一列——两者结论不一致是很常见的。
显著的相关不一定是有用的相关。 样本量到 1000 时，r = 0.07 就能做到 p 小于 0.05，但它对应的 r² 只有 0.005，两个变量几乎没有共同变化。判断有没有实际价值要看 r 与 r² 的大小；r² 是两列数字重叠的方差比例，也别把它读成「一个变量决定了另一个的百分之多少」这种因果语气。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。