相关性不等于因果关系
系数真正说明了什么
相关性不等于因果关系 是 CoddyKit 上的免费 Data Science Academy 课时。 这是第 1 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Data Science Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Data Science Academy 课程共包含 4 节课。
相关性衡量什么
相关性告诉您两个变量如何一起变化。当一个变量上升时，另一个通常会上升、下降，还是不受影响？相关性只捕捉这种模式。📈
系数范围
相关系数的范围在 -1 到 +1 之间。接近 +1 表示两者一起上升，接近 -1 表示一个上升时另一个下降，接近 0 表示几乎没有联系。
import pandas as pd
r = df["hours"].corr(df["score"])
print(round(r, 2))正相关关系
正相关表示两个变量通常会一起增长。学习时间越长，分数往往越高，因此相关值会明显高于 0。
负相关关系
负相关表示一个变量上升时另一个下降。睡前使用屏幕的时间越长，睡眠时间可能越短，从而使相关值低于 0。
因果关系陷阱
这里有一个重要警告：因果关系意味着一件事确实导致了另一件事发生。无论相关性看起来多么强，仅凭相关性都无法证明这一点。⚠️
潜在变量
通常，某个隐藏的混杂因素会同时影响两者。冰淇淋销量和溺水事件都会在夏季增加，但真正的原因是高温，而不是冰淇淋本身。
虚假相关
有些联系纯粹是巧合。变量足够多时，两个毫无关系的趋势也可能偶然一致，让您误以为其中存在并不存在的故事。
反向因果
有时因果箭头指向相反的方向。您可能认为 X 导致 Y，但反向因果意味着实际上一直是 Y 在影响 X。
它无法识别曲线
标准相关性只能识别直线模式。即使两个变量联系很强，明显的 U 形关系也可能产生接近 0 的相关系数。
什么能够证明因果
要宣称存在因果关系，通常需要进行受控实验：有意改变一件事，在保持其他条件不变的同时观察结果。
如实解读
因此，请把系数视为线索，而不是结论。它会指引您去调查值得研究的关系，但其中的原因仍需要仔细思考。
快速检查
冰淇淋销量和溺水事件都会在夏季增加。什么最能解释这种联系？
回顾
相关性显示变量如何在 -1 到 +1 之间共同变化，但从不证明因果关系。在得出结论前，请注意混杂因素、巧合和曲线关系。✅
常见问题解答
「相关性不等于因果关系」课时是免费的吗？
是的 — 「相关性不等于因果关系」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Data Science Academy 课程的其余内容，请升级到 CoddyKit PRO。 Data Science Academy 课程共包含 4 节课。
「相关性不等于因果关系」这节课中我会学到什么？
系数真正说明了什么 你通过在浏览器中直接运行的动手代码来练习 Data Science Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Data Science Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Data Science Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 4 节。
「相关性不等于因果关系」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Data Science Academy 课中编写并运行代码吗？
能。每节 Data Science Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 相关性不等于因果关系
- Pearson 与 Spearman
- 读取相关性热力图
- 偏度、峰度和正态性