概念卡：相关系数 Correlation Coefficient
概念卡：相关系数 Correlation Coefficient
一句话定义
相关系数是标准化后的协方差，用来衡量两个变量线性相关的方向和强度。
它解决什么问题
它让我们用 -1 到 1 之间的数描述两个变量的线性关系。
典型使用场景
- 初步探索变量关系。
- 检查特征之间是否高度相关。
- 构建相关网络。
需要知道的关键词
- Pearson Correlation
- Linear Relationship
- Standardization
- Association
- Spurious Correlation
和导师方向的关系
相关系数是应用统计、大数据探索和复杂网络构造中的常见工具，但不能直接支持因果解释。
交流时可以怎么说
相关系数可以作为变量关系的初步探索，但它只描述线性关联，不代表因果。
如果相关性很高，还需要检查是否存在共同驱动因素或数据结构问题。
可以追问的问题
- 这里用 Pearson 相关是否合适？
- 是否存在非线性关系？
- 相关性是否由混杂变量造成？
给 AI 的提示词
请解释相关系数的含义和常见误解。要求说明为什么相关不等于因果，并给一个 Python 计算例子。
我的理解边界
- 已理解：相关系数标准化了协方差。
- 还不确定：Spearman 相关和 Kendall 相关。
- 下次需要补：非线性相关。