介绍两种最常用的相关系数：皮尔逊相关系数和斯皮尔曼等级相关系数。它们用于衡量两个变量之间的相关性大小。在实际建模过程中，根据不同的数据特性，我们要选择合适的相关系数进行计算和分析。
总体是指所考察对象的全部个体。例如，我国10年一次的人口普查数据就是总体数据。我们通过计算总体的一些统计特征（如均值、方差等）来了解总体的特性。
样本是从总体中抽取的一部分个体，是总体的一个子集。我们通过计算样本的统计量来估计总体的统计量。例如，使用样本均值和样本标准差来估计总体的均值和标准差。
回顾概率论与数理统计中的数理统计部分，如果两组数据是总体数据（如普查结果），我们可以计算总体均值和总体协方差。
直观理解协方差：如果X和Y的变化方向相同，即当X大于（小于）其均值时，Y也大于（小于）其均值。在这两种情况下，乘积为正。如果X和Y的变化方向一直保持相同，则协方差为正；同理，如果X和Y的变化方向一直相反，则协方差为负。
假设我们已经得到了两组数据（例如普查结果），我们可以计算总体皮尔逊相关系数。它是在总体协方差的基础上消去量纲的影响得到的。我们知道标准化数据是用来消除量纲影响的，因此皮尔逊相关系数可以看作是剔除两个变量量纲影响后的协方差。
我们知道，在不确定两个变量是什么关系的情况下，即使算出皮尔逊相关系数很大，也不能说明两者相关。一定要画出散点图来看才行。这是因为非线性相关也会导致线性相关系数很大，离群点对相关系数的影响很大。如果两个变量的相关系数很大，也可能受到异常值的影响。
事实上，比起相关系数的大小，我们更关注的是显著性（假设检验）。在计算系数之前，我们需要做一些描述性统计。我们可以借助假设检验来对相关系数进行显著性检验。假设检验的步骤包括：提出原假设和备择假设，构造统计量，将检验值带入统计量中得到特定的值，根据置信水平查表找到临界值，并画出检验统计量的接受域和拒绝域。常见的置信水平有90%，95%和99%，其中95%是最常用的。