偏相关系数的偏相关系数的计算
偏相关系数的检验可以有两种方法。一种是t-test，另外一种fisher 转化法。计算样本的偏相关系数：利用样本数据计算偏相关系数，反应了两个变量间净相关的强弱程度。在分析变量x1和x2之间的净相关时，当控制了变量x3的线性作用后，x1和x2之间的一阶偏相关系数定义。r值的绝对值介于0～1之间。通常来说，r越接近1，表示x与y两个量之间的相关程度就越强，反之，r越接近于0，x与y两个量之间的相关程度就越弱。关系在多元回归中，应注意简单相关系数只是两变量局部的相关性质，而并非整体的性质。在多元回归中并不看重简单相关系数，而是看重偏相关系数。根据偏相关系数，可以判断自变量对因变量的影响程度；对那些对因变量影响较小的自变量，则可以舍去不顾。以上内容参考：百度百科-偏相关系数
偏相关系数是什么？
偏相关系数是在多要素所构成的系统中，当研究某一个要素对另一个要素的影响或相关程度时，把其他要素的影响视作常数(保持不变)，即暂时不考虑其他要素影响，单独研究两个要素之间的相互关系的密切程度，所得数值结果为偏相关系数。偏相关系数的检验可以有两种方法。一种是t-test，另外一种fisher 转化法。计算样本的偏相关系数：利用样本数据计算偏相关系数，反应了两个变量间净相关的强弱程度。在分析变量x1和x2之间的净相关时，当控制了变量x3的线性作用后，x1和x2之间的一阶偏相关系数定义。r值的绝对值介于0～1之间。通常来说，r越接近1，表示x与y两个量之间的相关程度就越强，反之，r越接近于0，x与y两个量之间的相关程度就越弱。在多元回归分析中，在消除其他变量影响的条件下，所计算的某两变量之间的相关系数。在多元相关分析中，简单相关系数可能不能够真实地反映出变量X和Y之间的相关性，因为变量之间的关系很复杂，它们可能受到不止一个变量的影响。这个时候偏相关系数是一个更好的选择。假设我们需要计算X和Y之间的相关性，Z代表其他所有的变量，X和Y的偏相关系数可以认为是X和Z线性回归得到的残差Rx与Y和Z线性回归得到的残差Ry之间的简单相关系数，即pearson相关系数。
偏相关系数是什么？
偏相关系数是在消除其他变量影响的条件下，所计算的某两变量之间的相关系数。偏相关是地理系统的一个多要素系统，一个要素的变化要影响到其它要素的变化，因此它们之间存在着不同的相关关系。两个要素同时消除了其余要素影响后的相关，称为偏相关。偏相关系数是度量偏相关程度和方向的指标，它可以通过相关系数法来计算。偏相关系数的作用偏相关分析的主要作用在于，在所有的自变量中，判断哪些自变量对因变量的影响较大，从而选择作为必需的自变量，至于那些对因变量影响较小的自变量就可以舍去而不予考虑。这样，在计算多元回归方程时，只要保留起主要作用的自变量，用较少的自变量描述因变量的平均变动量。
相关系数越大,说明相关程度越高
相关系数越大,说明相关程度越高;相关系数越小,说明相关程度越低。（错误）相关系数γ值的范围在-1和+1之间,当两者呈正相关,r呈正值,r=1时为完全正相关；如两者呈负相关则r呈负值,而r=-1时为完全负相关.相关系数的绝对值越接近1,相关越密切；越接近于0,相关越不密切.所以不是说相关系数大是否说明相关程度高。相关系数越大，说明两个变量之间的关系就越强。当相关系数为1时，两个变量其实就是一次函数关系。相关系数介于0与1之间，用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度;着重研究线性的单相关系数。相关系数是最早由统计学家卡尔·皮尔逊没计的统计指标，是研究变量之间线性相关程度的量，一般用字母r表示。由于研究对象的不同，相关系数有多种定义方式。较为常用的是皮尔逊相关系数。
