外觀
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:
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 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 r | Spearman ρ | Kendall 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。

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。