搜尋意圖： 如果你在找「相關係數 是什麼」或「相關係數 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 相關係數衡量兩個變數之間線性關係的強度和方向，範圍從 -1 到 1。1 表示完全正相關，-1 表示完全負相關，0 表示沒有線性關係。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有看過兩個數字常常一起升一起降，卻不知道它們到底有多像？
你可以把相關係數想成「看兩個變數是不是一起動」：它會告訴你方向和強弱，但不告訴你誰造成誰。
它很重要，因為很多資料分析都先從相關開始，先知道變數有沒有關聯，再決定要不要深入找原因。
容易混淆
相關係數 vs 因果關係 vs 共變異數
相關係數：看關聯的方向和強度，標準化後通常介於 -1 到 1
因果關係：看一個變數是不是造成另一個變數
共變異數：看共同變動方向，但沒有標準化，尺度受單位影響
最關鍵的區別：相關只說一起變，不等於互相造成。
記住這句就好
會一起變，不代表有因果。
實際案例
銷售分析
前：只看到冰淇淋銷量和氣溫一起上升，卻急著下結論
後：先用相關係數看關聯，再進一步檢查是否有其他因素
學習成效
前：以為上課時數和考分一定成正比
後：先看相關，再搭配其他變數判斷是不是還有背景因素影響
算法與應用
相關係數常見形式有皮爾森相關和斯皮爾曼相關，前者看線性關係，後者看單調關係
它常用於探索性資料分析、特徵篩選和假設建立
但它只是起點，不能單靠一個數字就下商業或科學結論
中英對照與三種常見的相關係數
| 中文 | 英文 | 適用情況 |
|---|---|---|
| 相關係數 | correlation coefficient | 統稱 |
| 皮爾森相關係數 | Pearson correlation | 衡量線性關係，資料需接近常態且為連續變數 |
| 斯皮爾曼等級相關 | Spearman rank correlation | 衡量單調關係，先轉成名次再算，對離群值穩健 |
| 肯德爾等級相關 | Kendall's tau | 也走名次，樣本小時比 Spearman 穩定 |
一般講「相關係數」而沒特別說明時，指的是皮爾森。公式是：
r = Cov(X, Y) / (σ_X × σ_Y)也就是共變異數除以兩者標準差的乘積，結果一定落在 −1 到 1 之間。
數值怎麼讀，以及最容易犯的三個錯
r 等於 1 是完全正線性相關，−1 是完全負線性相關，0 是沒有線性關係。強弱沒有絕對標準，但社會科學常用的參考是：0.1 到 0.3 弱、0.3 到 0.5 中等、0.5 以上強。物理量測的標準會嚴格得多。
錯誤一：把相關當成因果。 這是最有名的一條，但實務上還是常犯。兩個變數同時被第三個因素影響（混淆變數），或純粹是巧合，都會產生高相關。冰淇淋銷量與溺水人數高度相關，共同原因是氣溫。
錯誤二：r 接近 0 就認為沒有關係。 皮爾森只量線性關係。一個完美的拋物線關係，r 可能剛好等於 0。所以算相關之前一定要先畫散布圖。經典的 Anscombe 四組資料就是專門用來說明這件事的：四組資料的平均、變異數與相關係數幾乎相同，畫出來卻完全不一樣。
錯誤三：忽略離群值。 一筆極端值就能把 r 從 0.1 拉到 0.8，或反過來。懷疑有離群值時改用 Spearman，它只看名次，單一極端值的影響有限。
情境判斷
Q1（直覺題）： 相關係數接近 1，通常代表兩個變數一起升降得很明顯嗎？
→ 是，代表正相關很強。
Q2（判斷題）： 只要相關係數高，就能直接說一個變數造成另一個變數嗎？
→ 不能，這還不夠證明因果。
常見問題
相關係數為 0 代表完全沒關係嗎？
不一定，只是代表沒有線性關係，仍可能有非線性關係。
相關係數可以是負的嗎？
可以，代表一個變大時另一個傾向變小。
相關係數要怎麼解讀大小？
要看領域背景，沒有放諸四海皆準的絕對門檻。