spearman 相关性分析适用范围 非参数相关检验详解

核心结论 spearman 相关性分析也叫斯皮尔曼秩相关分析，属于非参数相关分析方法，核心是利用变量的秩次也就是排序等级来计算相关程度，不要求数据满足正态分布，也不要求变量之间是线性关系，适合有序等级资料，不满足正态假设的连续数据，存在异常值的样本，是科研问卷医学社科统计里非常常用的相关分析方法，它衡量的是两个变量单调相关的强弱和方向，区别于皮尔逊相关只衡量线性相关，很多初学者会混淆两种相关的适用场景，选错之后会导致统计结果解释出现偏差。

适用场景明细

不适用的情况说明

第一 无序分类变量，类别之间没有等级顺序，比如性别 职业类别，这种数据排序没有实际含义，计算秩次没有统计学意义，不能做 spearman 相关性分析。

第二 需要精准刻画线性相关强度的时候，优先选择皮尔逊相关，如果强行使用 spearman 相关性分析，会损失原始数值信息，只保留排序信息，检验效能会下降。

第三 变量之间不存在单调趋势，关系是抛物线 U 型这类非单调关系，spearman 相关性分析无法识别这类相关，相关系数会接近零，容易误判成没有关联。

实操分析步骤

第一步 数据预处理，确认两个变量至少是有序等级或者连续变量，检查样本量，一般建议样本量不少于 10 例，样本太少结果不稳定。

第二步 对两个变量分别进行秩次排序，相同数值也就是结，取平均秩次。

第三步 代入 spearman 秩相关公式计算相关系数 rs，系数取值范围负 1 到正 1，正数代表正单调相关，负数代表负单调相关，绝对值越接近 1 相关越强。

第四步 进行显著性检验，查看 p 值，p 小于 0.05 代表相关具有统计学意义。

第五步 结果解读，注意 rs 只代表单调相关，不能解读成线性相关，同时要结合专业背景判断关联是不是因果关系，相关不等于因果。

spearman 相关性分析核心优势就是放宽正态分布假设，优先用于等级资料和偏态连续数据，分析单调相关关系，遇到无序分类或者非单调曲线关系就不适合使用，分析前一定要判断数据类型，避免方法误用。

【常见问题】

问题 1 spearman 相关性分析和皮尔逊相关什么时候优先选 spearman 相关性分析

回答 1 当数据不满足正态分布 属于有序等级资料 存在异常值 只需要判断单调相关的时候，优先选择 spearman 相关性分析，皮尔逊相关要求正态并且线性关系，不符合前提就不能使用。

问题 2 spearman 相关性分析可以用于分类无序变量吗

回答 2 spearman 相关性分析不可以用于分类无序变量，因为该方法依靠秩次排序计算，无序类别没有高低等级，排序没有意义，强行计算 spearman 相关性分析结果无效。

问题 3 spearman 相关性分析的相关系数显著就代表线性相关吗

回答 3 spearman 相关性分析显著只代表存在单调相关，并不一定是线性相关，有可能是曲线单调上升或者下降，不能把 spearman 相关性分析结果直接解释成线性相关。

【免责申明】

本文为统计学方法科普讲解，仅供学习参考，实际科研论文统计分析请结合研究设计，必要时咨询统计学专业人员，不同统计软件输出结果表述存在细微差别。