斯皮尔曼等级相关系数计算器

斯皮尔曼等级相关系数计算器

热门 AI Skill PRO

输入计算

数学公式

ρ=1−6∑i=1ndi2n(n2−1)di=R(Xi)−R(Yi)\rho = 1 - \frac{6 \sum_{i=1}^{n} d_i^{2}}{n\,(n^{2}-1)} \qquad d_i = R\!\left({{\text{X}_i}}\right) - R\!\left({{\text{Y}_i}}\right)
显示计算步骤 (1)
  1. 斯皮尔曼 ρ(对秩次求皮尔逊相关,含相同秩)

    ρ=∑(Rx,i−R‾x)(Ry,i−R‾y)∑(Rx,i−R‾x)2∑(Ry,i−R‾y)2Rx=R(X),Ry=R(Y)\rho = \frac{\sum (R_{x,i}-\bar{R}_x)(R_{y,i}-\bar{R}_y)}{\sqrt{\sum (R_{x,i}-\bar{R}_x)^{2}\;\sum (R_{y,i}-\bar{R}_y)^{2}}}\qquad R_x = R\!\left(\text{X}\right),\; R_y = R\!\left(\text{Y}\right)

    存在相同秩时,ρ 为平均秩的皮尔逊相关系数。R(X) 和 R(Y) 为秩向量,上横线表示其均值。

使用统计

广告

结果

斯皮尔曼等级相关系数(ρ)
1
从 −1(完全反向)到 +1(完全一致)
配对数(n) 5
Σd²(排名差的平方和) 0

报告本页错误

什么是斯皮尔曼等级相关?

斯皮尔曼等级相关系数(\(\rho\),读作"rho")用于衡量两个变量之间单调关系的强弱与方向。它与皮尔逊相关系数不同:斯皮尔曼依据数据的排名(秩)而非原始数值进行计算,因此不要求二者呈线性关系,也不要求数据服从正态分布。\(\rho\) 的取值范围从 \(-1\)(完全反向排列)经过 \(0\)(无单调关联)到 \(+1\)(完全一致)。

三个小散点图,分别显示单调递增、单调递减和无等级关系
斯皮尔曼\(\rho\)衡量单调关系:正相关(\(\rho\)接近+1)、负相关(\(\rho\)接近-1)和无相关(\(\rho\)接近0)。

如何使用本计算器

在 X 和 Y 两个输入框中分别填入两组数据,数值之间用逗号或空格隔开。两组数据的个数必须相同(较长一组中多出的数值会被忽略)。点击计算即可得到 \(\rho\)、配对数 \(n\),以及 \(\Sigma d^{2}\)——也就是排名差的平方和。

公式详解

当数据没有并列排名时,\(\rho\) 的计算公式为:

$$\rho = 1 - \frac{6 \sum d_i^{2}}{n\,(n^{2}-1)} \qquad d_i = R\!\left(\text{X}_i\right) - R\!\left(\text{Y}_i\right)$$

首先对每个变量分别排名(最小值为第 1 名)。对于每一对数据,\(d\) 表示其 X 排名与 Y 排名之差。将每个 \(d\) 平方后求和,再代入公式即可。当存在并列排名时,这个简化公式会产生偏差,因此本计算器会自动改用排名的皮尔逊相关系数(等价做法),并对并列数值采用平均排名。

广告
示意图显示两列数据转换为秩列以及差值d的平方
对每个X和Y值排秩;\(d\)是秩的差值,\(\Sigma d^{2}\)代入公式。

实例演算

设 X = 10, 20, 30, 40, 50,Y = 12, 24, 33, 44, 55。两组数据同步递增,因此各自的排名都是 1、2、3、4、5。每个 \(d\) 均为 0,所以 \(\Sigma d^{2} = 0\),$$\rho = 1 - \frac{6\times 0}{5\times 24} = \mathbf{1}$$——这是完全正向的单调关系。

解读你的斯皮尔曼ρ结果

斯皮尔曼ρ衡量两个变量之间的关系在多大程度上可以用单调函数来描述,即一个持续上升或持续下降的函数。其取值范围为−1到+1。

符号与大小。符号表示方向。正ρ表示X的较高秩次倾向于与Y的较高秩次相伴。负ρ表示X的较高秩次倾向于与Y的较低秩次相伴。\(|\rho|\)表示单调关联的强度,与方向无关。ρ = −0.80与ρ = +0.80的强度相同。

|ρ|的经验分级(仅为惯例;不同领域可能采用更严格或更宽松的临界值):

|ρ| 常用标签
0.00–0.19 极弱
0.20–0.39 弱
0.40–0.59 中等
0.60–0.79 强
0.80–1.00 极强
  • 相关不等于因果。较高的ρ表明两个变量在秩次上同步变动,但并不说明一个导致另一个。第三变量或巧合可能解释这种模式。
  • 样本量很重要。当n较小时,看起来较大的ρ很容易由偶然因素产生。当n较大时,即使很小的ρ也可能具有统计显著性。判断显著性需要单独的检验,例如下方的临界值表或p值。
  • ρ = 0并不意味着没有关系。它只表示不存在单调趋势。U形或其他非单调关系也可能产生接近0的ρ,因此也应绘制数据图。

斯皮尔曼ρ的临界值

下表列出了常见公开表格中选取的斯皮尔曼ρ标准双尾临界值,显著性水平为α = 0.05和α = 0.01。短横线表示在该样本量下没有任何值能达到该水平。

n(配对数) α = 0.05 α = 0.01
5 1.000 —
6 0.886 1.000
7 0.786 0.929
8 0.738 0.881
9 0.700 0.833
10 0.648 0.794
12 0.591 0.777
15 0.521 0.654
20 0.447 0.570
30 0.362 0.467

使用方法:找到你的n,然后将\(|\rho|\)与临界值比较。若\(|\rho|\)达到或超过该临界值,则在该水平上拒绝无关联的原假设。若小于临界值,则无法拒绝原假设。

较大样本:对于超出表格范围的n,通常使用t近似:

$$t = \rho\,\sqrt{\frac{n-2}{1-\rho^{2}}}$$

将t与自由度为\(n-2\)的学生t分布进行比较。对于非常小的n,最好使用精确表格;而且并列秩次会使上述任何检验都只是近似的。

广告

分步说明:手工处理含并列值的秩次

  1. 分别对每个变量从小到大排序。X和Y独立排序。
  2. 在排序后的顺序中分配位置1到n。最小值的位置为1。
  3. 并列值取位置的平均值。并列的每个值都取其所占位置的平均值。例如,两个值并列第2和第3名,则各得\((2+3)/2 = 2.5\)。下一个值则取秩次4。
  4. 配对秩次,使每个观测值都有其X秩次和Y秩次。
  5. 计算ρ。无并列值时,求\(d_i = R(X_i) - R(Y_i)\),平方后求和得到\(\sum d_i^2\),再用\(\rho = 1 - \dfrac{6\sum d_i^{2}}{n(n^{2}-1)}\)。有并列值时,该简化公式只是近似的,因此应对秩次配对计算皮尔逊r。

含并列值的简短示例。取X = 5, 8, 8, 12,Y = 2, 4, 3, 9。

  • X的秩次:5 → 1;两个8占据第2和第3位,因此各得2.5;12 → 4。秩次:1, 2.5, 2.5, 4。
  • Y的秩次(无并列):2 → 1,4 → 3,3 → 2,9 → 4。秩次:1, 3, 2, 4。
  • 两组秩次的均值均为2.5。X的离差:−1.5, 0, 0, 1.5。Y的离差:−1.5, 0.5, −0.5, 1.5。
  • \(\sum xy = 2.25 + 0 + 0 + 2.25 = 4.5\),\(S_{xx} = 2.25+0+0+2.25 = 4.5\),\(S_{yy} = 2.25+0.25+0.25+2.25 = 5\)。
  • $$\rho = \frac{4.5}{\sqrt{4.5 \times 5}} = \frac{4.5}{\sqrt{22.5}} \approx$$ 0.9487

这表明存在非常强的正单调关联。不过,n = 4的样本量对于常用水平的显著性检验来说太小了。

常见问题

\(\rho = 0\) 代表什么? 表示不存在单调趋势;当 X 增大时,Y 没有呈现出一致的增大或减小。

它与皮尔逊相关系数 \(r\) 有何区别? 皮尔逊衡量原始数值之间的线性关联;斯皮尔曼衡量排名之间的单调关联,因此对异常值更稳健,也能反映非线性但有序的关系。

需要多少个数据点? 计算 \(\rho\) 至少需要 2 对数据,但配对数越多,得到的关联估计就越可靠。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器