相关性分析： 1）不相关：两条平行线 2）正相关是水涨船高，负相关是此消彼长 3）曲线相关：U型触底反弹（考研和激动程度的关系：考研初期很激动，到中期激动的程度越来越小，到后期又开始激动）；倒U型（年龄和体力的关系：年幼时体力很差，到28左右体力达到峰值，然后逐渐又开始下降）

显著性检验（当检测出两个因素相关，然后要看到底是为什么相关，是随机的相关还是背后有必然性的关系）： 1、显著：显著不是重要（Sign(信号：表达一种意思，指某些事)、Signify、Significant、Significance)。显著就是某个联系背后是不是意味着什么东西。 2、显著度检验的六步： 1）研究假设 H1 （希望证实的对于总体假设） 2）零假设 H0 （希望抛弃的那个对于总体的假设） 3）根据变量类型选择检验方法 4）决定愿意承担多大的犯一类错误的风险 5）根据样本计算犯一类错误的风险 6）参照第4-5步决定是否放弃零假设 注：I类风险（可计算）：（弃真）放弃了一个真的零假设；II类风险：（纳伪）接受了一个假的零假设。 解释：假设我们要研究工资会不会随着年龄的增加而升高。我们的零假设是工资不会随着年龄的升高而升高。此时再次假设总体中有一组样本它是接受零假设的，并且抽到这组样本的概率是0.001%。接下来我们要从总体中抽一组样本。假设我们刚好抽到了接受零假设的那一组样本，同时我们不知道抽到这组的概率是多少。此时我们需要计算犯I类错误的风险。也就是说我们弃真的概率有多大。比如计算得出犯I类错误的概率为4%，那么如果我们的研究可以承担5%犯I类风险的错误，那么我们可以选择继续抛弃零假设，但是此时我们的研究就有一定的错误的可能性。但是这是没有办法的，不可能做到100%真。

回归分析：是预设因果关系的相关分析 1）正态分布时平均值是最准的猜测 2）回归分析是根据自变量更准地猜因变量 3）最小二乘回归（最小平方和，拟合度最高：比如我给你一件衣服来猜我的身高，你会先问问这件衣服合不合身，再去估计）就是把猜测准确度最大化。 4）回归分析的显著性检验与法庭审判类似