协方差与相关性

协方差衡量两个变量如何共同变化，而相关性则将这种共同变化重新缩放为介于-1和+1之间的系数，该系数捕获了它们线性关联的强度和方向，且不依赖于测量单位。相关性是健康研究中描述两个连续量之间关系的首批工具之一。

Definition

协方差是两个变量与其各自均值偏差乘积的平均值；相关性是协方差除以两个标准差的乘积，从而得到一个介于-1和+1之间的无量纲系数，该系数量化了它们线性关联的强度和方向。

Scope

本条目涵盖协方差及其标准化形式，即皮尔逊积矩相关系数、用于单调关联的基于秩的斯皮尔曼相关系数，以及常见的注意事项：相关性描述的是关联而非因果关系，仅反映线性（或单调）关系，并且与一致性不同。这是一个方法学主题，而非临床指导。

Core questions

• 如何用一个数字概括两个变量的共同变化？
• 给定大小的相关系数意味着什么，其符号表示什么？
• 何时应使用基于秩的（斯皮尔曼）系数而非皮尔逊系数？
• 为什么相关性不意味着因果关系，以及为什么它与一致性不同？

Key concepts

• 协方差
• 皮尔逊积矩相关系数
• 斯皮尔曼秩相关
• 标准化和无单位测量
• 线性关联与单调关联
• 相关性不等于因果关系
• 相关性与一致性

Mechanisms

协方差累积了每个变量与其均值偏差的成对乘积；当一个变量的高值倾向于伴随另一个变量的高值时，协方差为正，而当它们向相反方向变化时，协方差为负，但其大小取决于单位。除以两个标准差可以消除单位并将结果限制在-1和+1之间，从而产生皮尔逊相关系数，该系数捕获严格的线性关联。当关系是单调但不线性，或者数据是序数或非正态时，则使用斯皮尔曼系数——即应用于秩的皮尔逊系数。接近零的相关性表示没有线性关联，但并不排除非线性关系。

Clinical relevance

当研究人员描述两种临床测量如何共同变化时，相关系数是常规报告的。评估中的一个关键注意事项是，两种测量方法之间的高度相关性并不意味着它们一致，因为两种仪器可能高度相关但系统性地不同；一致性通过其他方法评估，例如一致性界限分析。本条目描述了该方法，并非个体临床决策的基础。

Evidence & guidelines

标准的医学统计学教科书和《英国医学杂志》(BMJ) 中的统计学笔记系列阐述了如何报告和解释相关性，包括相关性与一致性之间的区别，这促使了布兰德-阿尔特曼一致性界限方法在方法比较研究中的应用。

History

相关系数起源于弗朗西斯·高尔顿(Francis Galton)关于遗传学的工作，并于19世纪末由卡尔·皮尔逊(Karl Pearson)正式化。查尔斯·斯皮尔曼(Charles Spearman)于1904年引入了基于秩的系数，用于仅值排序可靠的情况。20世纪后期，布兰德(Bland)和阿尔特曼(Altman)对相关性与一致性进行了明确且有影响力的区分，重塑了方法比较研究的分析方式。

Debates

高相关性是否表明两种测量方法一致？

否：两种方法可能高度相关但存在系统性差异，因此相关性不是衡量一致性的合适指标。布兰德和阿尔特曼主张使用一致性界限分析，这一立场现在已成为方法比较研究的标准做法。

Key figures

• Francis Galton
• Karl Pearson
• Charles Spearman
• Douglas Altman
• Martin Bland

Seminal works

• spearman-1904
• bland-altman-1986

Frequently asked questions

协方差和相关性有什么区别？

协方差衡量两个变量如何共同变化，但其大小取决于它们的单位，因此难以直接解释。相关性通过两个标准差对协方差进行标准化，从而产生一个介于-1和+1之间的无量纲系数，该系数可在不同变量之间进行比较。

何时应使用斯皮尔曼相关性而非皮尔逊相关性？

当关系是单调但不线性时，当数据是序数时，或者当异常值或非正态分布会扭曲皮尔逊系数时，优先使用基于秩的斯皮尔曼相关性。