3.1 相关系数（person与spearman）

1.1总体皮尔逊（person）相关系数：

在概率论与数理统计中我们学到，若两组数据X{x1，x2…xn}与Y{y1，y2…yn}为总体数据，则总体协方差为
它表示两个变量的总体误差，若XY相对于各自均值同向变化，为正值，反之为负值。其数值与数据本身量纲有关。
则总体皮尔逊相关系数为上面的协方差除以X与Y的标准差。即：

可以看成是剔除了两个变量量纲影响，即将X和Y标准化后的协方差。

1.2 样本皮尔逊相关系数：
与上面类似，XY是两组样本数据。样本的协方差与标准差分母改成n-1即可：


通过绘制散点图，我们可以清楚的看出x与y的相关性：

注：
1.我们只能通过这种方法衡量X与Y线性相关的程度，若两组本身不是线性关系，那么结果并不具有说服力。一定要先判断两变量是否是线性关系！
2.野值对结果存在影响。
3.计算得出的相关性结果是大是小需要根据不同的背景来解释。

1.3 进行假设检验来判断其显著性：
原假设H0：相关系数r=0 ；H1：r≠0。对于这里的皮尔逊相关系数来说，满足一定条件时，我们可以认为它是服从自由度为n-2的t分布。
在后面的MATLAB代码中，方便起见，我们用到了p值判别法，计算相关系数矩阵的元素对应的p值（当p<0.01时，在99%的置信水平上拒绝H0，其他同理）

例题：

我们将数据导入spss，利用描述功能，我们可以得出一些基本信息

我们接下来看一下两两变量的线性关系，利用spss的矩阵散点图做出：

我们可以看出，两两的线性关系并不太好，但是为了演示后面的过程，我们假设这里是满足线性的。
接下来用MATLAB来进行后续的操作

[R,P] = corrcoef(PE_Test)