pearson相关和spearman的区别

区别：

1、分析范围不同：

Pearson用于计算连续数据的相关，而speraman相关是专门用于分析顺序数据，二者分析范围不同。

2、用途不同：

Pearson相关是最常见的相关公式，用于计算连续数据的相关，比如计算班上学生数学成绩和语文成绩的相关可以用Pearson相关。而spearman相关是专门用于分析顺序数据的，就是那种只有顺序关系，但并非等距的数据，比如计算班上学生数学成绩排名和语文成绩排名的关系。

当然如果你也可以用pearson相关来计算顺序数据，此时得到的结果和用spearman相关得到的一样。

拓展材料：

相关表和相关图可反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间相关的程度。于是，著名统计学家卡尔·皮尔逊设计了统计指标--相关系数(Correlation coefficient)。相关系数是用以反映变量之间相关关系密切程度的统计指标。

相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度着重研究线性的单相关系数。

1、衡量内容

Pearson相关系数是用来衡量两个数据集合是否在一条线上面，用来衡量定距变量间的线性关系。

spearman相关系数是衡量两个变量的依赖性的非参数指标。

2、计算公式

Pearson相关系数：

spearman相关系数：

3、特点：

Pearson相关系数：相关系数的绝对值越大，相关性越强：相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。

spearman相关系数：斯皮尔曼相关系数表明X(独立变量)和Y(依赖变量)的相关方向。如果当X增加时，Y趋向于增加，斯皮尔曼相关系数则为正。如果当X增加时，Y趋向于减少，斯皮尔曼相关系数则为负。斯皮尔曼相关系数为零表明当X增加时Y没有任何趋向性。

当X和Y越来越接近完全的单调相关时，斯皮尔曼相关系数会在绝对值上增加。当X和Y完全单调相关时，斯皮尔曼相关系数的绝对值为1。

参考资料来源：

参考资料来源：