相关性分析（4）：什么时候不能用皮尔逊相关？——分类变量、异常值与非线性陷阱
很多人一看到两个变量，就习惯性地计算皮尔逊相关系数 r，但你必须知道：
有些场景不能用皮尔逊相关；有些变量根本不适合皮尔逊相关；有些数据会让皮尔逊相关“完全失真”。
如果使用不当，不仅会得到错误的相关强度，甚至会误导模型选择、论文结论，或做出完全错误的政策判断。
本篇我们就从三个最常见的误区讲起：
（1）数据类型不适合； （2）离群点破坏r； （3）存在非线性关系但 r≈0。
【一】分类变量不能用皮尔逊相关（Nominal data 与 Ordinal data 的陷阱）
皮尔逊相关系数要求两个变量都是连续型（interval/ratio），并且可以计算平均数和标准差。如果变量是分类的，就不能直接用 r。
（1）“性别 vs 收入”不能直接算皮尔逊 r。
性别（男/女）是*名义变量（nominal），没有大小顺序，不能计算平均值，也不能用来求线性关系。
但是很多学生会不经意地把性别编码成 0/1，然后直接算相关，并误以为所得结果有实际经济含义。
实际上，这种编码只是计算机方便读取，与“量化强弱”毫无关系。正确做法应当是：
- 用 t 检验（比较两组均值）
- 或在回归中把性别作为虚拟变量（dummy）
（2）“幸福感 1-5 评分”不完全适合皮尔逊相关。
幸福感属于有序分类变量（ordinal），类别之间的间距并不严格相等。此时皮尔逊相关可能“差不多能用”，但更稳健的方法是使用：
斯皮尔曼等级相关（Spearman rho），因为它基于排序而非数值间距。
（3）金额、年龄、体重等连续变量才适合用皮尔逊相关。
皮尔逊相关是为连续型数据设计的，因此必须确认变量是否满足前提。
总结一句话：
名义变量不能用r，有序变量可用但不完美，连续变量才能充分发挥皮尔逊相关的意义。
【二】离群点（Outliers）会让 r 完全失真
离群点是皮尔逊相关最大的“天敌”。因为 r 依赖协方差，而协方差对极端值非常敏感。
案例：一个极端值让 r 从0.2变成0.9
假设你在研究“学习时间与考试成绩”的相关性。原本散点图几乎没有明显趋势，r≈0.2。但如果某个学生“学习时间非常长（30小时）但得了满分”，这个点会“拉直”趋势线，使 r 飙升到0.8以上。
于是你可能得出完全错误的结论：
“学习时间与成绩之间存在强正相关。”
实际上这只是一个极端值的影响。
离群点来源可能包括：
- 数据录入错误（如把 3 写成 30）
- 罕见事件（比如天才学生）
- 样本结构不均衡
- 不同群体被混合在一起
在实证研究中，检查离群点是最重要的一步，也是数据预处理的一部分。最常用的方法包括：
- 散点图
- 箱线图
- 标准化残差（>3 或 <-3）
【三】非线性关系会让皮尔逊相关“看起来没有关系”
皮尔逊 r 捕捉的是线性关系，因此任何非线性结构都会导致 r≈0，即便两个变量关系强烈。
（1）经典案例：倒 U 型关系（如适度压力 vs 工作绩效）。
研究显示：
- 压力过小，动力不足；
- 压力过大，身心崩溃；
- 适度压力时绩效最高。
如果你给这一数据算皮尔逊 r，通常 r≈0。但显然二者有非常清晰的关系——只是“弯的”，不是线性的。
上图清晰地呈现出“压力→ 绩效”的关系，是一个典型的倒 U 型关系图（Inverted U-shaped Relationship），这类关系的相关系数 r 往往接近 0，但变量之间存在非常明确的“非线性关系”，说明 r=0 并不代表毫无关系。
（2）收入与幸福感：对数型关系。
在幸福经济学中，收入提高对幸福感的提升呈现边际递减。 这是一种典型的对数关系。若用原始数据算 r，你可能得到一个看似很弱的相关性。
正确做法是：
- 转换变量，如 log(income)
- 或用非线性回归、局部回归（LOESS）
上图是对数型关系图（Logarithmic Relationship），收入与幸福感常呈现对数型增长：前期提升明显，但越到后期边际效应越弱，用原始数据计算 r 会低估这种关系。
（3）网络数据中的指数型关系。
如粉丝数与点赞数，往往是指数增长。直接算 r 会得到毫无意义的数字。
上图是典型的指数型关系图（Exponential Relationship），网络上粉丝数与点赞数常呈指数增长，相关系数 r 无法准确捕捉“越往后涨得越快”的爆发式模式。
总结一句话：
r=0 并不意味着没有关系，而可能意味着“关系不是直线”。
【四】小结：使用皮尔逊相关前，你必须先问自己三个问题
在计算 r 之前，可以先问自己：
（1）两个变量都是连续型吗？→ 如果其中一个是分类变量，就不能用皮尔逊。 （2）数据中是否有离群点？→ 离群点会让 r 完全偏离真实关系。 （3）关系看起来是直线的吗？→ 非线性会让 r 接近 0，但不代表没关系。
如果这三个条件都满足，皮尔逊相关才真正适用。