【pearson相关性分析】Pearson相关性分析是一种用于衡量两个连续变量之间线性关系的统计方法。该方法通过计算两个变量之间的相关系数（Pearson r值），来判断它们之间是否存在正相关、负相关或无相关关系。Pearson相关系数的取值范围在-1到1之间，其中：
- 1 表示完全正相关
- -1 表示完全负相关
- 0 表示无线性相关
该分析广泛应用于社会科学、经济学、医学研究等领域，常用于探索变量之间的关系，为后续的回归分析或因果推断提供基础。
Pearson相关性分析总结
| 指标 | 含义 | 取值范围 | 判断标准 |
| Pearson r值 | 两个变量之间的线性相关程度 | -1 ~ 1 | 接近1或-1表示强相关，接近0表示弱相关 |
| P值 | 检验相关性是否显著 | 0 ~ 1 | P < 0.05 表示相关性具有统计学意义 |
| 样本量 | 数据点数量 | N ≥ 30 为宜 | 样本量越大，结果越可靠 |
分析步骤简述：
1. 数据准备：确保两个变量均为连续型数据，并且数据分布接近正态。
2. 计算相关系数：使用统计软件（如SPSS、Excel、Python等）进行计算。
3. 检验显著性：查看P值以判断相关性是否具有统计意义。
4. 解释结果：根据r值和P值综合判断变量间的关系方向与强度。
注意事项：
- Pearson相关性仅反映线性关系，无法检测非线性关系。
- 存在异常值时可能影响结果准确性。
- 相关不等于因果，需结合其他方法进一步验证。
通过Pearson相关性分析，研究者可以初步了解变量之间的关联性，为后续深入研究提供参考依据。
