关联分析不仅是两组数据间的数学碰撞，更是一种发现数据模式的思维方式。在 Lattice 中，我们通过三阶段架构确保结果的精准与可读：首先，由 LLM 解析您的业务目标并精准匹配统计工具；其次，确定的底层计算引擎利用经过严格验证的 Python 库执行数值运算；最后，由 LLM 将干涩的系数与 p 值转化为 plain language。这种工作流确保了您在处理 Pearson、Spearman 或 Kendall 等方法时，既能获得严谨的量化结果，又能通过自然语言解读避免对相关性的过度解读。
何时选择这一家族
- 您想探究两个数值型指标（如点击率与转化率）是否存在共同变动的趋势。
- 您正在进行多变量探索，需要通过热力图快速定位哪些指标间关联最紧密。
- 您希望在排除干扰变量后，验证两个特定指标之间是否存在净关联。
- 您面对非线性数据或含有异常值的样本，需要使用抗干扰的秩相关方法。
关联分析的核心逻辑
关联分析的本质是衡量两个变量随时间或观测个体共同变动的同步性。它不假设变量间的因果主导，而是通过系数（如 r 或 ρ）来描述变量间的线性或单调映射关系。
在 Lattice 中，关联分析常作为描述性统计后的第一步分析，旨在通过数值量化帮您筛选出最有进一步研究价值的指标组合，为后续的正式建模或试验设计提供方向性指引。
区分关联与相关系数的选择
新手容易混淆多种相关系数。简单来说，Pearson 适用于理想的线性关系，Spearman 则对非线性单调关系和异常值具备更高的包容度，而 Kendall 更适合小样本或存在大量重复值的特定场景。
我们需要强调的是：如果您的变量中包含分类数据，关联分析并不是最优解。此时，Lattice 的分析流会自动引导您转向方差分析或卡方检验，这能比强行计算相关系数提供更准确的统计洞察。
解读时的常见误区
“相关不代表因果”是统计学的黄金法则。即便是高达 0.9 的相关系数，也无法直接证明一方导致了另一方的变动，背后可能存在未观测到的第三变量影响。
另一个常见坑是 Simpson 悖论：在整体数据中呈现的正相关，在分组查看时可能表现为负相关。因此，Lattice 鼓励在解读时进行分组可视化核查，以确保结论在不同细分维度下依然稳健。
常见问题
- Lattice 的关联分析会告诉我 X 导致了 Y 吗？
- 不会。Lattice 的关联工具仅用于量化指标间的协同变动。若您发现相关性显著，LLM 会提示这可能是因果或共同影响的结果，并引导您通过其他实验设计方法判断因果关系。
- 如果我的数据里有异常值，我该选哪种方法？
- 建议使用 Spearman 或 Kendall 秩相关。这些方法基于变量的排序而非原始数值，能显著降低异常值对系数计算的干扰，使评估结果更贴近真实趋势。
- 为什么我的相关系数很小但 p 值却显示显著？
- 这通常是因为样本量非常大。当样本充足时，极微小的关联也可能在统计上显著。Lattice 会在解读中区分统计显著性与实际意义，提醒您关注系数的绝对值，而不单纯依赖 p 值。