📚 课程目录第4章偏相关与距离相关

4. 偏相关与距离相关

在环境数据分析中，两个变量呈现出显著相关，并不等于它们之间存在直接的因果或物理联系。最典型的例子是：某城市夏季的臭氧浓度与冰淇淋销量高度正相关，但真正驱动两者同步上升的是“气温”和“日照”这类共同因素。这类同时影响两个变量的第三方变量，就是混杂因素。偏相关（partial correlation）要回答的问题是：在扣除混杂因素影响之后，X 与 Y 之间还剩下多少关联？而距离相关（distance correlation）则进一步处理另一类难题——非线性、非单调的依赖关系，例如环境变量之间常见的阈值效应、U 形响应或周期性耦合。

一、偏相关的原理与计算路径

偏相关的核心思想是“先剔除、再相关”。以控制一个变量 Z 为例，标准做法分三步：用 X 对 Z 做线性回归，取残差 r_X；用 Y 对 Z 做回归，取残差 r_Y；再计算 r_X 与 r_Y 的皮尔逊相关系数，即为控制 Z 后 X 与 Y 的一阶偏相关。残差的含义是“X 中无法被 Z 解释的部分”，因此偏相关衡量的是两个变量各自独立于 Z 的波动之间的同步程度。

当需要同时控制多个混杂因素（如季节、温度、湿度、风速）时，把上述回归扩展为多元回归即可，得到的是高阶偏相关。偏相关系数的取值范围仍在 −1 到 1 之间，符号方向与普通相关一致；显著性检验的自由度需要扣除被控制变量的个数，即 df = n − k − 2（k 为控制变量数），这一点在样本量不大时尤其重要，否则容易高估显著性。

在 Python 中，pingouin 库提供了直接接口，无需手工做残差回归：

import pandas as pd
import pingouin as pg

# 假设 df 含列：o3（臭氧）、temp（气温）、season（季节编码）、humidity（湿度）
# 控制季节与湿度，计算臭氧与气温的偏相关
result = pg.partial_corr(
    data=df,
    x='o3',
    y='temp',
    covar=['season', 'humidity'],
    method='pearson'
)
print(result)
# 输出包含 r（偏相关系数）、p-val、CI95%、n 等字段

解读结果时，应把偏相关与零阶相关放在一起对照。若零阶相关为 0.72，而控制季节和湿度后偏相关降到 0.18 且不显著，说明原先的强关联很大程度上由混杂因素“借道”产生；若偏相关仍保持在 0.6 以上，则说明该关联在控制条件下依然稳健。这种“前后对比”本身就是混杂效应强弱的直接证据，比单看一个系数更有信息量。

偏相关假设变量间为线性关系，且残差近似正态。若环境数据存在明显非线性（如温度对污染物浓度的 U 形影响），偏相关可能低估真实关联，此时应结合距离相关或分层分析交叉验证。

二、距离相关：捕捉非线性依赖

距离相关由 Székely 等人提出，其统计量 R 基于变量间的成对距离矩阵，而非协方差。它的关键优势是：R = 0 当且仅当两个变量统计独立，因此能识别皮尔逊相关系数为零但实际存在强依赖的情形。例如某污染物浓度随风速先升后降，线性相关可能接近 0，但距离相关会给出明显非零值。距离相关系数通常取 R 的平方根，范围在 0 到 1 之间，越接近 1 依赖越强，但它不区分正负方向，只反映依赖强度。

使用 pingouin 计算距离相关非常简洁：

# 计算臭氧与风速的距离相关（可捕捉非线性依赖）
dcor = pg.distance_corr(df['o3'], df['wind_speed'])
print(dcor)   # 返回 0~1 之间的依赖强度

# 与线性相关对照
print(df[['o3', 'wind_speed']].corr(method='pearson'))

实践中建议把三种系数并列成一张对照表来判读：皮尔逊相关反映线性同步，偏相关反映控制混杂后的线性净关联，距离相关反映整体依赖强度（含非线性）。若距离相关明显高于皮尔逊相关的绝对值，往往提示存在非线性结构，值得进一步画散点图或分箱统计；若偏相关远低于零阶相关，则提示混杂因素贡献大。两者结合，才能避免“相关即因果”的误判。

三、把两种方法串成一条分析链

面对一份环境监测数据，建议按以下顺序推进，而不是一上来就套公式。第一步，明确研究问题中的 X 与 Y，并列出可能同时影响二者的候选混杂因素，这一步依赖领域知识而非统计工具。第二步，计算零阶相关，得到“表面关联”的基线。第三步，用 pg.partial_corr 控制混杂因素，观察系数变化幅度与显著性。第四步，用 pg.distance_corr 检查是否存在被线性方法漏掉的非线性依赖。第五步，对异常结果回到散点图或分箱均值图上做可视化确认，避免仅凭数字下结论。

需要提醒的是，偏相关只能控制已测量并纳入模型的混杂因素，未测量的混杂（如局地排放源、地形）无法被扣除，因此偏相关显著也不等于因果成立。距离相关虽然对非线性友好，但对样本量较敏感，小样本下 R 的估计波动较大，且它不提供方向信息。把两者作为互补的诊断工具，配合领域判断，才是环境数据分析中稳妥的做法。

常见误区：把偏相关系数当作“净效应”的因果估计。偏相关只是统计上的条件关联，若控制变量本身与结果存在复杂反馈（如气温既影响臭氧又被臭氧反馈影响），线性控制可能引入新的偏倚，此时应考虑结构方程或因果图方法。

最后给出一个可复用的判读口径：零阶相关高、偏相关低且不显著，优先怀疑混杂；零阶相关低、距离相关高，优先怀疑非线性；三者都高，关联较为稳健但仍需因果论证。把这张“系数对照表”固化到分析流程里，能显著减少环境数据相关性分析中的误读。