斯皮尔曼秩相关系数

spearman秩相关系数

Spearman秩相关系数是指研究者通过研究两组变量中任意两个变量之间的秩值差异而衡量它们之间的相关性，这种方法也叫做“Spearman相关系数”（Spearman Rank Correlation Coefficient），缩写为Src。

Spearman秩相关系数是一种可以衡量变量之间线性关系的测量方法。它由美国统计学家威廉·斯皮尔曼（William Spearman）于1904年发表。它用以反映两个变量之间的线性关系，其值范围在-1~1之间，其中-1表示完全负相关，0表示无相关，1表示完全正相关。当Spearman秩相关系数值越大，表示两组变量之间的关系越紧密。

1、计算每个变量组的秩值。秩值是每个变量在整个组中的排位，它的取值范围在1到样本量（如果样本量为10，则秩值最大为10），秩值越小表示变量在组中排位越高。

2、以秩值差值d=R1-R2计算秩差平方和。

3、将秩值平方和乘以6除以样本总量（N）减去N加1再除以N减去1。最后计算的为Spearman秩相关系数的值。

该方法适用于不同的变量类型，如连续型变量、分类型变量和事件计数。因此，Spearman秩相关系数是一种普遍适用的，精准度高的衡量变量之间的相关性的方法。

不同栅格数据相关系数计算

在地理信息系统（GIS）领域，栅格数据是以网格形式划分的

地理空间数据。栅格数据相关系数是用来量化不同栅格数据之间的相似度或相关度的指标。计算栅格数据相关系数的方法包括皮尔逊相关系数、斯皮尔曼秩相关系数和克里金法等。

1. 皮尔逊相关系数（Pearson correlation coefficient）

皮尔逊相关系数是用来衡量两个连续型变量之间线性相关程度的统计量。对于栅格数据，可以将其看作是一个多维向量，通过计算向量之间的相关系数得到栅格数据的相关性。

计算公式如下：

r = Cov(X,Y) / (σX * σY)

其中，Cov(X,Y)是X和Y的协方差，σX和σY是X和Y的标

准差。

皮尔逊相关系数的取值范围为-1到1，其中，-1表示完全负相关，1表示完全正相关，0表示无相关性。

2. 斯皮尔曼秩相关系数（Spearman's rank correlation coefficient）

斯皮尔曼秩相关系数是用来衡量两个变量之间的单调关系程度的统计量。对于栅格数据，可以将其转换为秩次数组，然后计算秩次数组的相关系数。

计算公式如下：

rs = 1 - (6 * Σd^2) / (n * (n^2 - 1))

其中，d是每对秩次之差，n是数据点的数量。

斯皮尔曼秩相关系数的取值范围为-1到1，其中，-1表示完全负相关，1表示完全正相关，0表示无相关性。

3. 克里金法（Kriging）

克里金法是一种插值方法，用于栅格数据的推断和预测。根据栅格单元之间的空间关系，克里金法通过计算空间点之间的半变异函数来确定栅格数据的相关性。

斯皮尔曼相关系数

要知道什么是斯皮尔曼等级相关（Spearman Rank Correlation），先了解什么是斯皮尔曼等级相关。

斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”。斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。

下面就来谈谈斯皮尔曼等级相关系数~~~~~~~~~~~~~~

斯皮尔曼等级相关系数是反映两组变量之间联系的密切程度，它和相关系数r一样，取值在-1到+1之间，所不同的是它是建立在等级的基础上计算的。

等级相关系数亦称为“秩相关系数”，是反映等级相关程度的统计分析指标。常用的等级相关分析方法有Spearman等级相关和Kendall等级相关等。

等级相关系数的计算步骤：

1、把数量标志和品质标志的具体表现按等级次序编号。

2、按顺序求出两个标志的每对等级编号的差。

3、按下式计算相关系数：Rs=1-[6*∑Di^2/(n*n^2-1)]其中:等级相关系数记为rs，di为两变量每一对样本的等级之差，n为样本容量。

等级相关系数与相关系数一样，取值-1到+1之间，rs为正表示正相关，rs 为负表示负相关，rs等于零为零相关，区别是它是建立在等级的基础上计算的，较适用于反映序列变量的相关。等级相关系数和通常的相关系数一样，它与样本的容量有关，尤其是在样本容量比较小的情况下，其变异程度较大，等级相关系数的显著性检验与普通的相关系数的显著性检验相同。

斯皮尔曼秩相关系数(sr)检验

全文共四篇示例，供读者参考

第一篇示例：

斯皮尔曼秩相关系数（Spearman's rank correlation coefficient）是用来衡量两个变量之间相关性的非参数统计方法之一。它是由英国统计学家查尔斯·斯皮尔曼在1904年提出的，旨在衡量两个变量之间的单调关系，即当一个变量增加时另一个变量也相应增加或减少。

斯皮尔曼秩相关系数的计算基于变量的秩次而不是原始数值，这使得它对不满足正态分布假设的数据更为适用。与皮尔逊相关系数不同，斯皮尔曼秩相关系数不要求变量之间呈线性关系，因此适用于各种类型的数据。

在进行斯皮尔曼秩相关系数的检验时，首先需要确定两个变量之间的假设：

1. 零假设（H0）：两个变量之间不存在相关性，即ρ=0。

2. 备择假设（H1）：两个变量之间存在相关性，即ρ≠0或ρ>0或ρ<0。

在进行斯皮尔曼秩相关系数的计算时，首先需要将两个变量按照大小排列，并为每个变量赋予秩次。然后根据排列的秩次计算出斯皮

尔曼秩相关系数的值。斯皮尔曼秩相关系数的取值范围在-1到1之间，其中-1表示完全负相关，1表示完全正相关，0表示无相关性。

进行斯皮尔曼秩相关系数的检验可以通过计算两个变量之间的秩

和差异来得出。一般来说，当样本量较大时，可以利用查表或者统计

软件进行斯皮尔曼秩相关系数的假设检验。常见的统计软件如SPSS、R、Python等都提供了斯皮尔曼秩相关系数检验的功能。

1. 样本量要求较小：与皮尔逊相关系数不同，斯皮尔曼秩相关系

数对样本量的要求较小，即使在小样本情况下也能够得到较为稳健的

斯皮尔曼系数的大小判断标准

斯皮尔曼秩相关系数(The Spearman’s rank coefficient of correlation)，简称斯皮尔曼相关系数，是秩相关(rank correlation)的一种非参数度量(nonparametric measure)。得名于英国统计学家Charles Spearman，通常记为希腊字母‘ρ’ (rho)( often called Spearman's rho)或者rs。

在讨论斯皮尔曼相关系数之前，首先要理解皮尔逊相关(Pearson’s correlation)，斯皮尔曼相关可以看作是皮尔逊相关的非参数版本（nonparametric version）。皮尔逊相关是关于两个随机变量之间的线性关系强度的统计度量(statistical measure)，而斯皮尔曼相关考察的是两者单调关系（monotonic relationship）的强度，通俗地说就是两者在变大或变小的趋势上多大程度上保持步调一致，哪怕没有保持比例关系。计算皮尔逊相关系数时使用的是数据样本值本身，而计算斯皮尔曼相关系数使用的是数据样本排位位次值（有时候数据本身就是位次值，有时候数据本身不是位次值，则在计算斯皮尔曼相关系数之前要先计算位次值）。

在分析指标与指标、指标与研究对象的影响程度时，很多时候会用到相关系数法，下面介绍一下斯皮尔曼相关系数法。

斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。如

斯皮尔曼相关系数结果怎么看

斯皮尔曼相关系数(Spearman's Rank Correlation Coefficient，以下简称SRC)是根据数值变

量两者之间关系的一种常用方法，广泛应用于社会科学、心理学及经济学中的统计分析，

用来衡量两个变量之间的线性关系。例如，我们可以测试某一事件的发生率是否与所处的

气候环境有关系，此时需要用SRC来衡量这两者之间的关联程度。

斯皮尔曼相关系数介于-1.0到1.0之间，数值越大表明相关性越强，而0.0则表明两者之

间没有相关性。斯皮尔曼相关系数的测量结果是客观的，可以用于识别、评估收集的数据之间的相关性。

通常情况下，我们可以看到斯皮尔曼相关系数的数值在0.5到1.0之间，可以认为这两个

变量之间的相关性非常强；反之，如果斯皮尔曼相关系数的值落在0.0-0.5之间，也可以

认定它们之间的相关性相对较弱，但仍有一定的联系。

此外，任何斯皮尔曼相关系数小于0的结果都表明，这两个变量之间存在反向相关，即两

个变量中的一个增加时，另一个会减少，反之亦然。

斯皮尔曼相关系数可以作为描述两个变量之间关系的定量分析方法。当斯皮尔曼相关系数

接近1或-1时，其结果表明两个变量之间有很强的相关性，如果斯皮尔曼相关系数值处

于0.5到1.0之间，则可以认为它们之间存在强烈的正相关。从另一方面讲，如果斯皮尔

曼相关系数值约0.4到0.3之间，则可以认为它们之间存在一定的负相关关系。最后，如

果斯皮尔曼相关系数的值落在0.0-0.2之间，则表示两个变量之间没有直接的关系。

因此，当我们在评估两个变量之间的相关性时，使用斯皮尔曼相关系数是一个很好的方法。它能够帮助我们准确地衡量两者之间的相关程度，指导后续分析、评估及其它推断活动。

斯皮尔曼相关系数公式

斯皮尔曼等级相关系数是一种衡量两个变量X、Y相关性的方法。

计算公式为：

有趣的是，它不是直接针对变量各维度的值进行运算，而是针对各维度值的排序，即所谓的等级(rank)。

显然，如果两变量单调性一致，则各维度等级的差d i 均为0时，ρ=1；单调性相反时，ρ=−1。

例，计算IQ值与每周看电视小时数之间的斯皮尔曼相关系数：

斯皮尔曼等级相关系数以Charles Spearman命名，并经常用希腊字母ρ（rho）表示其值。斯皮尔曼等级相关系数用来估计两个变量X、Y之间的相关性，其中变量间的相关性可以使用单调函数来描述。

如果两个变量取值的两个集合中均不存在相同的两个元素，那么，当其中一个变量可以表示为另一个变量的很好的单调函数时（即两个变量的变化趋势相同），两个变量之间的ρ可以达到+1或-1。

spss斯皮尔曼相关系数

斯皮尔曼相关系数是常用的统计分析，也叫斯皮尔曼指数，是一种反映两个变

量之间线性关系强度的指标。斯皮尔曼相关系数取值在[-1,1]之间，其中-1表示

完全负相关，1表示完全正相关，0表示无关联。斯皮尔曼相关系数是一种常用数

值统计分析方法，它通过分析两个变量之间的表值结果来推断两者之间的相关性，得到一个定量的相关度，这种分析方法带来的好处是可以大大简化和缩短列出的分析，使得统计分析更加直观，结论也被更清楚的解释。

斯皮尔曼相关系数的运用极其广泛，尤其在社会科学，经济学，心理学，生物

学等领域有着重要的应用。斯皮尔曼相关系数是对变量之间的线性关系进行分析的有效方法，它借助SPSS工具包可以检测研究中潜在的因果关系，提供重要信息，

便于研究者在非线性因素的角度考虑该问题，以便更准确地预测和控制可能发生的趋势变化。

斯皮尔曼相关系数在学术研究中，可以用来查找和验证两个变量之间的相关性，也可以帮助研究者探究是否存在显著的正、负相关关系。在实践中，该分析技术还可以用于企业数据分析，财务分析，市场营销等研究中，帮助企业发现新的经营方式，把控营销风险，提升工作效率。

总之，斯皮尔曼相关系数是一种有效的数值统计分析，它可以有效地测量两个

变量之间的相关性，学术研究和各行业应用广泛，也可以得出结构和显著的相关性结果，为我们提供了有用的信息。

斯皮尔曼秩相关系数(srcc)matlab

斯皮尔曼秩相关系数是一种常见的非参数的相关性分析方法之一，它用来评估两个变量之间的关联关系，不需要考虑数据的分布情况，广泛应用于社会科学、医学研究和数据挖掘等领域。在Matlab中，我们可以使用相应的工具箱计算斯皮尔曼秩相关系数。

下面，我们将分步骤来阐述如何在Matlab中计算斯皮尔曼秩相关系数：

步骤一：准备数据

在计算斯皮尔曼秩相关系数之前，首先需要准备好需要分析的数据。假设我们需要计算两个变量X和Y之间的斯皮尔曼秩相关系数，我们可以将X和Y的数据分别存储在两个向量中，然后将它们传递给Matlab中的corr函数，如下所示：

x = [3 4 5 6 7];

y = [2 3 4 5 6];

[rho,pval] = corr(x,y,'type','Spearman');

其中，'type'参数指定使用斯皮尔曼秩相关系数计算相关性，rho表示相关系数，pval表示P值。

步骤二：可视化数据

在计算斯皮尔曼秩相关系数之前，我们可以先将数据可视化出来来直观地观察它们之间的关系。在Matlab中，我们可以使用plot函数来绘制数据点，代码如下所示：

scatter(x,y);

xlabel('X');

ylabel('Y');

title('Scatter plot of X and Y');

这里通过scatter函数绘制了X和Y的散点图，可以看出它们之间存在一定的正相关关系。

步骤三：计算斯皮尔曼秩相关系数

在准备好数据和绘制出散点图之后，我们就可以使用corr函数计算斯皮尔曼秩相关系数了。除了第一步中的用法之外，corr函数还可以计算各种其他类型的相关系数，具体使用方法可以参考Matlab帮助文档。计算出来的结果会被保存在rho和pval中，我们可以使用disp函数将这些结果输出到Matlab命令窗口，代码如下所示：disp(['Spearman''s rank correlation: ',num2str(rho)]); disp(['P value: ',num2str(pval)]);

Pearson相关系数和Spearman秩相关系数介绍

皮尔逊积矩相关系数（Pearson product-moment correlation coefficient ）

1 定义

在统计学中，皮尔逊积矩相关系数（Pearson product-moment correlation coefficient ），有时也简称为PMCC ，通常用r 或是ρ表示，是用来度量两个变量X 和Y 之间的相互关系（线性相关）的，取值范围在[-1,+1]之间。皮尔逊积矩相关系数在学术研究中被广泛应用来度量两个变量线性相关性的强弱，它是由Karl Pearson 在19世纪80年代从Francis Galton 介绍的想法基础发展起来的，但是发展后原想法相似但略有不同的，这种相关系数常被称为“Pearson 的r ”。

两个变量之间的皮尔逊积矩相关系数定义为这两个变量的协方差与二者标准差积的商，即

()()cov(,)X Y XY X Y X Y

E X Y X Y -μ-μρ==σσσσ 上式定义了总体相关系数，一般用希腊字母ρ（rho ）表示。若用样本计算的协方差和标准差代替总体的协方差和标准差，则为样本相关系数，一般用r 表示：

1()()

n i i i X X Y Y r =--=∑

另外一个与上式等效的定义相关系数的公式是通过标准化以后变量均值的积定义的。假设样本可以记为(,)i i X Y ，则样本Pearson 相关系数为

111n i i i X Y X X Y Y r s s n =⎛⎫⎛⎫--= ⎪⎪-⎝⎭⎝⎭

∑ 其中i X

X X s -，X 和X s 分别为标准化变量，样本均值和样本标准差。 2 皮尔逊积矩相关系数的数学特性

斯皮尔曼系数公式

斯皮尔曼系数，又称斯皮尔曼等级相关系数，是统计学中用于衡量两个变量之间的相关性的一种方法。斯皮尔曼系数的计算方法相对简单，适用于任何类型的数据，无论是定量变量还是定性变量。

斯皮尔曼系数的计算公式如下：

\[ r_s = 1 - \frac{6\sum d_i^2}{n(n^2-1)} \]

其中，\( r_s \) 表示斯皮尔曼系数，\( d_i \) 表示两个变量在排序中的差值，\( n \) 表示样本个数。

斯皮尔曼系数的取值范围为-1到1。当斯皮尔曼系数接近1时，表示两个变量之间存在强正相关关系；当斯皮尔曼系数接近-1时，表示两个变量之间存在强负相关关系；当斯皮尔曼系数接近0时，表示两个变量之间不存在线性关系。

斯皮尔曼系数的计算过程相对简单，首先需要将两个变量的观测值按照从小到大的顺序进行排序，然后计算排序后的差值。接下来，根据公式计算差值的平方和，并代入公式得到斯皮尔曼系数。

斯皮尔曼系数的应用十分广泛。在社会科学研究中，斯皮尔曼系数常用于分析人们的评价、意见等定性变量之间的相关性。在医学研究中，斯皮尔曼系数常用于评估两个医学测试的一致性或相关性。在金融领域，斯皮尔曼系数常用于衡量不同指数或股票之间的相关性。

斯皮尔曼系数的优点是可以忽略数据的分布形态，适用于非线性关系的变量。此外，斯皮尔曼系数对异常值不敏感，具有较强的鲁棒性。然而，斯皮尔曼系数也有一些限制。由于斯皮尔曼系数只考虑了变量的排序信息，忽略了变量的具体数值，因此可能无法完全捕捉到变量之间的关系。此外，斯皮尔曼系数只能衡量变量之间的单调关系，无法反映出其他类型的关系，如曲线关系。

大样本怎么计算斯皮尔曼相关系数

斯皮尔曼相关系数，也被称为Spearman秩相关系数，是一种非参数统计方法，用于衡量两个变量之间的相关性。它并不假设数据来自特定的分布，也不假设变量之间的关系是线性的。这使得它在处理非线性关系和非正态分布的数据时特别有用。对于大样本数据，计算斯皮尔曼相关系数的步骤大致如下：

首先，需要将原始数据转换为秩次数据。对于每一个变量，都将数据从小到大排序，并给每一个数据点分配一个秩次。如果有相同的数据点，那么需要给它们分配平均秩次。例如，如果有三个数据点都是5，那么它们的秩次应该是(3+4+5)/3=4。

然后，计算每一个数据点的秩次差。这是通过从一个变量的秩次中减去另一个变量的秩次来完成的。这些差值被平方并求和，以计算斯皮尔曼相关系数的分子。

接着，计算样本大小n，并从n中减去1得到n-1，这是计算斯皮尔曼相关系数的分母的一部分。

最后，使用这些值来计算斯皮尔曼相关系数。公式为：1 - (6 * Σd^2) / (n * (n^2 - 1))，其中Σd^2是所有秩次差的平方和，n是样本大小。

然而，对于大样本数据，手动执行这些步骤可能会非常耗时且容易出错。因此，通常使用统计软件或编程语言（如Python、R等）中的内置函数来计算斯皮尔曼相关系数。这些函数已经过优化，可以处理大量数据，并提供准确的结果。

需要注意的是，虽然斯皮尔曼相关系数对于处理非线性关系和非正态分布的数据很有用，但它并不总是能提供关于变量之间关系的完整信息。因此，在解释结果时，应结合其他统计方法和领域知识来进行。

斯皮尔曼相关系数rr=

斯皮尔曼相关系数（Spearman's rank correlation coefficient）是一种非参数统计量，用于衡量两个变量之间的相关性。它的取值范围在-1到1之间，其中-1表示完全的负相关，1表示完全的正相关，0表示无相关。

斯皮尔曼相关系数的计算步骤如下：

1. 首先，将两个变量的观测值按照大小进行排序，得到两个有序的数列。

2. 然后，用排序后的数列的顺序位置来代替原始观测值，得到两个新的数列。

3. 接下来，计算排序后的数列的差值，即每个位置上的差值。

4. 最后，计算这些差值的相关系数，即斯皮尔曼相关系数。

斯皮尔曼相关系数的优点是可以处理非线性关系和异常值，适用于有序变量和连续变量的相关性分析。它不依赖于数据的分布情

况，因此在数据不满足正态分布的情况下也能够准确评估相关性。

需要注意的是，斯皮尔曼相关系数只能衡量变量之间的单调关系，不能判断因果关系。此外，它对于离群值的敏感性较高，因此在分析过程中需要注意异常值的处理。

总结起来，斯皮尔曼相关系数是一种衡量变量之间相关性的统计指标，它可以从非参数的角度全面评估两个变量之间的关系，适用于有序变量和连续变量的相关性分析。

斯皮尔曼相关系数（Spearmancorrelationcoefficient）介绍及其计算例

斯皮尔曼相关系数（Spearmancorrelationcoefficient）介

绍及其计算例

1. 什么是秩相关系数？

2. 单调性，monotonicity

3. 斯皮尔曼秩相关系数

4. 什么时候使用斯皮尔曼秩相关系数呢？

5. 斯皮尔曼秩相关系数计算公式

6. 斯皮尔曼秩相关系数计算例

6.1 手动计算

6.2 scipy函数

6.3 pandas corr()

1. 什么是秩相关系数？

秩相关系数（Coefficient of Rank Correlation），又称等级相关系数，反映的是两个随机变量的的变化趋势方向和强度之间的关联，是将两个随机变量的样本值按数据的大小顺序排列位次，以各要素样本值的位次代替实际数据而求得的一种统计量。它是反映等级相关程度的统计分析指标，常用的等级相关分析方法有Spearman相关系数和Kendall秩相关系数等。主要用于数据分析。

这里的秩是啥意思呢？我第一次看到这个词的时候第一感是它跟矩阵的秩(Rank)有啥关系，没有关系。这里是秩序的秩，或者说排名、顺序、等级的意思(写成ranked或者ranking的话就不容易误解了)。

考虑两个随机变量X和Y，如果秩相关系数为正，则Y 随着X的增加而增加；如果秩相关系数为负，则Y随着X的增加而减小；如果秩相关系数为0，则表示随着Y的增减变化跟X的增减变化没啥关系。当Y和X越来越接近严格单调的函数关系时，秩相关系数在数值上就越来越大。当秩相关系数为1或者-1时，就表明Y随着X的增加而严格单调增加或单调减小。

在实际应用中，有时获得的原始资料没有具体的数据表现，只能用等级来描述某种现象，要分析现象之间的相关关系，就只能用秩相关系数。

斯皮尔曼相关系数p值

斯皮尔曼相关系数p值是统计学中用于衡量两个变量之间相关关系的指标。它可以帮助我们判断两个变量是否存在线性相关性，并且可以提供一个数值来描述这种相关性的强度和方向。在本文中，我们将从相关系数的定义、计算方法、p值的含义以及其在实际应用中的意义等方面进行介绍和探讨。

斯皮尔曼相关系数是一种非参数统计方法，它不依赖于数据的具体分布情况。它是通过将原始数据转换为秩次来计算的，通过比较两个变量的秩次来判断它们之间的关系。斯皮尔曼相关系数的取值范围为-1到1之间，其中-1表示完全的负相关，1表示完全的正相关，0表示没有相关性。

计算斯皮尔曼相关系数的方法相对简单，可以通过以下几个步骤完成。首先，对于给定的两个变量，将其观测值按照大小进行排序，并为每个观测值分配一个秩次。然后，计算每个观测值的秩次差，并将其平方求和。最后，通过公式将秩次差的平方和转化为斯皮尔曼相关系数。

在计算得到斯皮尔曼相关系数之后，我们可以通过p值来判断相关系数是否具有统计显著性。p值表示在假设检验中，观察到的结果或更极端结果出现的概率。通常情况下，我们使用显著性水平α来判断p值的大小，如果p值小于α，则可以认为相关系数是显著的，

反之则认为相关系数不显著。

p值的大小与样本量以及相关系数的大小有关。当样本量较大时，即使相关系数较小，p值也可能会很小，这意味着我们可以更加自信地认为相关系数是显著的。相反，当样本量较小时，即使相关系数较大，p值也可能会较大，这意味着我们无法确定相关系数是否显著。

斯皮尔曼相关系数和其对应的p值在实际应用中具有广泛的意义。首先，它可以用于探究两个变量之间的线性关系，并帮助我们理解变量之间的相互影响。在科学研究中，斯皮尔曼相关系数可以用于分析实验数据，从而揭示变量之间的关系。其次，斯皮尔曼相关系数还可以用于数据的预处理，例如在建立回归模型时，可以通过计算相关系数来筛选出与因变量相关性较强的自变量。