Skip to content

Statistics › 無母數方法 › 等級相關

等級相關:Spearman ρ 與 Kendall τ (Rank Correlation) ​

Pearson r 衡量線性關係;等級相關衡量單調 (monotonic) 關係:一個變數增加時,另一個是否一致地增加(或減少),不管速率。基本介紹與 Pearson 見 雙變數分析。

Spearman ρ ​

把兩個變數各自排名,再對排名算 Pearson r。無同分時:

ρ=1−6∑di2n(n2−1),di=第 i 對的排名差

Kendall τ ​

看所有配對 (i, j):

  • 一致 (concordant):xᵢ > xⱼ 且 yᵢ > yⱼ(或都較小)
  • 不一致 (discordant):方向相反
τ=#concordant−#discordant(n2)

τ 可直接解讀為機率:P(一致) − P(不一致)。同一份資料 τ 通常小於 ρ(τ = 0.6 約相當於 ρ = 0.75 以上),尺度不同,不代表較弱。

Python 範例 ​

python
from scipy import stats
from sklearn.datasets import load_iris

df = load_iris(as_frame=True).frame
x, y = df["sepal length (cm)"], df["petal length (cm)"]

stats.pearsonr(x, y)      # (r, p)
stats.spearmanr(x, y)     # (ρ, p)
stats.kendalltau(x, y)    # (τ, p)

df.select_dtypes("number").corr(method="spearman")   # Spearman 相關矩陣

選哪一個 ​

Pearson rSpearman ρKendall τ
關係類型線性單調單調
假設常態是否否
資料連續Ordinal / 連續Ordinal / 連續
對離群值敏感穩健穩健
小樣本 / 很多同分不理想可最佳
何時用散布圖確認線性、資料乾淨一般預設小樣本、大量同分

Pearson 與 Spearman 差很多 → 關係可能是非線性或被離群值影響。例如指數成長:Pearson 低估、Spearman 能抓到。但兩者都抓不到 U 形等非單調關係,一定要先畫散布圖。

Pearson vs Spearman

生資應用:基因共表現 (co-expression) 網路常用 Spearman,因為表現量偏態且有離群樣本。上千個基因兩兩相關時,記得 多重檢定校正。