如何对相关性进行显著性检验
1、找到相关系数显著性检验表；2、然后确定自由度（n-m-1）,n,m分别代表样本个数和未知量维度蔽锋行；3、查找a0.01，a0.05，a.010对应的值；4、将相关系数r与a比较，确定显著性水平。
1、为什么要对相关系数进行显著性检验？原因：所有的假设检验都是要分析显著性的，拿相关系数来说，我们虽然求得了相关系数值，但是这个相关系数有没有统计学意义呢？换句话说，我们看到的这个相关系数是确实存在呢？还是说只是抽样误差导致的？显著性检验就是要解决这个问题的，如果显著，则表明相关的确存在，不是抽样误差导致的。
2、显著性检验是对谁进行检验？显著性检验的虚无假设是变量间相关系数为0，也就是宏哗说，我们做显著性检验要解决的问题是相关系数是不是0，如果得到显著的结果，则代表相关存在，相关系数不为0.
3、sig.=0.000说基唯明了什么呢？sig=0.000说明显著性水平p值小于0.001，即相关系数在0.001水平显著。这里的0.000其实并不是说真的是等于0，如果你在这个数字上三击鼠标，可以看到真实值
在进行相关系数检验的时候,为什么自由度为n-2？
因为相关系数需要确定2个参数，相对于有2个限制条竖拍差件，所以自由度为n-2。
在统计学中，自由度指的是计算某一统计量时，取值不受限制的变量个数。通常df=n-k。其中n为样本含量，k为被限制的条件数或变量个数，或计算某一统计量时用到其它独立统计量的个数。自由度通常用于抽样分布中。
扩展资料：
对于任一向量组而言，不是线性无关的就是线性相关的。
向量组只包含一个向量a时，a为0向量，则说A线性相关; 若a≠0，则说A线性无关。
包含零向量的任何向量组是线性相关的。
含有相同向量的向量组必线性相关。
增加向量的个数，不改变向量贺答的相关性。(注意，原本的向量组是线性相关的)；局部相关，整体相关
减少向量的个数，不改变向量的无关性。(注意余皮，原本的向量组是线性无关的）；整体无关，局部无关
一个向量组线性无关，则在相同位置处都增加一个分量后得到的新向量组仍线性无关。；无关组的加长组仍无关
一个向量组线性相关，则在相同位置处都去掉一个分量后得到的新向量组仍线性相关。；相关组的缩短组仍相关
若向量组所包含向量个数等于分量个数时，判定向量组是否线性相关即是判定这些向量为列组成的行列式是否为零。若行列式为零，则向量组线性相关；否则是线性无关的。
参考资料：百度百科-线性相关
如何检验pearson相关系数的显著性
对皮尔逊相关系数的理解可以从很多个角度来进行，有人从协方差矩阵的角度思考，有人从向量cosine夹角的角度思考，这几种方式只要能让你对皮尔逊相关有感性的理解就可以。我们假设两组数据X和Y，每个都包含n个元素，计算二者协方差的方法就可以记为
其中E(X)和E(Y)分别代表二者的期望，也就是平均值。我们看分子部分，在分子中，当总体的一个值小x比X的平均值大，而且小y也比Y的平均值大的时候，分子就是正的，或者二者都小于平均值的时候，分子也是正的。
当二者不都大于或者小于平均值的时候，分子就是负的。这里我们就可以感性的理解，如果数据杂乱，正负抵消，那么这个协方差就很小，就谈不上二者相关陵隐败；如果两个变量相关，整个协方差就是很大的正值或者负值。
然而从这里，我们也看出一些问题，就是这里面二者都是带有量纲的数据，假如说x都是0.01左右的数据，y都是1000左右的数据，那么整个的协方差就很容易被这么大的y带跑偏，为了解决这个量纲的问题，我们就消除量纲，从而得到一个无量纲的量，也就是皮尔逊携答相关系数了。
简介：
相关系数是衡量两个数据相关关系的指标，两个数据相关在某种程度上可以帮助人们理解事物的变化规律。例如在商品推荐中，我们已知一个用户A的购买喜好，同时发现另一个用户B的购买数据和A相关性很高，那么我们可以根据A的喜好去给B推荐相关的产品，等等。
皮尔逊相关系数（Pearson correlation coefficient）就是最为常用的用来衡量尺颤两个变量线性相关关系的指标，有了指标就有评分的依据，然而评分多高代表二者相关。
为什么要进行相关系数的假设检验
因为如果变量x与y之间并不存在直线关系，但由于n对观测值（Xi，Yi）也可以根据计算公式求得一个直线回归方程。
显然，这样的直线回归方程所反应的两个变量之间的直线关系是不真实的，所以为了判断直线回归方程的两个变量间的直线关系的真实性，就必须对直线回归的相关系数进行假设检验，检验方法有F和t两种，二者是等价的，任选其一即誉茄可。
扩展资料：
进行假设检验应注意的问题：
1、做假设检验之前，应注意资料本身是否有可比性。
2、当差别有统计学意义时应注意这样的差别在实际应用中有无意义。
3、根据资料类型和特点选用正确的假设检验方法。
4、根据专业及经验确定是选用单侧检验还是双侧检验。
5、当检验结果为拒绝无效假设时，应注意有发生I类错误的可能性，即错误地拒绝了本身成立的Ho，发生这种错误的可能性预先是知道的，即检验水准那么大；
当检验结果为不拒绝无搜虚前效假设时，应注意有发生Ⅱ类错误的可能性，即仍有可能错误地接受了本身就不成立的H0，发生这种错误的可能性预先是不知道的，但与样本含量和I类错误的大小有关系。
6、判断结论时不能绝对化，应注意无论接世清受或拒绝检验假设，都有判断错误的可能性。7）报告结论时应注意说明所用的统计量，检验的单双侧及P值的确切范围。
