1. Pearson相关
Pearson相关用于双变量正态分布的资料，其相关系数称为积矩相关系数（coefficient of product-moment correlation）。Pearson相关系数用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。进行相关分析时，我们一般会同时对两变量绘制散点图，以更直观地考察两变量之间的相互变化关系。
对资料进行相关分析之前，我们可以先对其绘制散点图，以考察两变量的真实变化关系，散点图完成后再计算变量之间的相关系数，对相关系数进行假设检验，以量化形式表示变量间的相关关系。
2. Spearman秩相关
最常用的非参数相关分析（秩相关）,当两变量不符合双变量正态分布的假设时，需用Spearman秩相关来描述变量间的相互变化关系。此时，散点图上散点的分布形态不能完全描述两变量间的相关关系，故此时一般不需再绘制散点图。
3. kendall's相关
计算等级相关系数，用于反映分类变量一致性的指标，只能在两个变量均属于有序分类时使用。
在实际应用中，有时获得的原始资料没有具体的数据表现，只能用等级来描述某种现象，要分析现象之间的相关关系，就只能用等级相关系数。
等级相关系数亦称为“秩相关系数”，是反映等级相关程度的统计分析指标。常用的等级相关分析方法有Spearman等级相关和Kendall等级相关等。
一般的那个相关是指线性相关，相关系数为0，说明没有线性关系，但并不能说明没有曲线关系，曲线相关可以通过将变量进行转换后再算线性相关，也可以直接进行曲线拟合。
本文来源：https://www.2haoxitong.net/k/doc/b4f75af2f90f76c661371a26.html
文档为doc格式