二、统计关系
统计关系，指两事物之间的非一一对应关系，即当变量x取一定值时，另一个变量y虽然不唯一确定，但按某种规律在一定的范围内发生变化。
比如：子女身高与父母身高、广告费用与销售额的关系，是无法用一个函数关系唯一确定其取值的，但这些变量之间确实存在一定的关系。大多数情况下，父母身高越高，子女的身高也就越高；广告费用花得越多，其销售额也相对越多。
这种关系，就叫做统计关系。
按照相关表现形式斯皮尔曼相关系数结果怎么看，又可分为不同的相关类型，详见下图:
相关性描述方式
描述两个变量是否有相关性，常见的方式有3种：
1.相关图（典型的如散点图和列联表等等）
2.相关系数
3.统计显著性
用可视化的方式来呈现各种相关性，常用散点图，如下图：
相关性分析步骤
Step1：相关分析前，首先通过散点图了解变量间大致的关系情况。
如果变量之间不存在相互关系，那么在散点图上就会表现为随机分布的离散的点，如果存在某种相关性创业项目，那么大部分的数据点就会相对密集并以某种趋势呈现。
如上图，展现了平时成绩与能力评分之间的关系情况：X增大时，Y会明显的增大，说明X和Y之间有着正向相关关系。
Step2：计算相关系数
散点图能够展现变量之间的关系情况，但不精确。还需要通过相关分析得到相关系数斯皮尔曼相关系数结果怎么看，以数值的方式精准反映相关程度。
相关系数常见有三类，分别是：
Pearson相关系数、
Spearman等级相关系数
Kendall相关系数。
最常使用的是Pearson相关系数；当数据不满足正态性时，则使用Spearman相关系数，Kendall相关系数用于判断数据一致性，比如裁判打分。
相关性分析案例
某公司员工的基本情况，数据集含3列，分别为：性别、年龄、工资，
分析主题：希望了解员工年龄和工资水平之间的关系（企业人事部门的读者可关心一下）。
如图，用散点图先观察2个变的关系。
散点图显示2个变量似乎存在一定的相关性，为了得到更准确的结论，接下来要行为更准确的相关分析验证，让分析结果更清晰。
1.菜单操作：分析——相关——双变量
2.结果解读
原假设：工资与年龄间不存在相关关系
计算结果sig=0.002，即原假设不成立。现实意义为年龄与工资水平有着极显著的相关关系，也就是说随着年龄的增加，工资会逐渐下降。
