相关性是衡量两个定量变量（例如，身高、体重）内线性关系的功效的术语。根据变量的运动，主要有两种类型的相关性 -
正相关——在两个变量的正相关中，两个变量都朝着相同的方向移动。这意味着当一个变量的值上升时，另一个变量也会增加，反之亦然。例如，您燃烧的燃料越多，您驾驶汽车的距离就越远。
负相关- 在负相关的情况下，当一个变量增加时，另一个变量会下降，反之亦然。
在强相关中，可以根据另一个变量的值以相当高的准确度预测一个变量的值。在弱相关的情况下，一个变量的平均值与另一个相关，但也有很多例外。
样本相关系数“r”量化了关系的功效。还经常测试相关性的统计显着性。
除了正在探索的两个变量之外，相关性无法显示其他变量的存在或影响。
相关性并没有告诉我们变异的原因和结果。
相关性也无法描述曲线关系。
相关性可用于描述数据集中的简单关系。例如，对于山地公园露营地的数据集，人们可能想知道露营地的高度与夏季平均温度之间是否存在关系。
在这里，对于每个单独的露营地，必须采取两项措施：海拔和温度。当您通过相关性检查样本中的这两个变量时，您会发现线性关系：随着海拔升高，温度下降。所以，这两个变量是负相关的。
相关性是通过无单位计算来衡量的，该计算称为相关系数，范围从 -1 到 +1，用“r”表示。统计部分用 p 值表示。因此，相关性通常用两个关键数字表示：“r =”和“p =”。
接近“r”变为零，线性关系变弱。
正“r”值显示正相关。
负“r”值表示负相关。
p 值为我们提供了证据，证明我们可以证明总体相关系数不为零的事实，这取决于我们从样本中观察到的情况。
“无单位度量”表明相关性存在于它们自己的尺度上。在上面给出的示例中，为“r”给出的数字与高度或温度的比例不同。这与其他形式的统计数据不同。例如，高度测量的平均值与其变量在同一尺度上。