相关系数的数值越接近于-1，表明两变量之间参数与特性之间强负相关但只不过是负相关。
相关表和相关图可反映两个变量之间的相互关系及其相关方向，但无法确切地表明两个变量之间相关的程度。于是，著名统计学家卡尔·皮尔逊设计了统计指标--相关系数(Correlation coefficient)。相关系数是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。
性质：
(1)定理: | ρXY | = 1的充要条件是，存在常数a，b，使得P{Y=a+bX}=1。
相关系数ρXY取值在-1到1之间，ρXY = 0时。
称X,Y不相关; | ρXY | = 1时，称X,Y完全相关，此时，X,Y之间具有线性函数关系; | ρXY | < 1时，X的变动引起Y的部分变动，ρXY的绝对值越大，X的变动引起Y的变动就越大， | ρXY | > 0.8时称为高度相关，当 | ρXY | < 0.3时称为低度相关，其它时候为中度相关。
(2)推论:若Y=a+bX，则有。
证明: 令E(X) = μ，D(X) = σ。
则E(Y) = bμ + a，D(Y) = bσ。
E(XY) = E(aX + bX) = aμ + b(σ + μ)。
Cov(X,Y) = E(XY) − E(X)E(Y) = bσ。
若b≠0，则ρXY ≠ 0。
若b=0，则ρXY = 0。
相关系数越接近1，说明两个变量之间的关系越接近正比关系。也就是说，给定其中一个变量的值，可以预测另一个变量的值，并且预测的准确性较高。相关系数有很多，但是pearson相关系数最为常用。
pearson 法则是一种经典的相关系数计算方法，主要用于表征线性相关性，假设2个变量服 从正态分布且标准差不为0，他的值介于-1到1之间，pearson相关系数的绝对值越接近于1，表明 2个变量的相关程度越高，即这2个变量越相似。其相关系数计算如下：
SPSSAU操作如下：
结果如下：
上表可以看出二者的相关系数约为0.94，并且p值小于0.05，所以说明薪资与购买意愿具有相关关系。