这事儿说白了，就是找规律，看两个量儿是不是绑在一起。别整那些虚头巴脑的术语，我就拿最好办的例子跟你唠唠，比如咱们买东西，买鞋和买衣服。

一般情况下去街上转转，发现买的鞋子多的人，大约率也会买衣服；要么买东西多的人，也多半会买鞋。

这就叫正相关，就是两个东西一起往上涨，要么一起往下掉。 再换个角度，比如身高和体重。胖子的身高和瘦子的身高能一样高，这个本来就不叫相关，出于身高跟胖不胖没啥必然联系。但要是换个场景，比如你身高 180 并且体重 90 公斤，这俩事儿绑得特别紧。高个子的哥们儿，大约率会胖；矮个子的哥们儿，大约率会瘦。

这时候，只要看到一个，你就能猜大约是哪位。

这种关系，就是正相关。 再比如下雨和感冒。正常情况下，下雨天你不出门，那感冒的概率就低，这是负相关。但要是你出门不戴口罩，要么出门工夫不对，那雨大你感冒的概率就高，这又是另一种关系。数学上这叫负相关，就是两个量儿你往上面去，下脸就往下陷。 还有一种情况，比如你每天喝多少水，跟你的尿液量。你水喝多了，尿就多；水少，尿就少。

这个也是典型的正相关，一个升，一个就降。

这种关系，不管你是喝水还是吃菜，只要数据正着来，就是正相关；反之，就是负相关。 说到正相关，最典型的就是收入跟花。你有钱了，自然更愿意花钱买东西。你收入越高，手里能拿出的钱也越多，花自然就高了。但这里有个细节，不是钱越多花就一定越响，还得看钱够不够花。

要是一个人穷得叮当响，他花钱也就随随意便，随意如何花都差不多；只有当他手里有钱，花钱才更有目标，就连可能出现为了省钱而过度节俭，这时候收入高了，花反而可能低，这就叫负相关，是典型的“有钱不花”的怪圈。 再说说负相关，比如身高和体重。越胖的人，身高往往越低。出于体重多了，腿就变粗了，身高自然就缩水。

反过来，体重轻的人，一般身高比较高。体重下降的时候，身高也会跟着长高。

这种反着来的，就是负相关。 不过，除了正相关和负相关，还有一种有点意思的，叫不相关。

比如身高和体重之间，别看大家心里都清楚胖矮有联系，但你随意摸三个数据，可能高个子的既胖又瘦，矮个子也胖又瘦。

这时候，身高和体重之间就是没啥明显关系的，就是不相关。 那如何判断是不是确实相关呢？得看数据点散不散。散得开，就不相关；散得开，就正相关；散得开，就负相关。

要是数据点都挤在一堆，那就根本不相关。 举个具体的例子。假设咱们随机选了一些大学男生和高大女生。我们用他们的身高和体重画个图，会发现那些点分散得特别开。

你看，有的男生挺高，但挺瘦；有的女生挺矮，但挺壮。

这证明他们之间没啥联系，彻底就是不相关。 再比如，看看不同年龄段的吸烟量和肺癌发病率。

要是算出来，年龄越大，吸烟量越多，肺癌发病率越高，那这就是个正相关。

反之，要是年龄变大，吸烟量反而变少，那这就是负相关。 有时候，数据会有点“假”的情况。

比如你买了两本不同的数学书，一本《高等数学》一本《线性代数》。

这两本书，你认定肯定是相关吧？

如何可能？

要不就你对这两本书特别了解，否则它们之间没啥逻辑联系。

故此，数据散不开，说明这两件事是相关的。 再深入一点，这种关系在统计学上有个名字叫相关系数。好办来说，就是那个分数，范围是 -1 到 1 之间。1 代表彻底正相关，-1 代表彻底负相关，0 代表彻底不相关。 还有，要想是真正的相关，还得看数据点是否都散开了，没有那种两点就把所有点都绑死的情况。

要是只有两个点，就算散的再好，也只有一个相关性的视角，不够全面。要更多数据点，才能看出全貌。 最终说句大实话，生活中大量看起来相关的东西，最终发现是扯皮的。

比如你买了大量股票，结局第二天全体跌停；你买了大量零食，结局第二天肚子疼得下不了床。

这时候，看似强相关，实际上是彻底没关联，纯属巧合。

故此，别一听认定相关系，就先别急着下结论，得先凑够 30 个点，看看是不是散开的，真得看相关的程度。 总而言之，相关这事儿，核心就两个字：散。散得开，就是相关；不散，就是无涉。明白这个，你就明白大约了。