皮爾森相關係數 (r) 計算器

皮爾森相關係數 (r) 計算器

成長中 AI Skill PRO

輸入計算

結果

皮爾森相關係數
0.774597
r(範圍 -1 至 +1)
樣本數 (n) 5
判定係數 (r²) 0.6
迴歸斜率 0.6
迴歸截距 2.2
共變異數(母體) 1.2

數學公式

r=∑(xi−x‾)(yi−y‾)∑(xi−x‾)2∑(yi−y‾)2r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \, \sum (y_i - \bar{y})^2}}
使用統計

廣告

回報本頁錯誤

什麼是皮爾森相關係數?

皮爾森相關係數通常以 \(r\) 表示,用來衡量兩個數值變數之間「直線(線性)」關係的強弱程度。它的數值永遠介於 -1 到 +1 之間。當 \(r\) 接近 +1,代表兩個變數會同步上升;接近 -1 代表一個上升、另一個就下降;接近 0 則表示兩者幾乎沒有線性關聯。這項工具具備通用性——無論是哪個領域、哪一類的成對數值資料都能適用。

三幅散佈圖,分別顯示正相關、負相關與無線性相關
\(r\) 接近 +1、-1 與 0 時的散佈分布。

如何使用這個計算器

請輸入你的 X 數值與 Y 數值,數字之間以逗號或空格分隔。每一個 X 都必須與相同位置的 Y 配對,因此兩組清單的數值個數要一致。按下計算後,即可得到 \(r\) 值,以及判定係數 (\(r^2\))、最小平方法迴歸的斜率與截距,還有共變異數。

公式說明

對於每一筆資料,先計算 x 與其平均值的偏差 (x − x̄),以及 y 與其平均值的偏差 (y − ȳ)。分子是把這些偏差的乘積全部加總;分母則是兩個變數各自「偏差平方總和」相乘後再開根號。經過這樣相除標準化後,結果便不受單位影響,且必定落在 -1 到 +1 之間。

$$r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \, \sum (y_i - \bar{y})^2}}$$

廣告
帶平均線的散佈圖,將點分為四個象限
每個點相對 X、Y 平均值的偏差決定相關性的總和。

實際範例

假設 X = 1, 2, 3, 4, 5,Y = 2, 4, 5, 4, 5。平均值為 \(\bar{x} = 3\)、\(\bar{y} = 4\)。交叉乘積總和 \(\sum (x-\bar{x})(y-\bar{y}) = 6\),\(\sum (x-\bar{x})^2 = 10\),\(\sum (y-\bar{y})^2 = 6\)。因此 $$r = \frac{6}{\sqrt{10 \times 6}} = \frac{6}{\sqrt{60}} \approx 0.7746$$ 顯示兩者之間存在相當強的正向線性關係。

解讀你的相關係數

皮爾森相關係數 \(r\) 總是介於 \(-1\) 與 \(+1\) 之間。正負號表示方向:正值代表當 X 上升時,Y 傾向上升;負值代表當 X 上升時,Y 傾向下降。大小 \(|r|\) 顯示資料點與一條直線的貼合程度。數值為 0 表示沒有線性關係,但這並不等於完全沒有任何關係。

|r| 常見描述
0.00 – 0.19 極弱
0.20 – 0.39 弱
0.40 – 0.59 中等
0.60 – 0.79 強
0.80 – 1.00 極強

這些分界值只是經驗法則,不同領域的慣例也有所不同。Cohen 在行為科學中廣為引用的基準將 0.1 視為小、0.3 視為中、0.5 視為大。物理與工程學通常期望 |r| 高於 0.95,而社會科學與醫學則可能認為低很多的數值也具有意義。判斷一個數值時,應參照你所屬學科的標準。

可解釋變異量:\(r^2\) 即決定係數,是 Y 的變異中,能由 X 的線性關係所解釋的比例。例如 \(r = 0.775\) 時,\(r^2 \approx 0.60\),因此約 60% 的 Y 變化與 X 呈線性相關。注意 \(r^2\) 沒有正負號。

注意事項

  • 離群值:單一極端的點就可能使 r 大幅升高或降低。務必檢視散佈圖。
  • 非線性關係:完美的 U 形或其他曲線關係,可能使 r 接近 0。
  • 範圍受限:如果你只抽取 X 值的狹窄區間,通常 r 會比在完整範圍下更小。
  • 小樣本:配對數量很少時,r 可能純粹因偶然而很大。例如 n = 3 時,幾乎任何數值都有可能。顯著性檢定或信賴區間在此有所幫助。
  • Anscombe 四重奏:四組不同的資料集,其摘要統計量幾乎完全相同(r ≈ 0.816、相同的平均數與變異數、相同的擬合直線),但繪製後的樣貌截然不同。這說明單看 r 永遠不夠。
  • 相關不等於因果:強的 r 可能來自混淆變數、反向因果或純屬巧合。
廣告

關鍵詞彙與定義

相關係數 (r)
一個無單位的數值,範圍從 −1 到 +1,用來衡量兩個變數之間線性關係的強度與方向。
決定係數 (r²)
r 的平方。它是 Y 的變異中,能由 X 以線性方式解釋的比例,範圍從 0 到 1。
共變異數
衡量兩個變數如何一起變化的指標,單位為 X 的單位乘以 Y 的單位。樣本共變異數將 \(S_{xy}\) 除以 \(n-1\)。母體共變異數則除以 \(n\)。
迴歸斜率
X 每增加一個單位時,預測 Y 的變化量:\(b = S_{xy}/S_{xx}\)。
截距
當 X = 0 時,Y 的預測值:\(a = \bar{y} - b\bar{x}\)。
最小平方線
使觀測點與直線之間垂直距離平方和最小的直線 \(\hat{y} = a + bx\)。
配對資料
每個 X 值都與來自同一受試者或個案的 Y 值相互對應的觀測資料。兩個數列的長度必須相同。
離群值
遠離整體規律的資料點。它可能大幅扭曲 r、斜率與截距。
線性關係與單調關係
線性關係沿著一條直線變化。單調關係則持續上升或持續下降,但變化速率不一定固定,因此可能是曲線。
Spearman 等級相關
適用於單調但非線性的資料、含有離群值的資料,或順序型數值的情況下,作為皮爾森 r 的替代方法。它是根據數值的等級而非原始數值計算。

常見問題

\(r^2\) 代表什麼?\(r^2\) 就是 \(r\) 的平方,代表 Y 的變異中,能由「與 X 的線性關係」所解釋的比例。當 \(r\) 為 0.7746 時,\(r^2 \approx 0.6\),也就是約有 60% 的變異可由此關係解釋。

相關性等於因果關係嗎?不等於。高 \(r\) 值只說明兩個變數會一起變動,並不能證明其中一個是造成另一個的原因。

如果 \(r\) 剛好是 0 呢?表示兩者之間沒有線性關聯;不過仍可能存在某種非線性關係,只是皮爾森 \(r\) 無法偵測出來。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器