如何验证两个数组来自不相关分布？（无需正态分布假设）

我有两个数组array1和array2，想要判断它们背后的分布是否不相关，并且需要通过p值来判断结论的置信度，只看相关系数不够。

我原本用了下面的代码：

import numpy as np
from scipy.stats import pearsonr

array1 = np.array([1, 2, 3, 4, 5])
array2 = np.array([5, 4, 3, 2, 1])

# 计算皮尔逊相关系数和p值
res = pearsonr(array1, array2, alternative='two-sided')

correlation_coefficient, p_value = res.statistic, res.pvalue

# 输出结果
print(f"皮尔逊相关系数: {correlation_coefficient}")
print(f"P值: {p_value}")

# 设定置信水平（比如95%）
confidence_level = 0.95

# 根据p值得出结论
if p_value < (1 - confidence_level):
    print(f"我有{confidence_level * 100}%的把握认为这两个数组存在相关性。")

输出结果：

皮尔逊相关系数: -1.0
P值: 0.0
我有95.0%的把握认为这两个数组存在相关性。

但这个方法有问题：pearsonr的原假设是样本背后的分布不相关且服从正态分布，而我只需要检验分布是否不相关，不需要考虑分布类型（正态或其他）。有没有替代方案？

我的两个初步思路 #

• 模拟不相关数组的分布：生成和array1长度相同的随机数组，重复计算相关系数得到不相关数组的系数分布，再以此计算实际系数的p值。但担心numpy随机生成器的分布影响结果，而且不想额外写太多代码。
• pearsonr的method参数是否可用？：不清楚method参数的作用，尤其是设置为PermutationMethod时，能不能解决我的问题？

1. 使用pearsonr的置换检验（PermutationMethod） #

这完全匹配你的需求！scipy.stats.pearsonr的method参数支持置换检验，这种方法不需要正态分布假设，原假设就是两个变量不相关。

置换检验的核心逻辑是：在“变量不相关”的原假设下，随机打乱其中一个数组的顺序，重新计算相关系数；重复该过程数千次后，得到相关系数的零分布，再通过实际相关系数在该分布中的位置计算p值。

代码示例：

import numpy as np
from scipy.stats import pearsonr, PermutationMethod

array1 = np.array([1, 2, 3, 4, 5])
array2 = np.array([5, 4, 3, 2, 1])

# 使用置换检验计算p值
res = pearsonr(array1, array2, alternative='two-sided', method=PermutationMethod(n_resamples=10000))

correlation_coefficient, p_value = res.statistic, res.pvalue

print(f"皮尔逊相关系数: {correlation_coefficient}")
print(f"置换检验P值: {p_value}")

confidence_level = 0.95
if p_value < (1 - confidence_level):
    print(f"我有{confidence_level * 100}%的把握认为这两个数组存在相关性。")

• n_resamples是置换次数，次数越多p值精度越高，一般设10000次即可满足需求。
• 该方法完全避开正态分布假设，直接检验“是否不相关”的核心问题。

2. 非参数替代：斯皮尔曼秩相关检验 #

如果你的需求不仅是避开正态假设，还希望检验变量间的单调相关性（而非严格线性），可以使用scipy.stats.spearmanr。这也是非参数方法，原假设为两个变量不存在单调相关，同样不依赖正态分布。

代码示例：

import numpy as np
from scipy.stats import spearmanr

array1 = np.array([1, 2, 3, 4, 5])
array2 = np.array([5, 4, 3, 2, 1])

res = spearmanr(array1, array2, alternative='two-sided')

correlation_coefficient, p_value = res.statistic, res.pvalue

print(f"斯皮尔曼秩相关系数: {correlation_coefficient}")
print(f"P值: {p_value}")

confidence_level = 0.95
if p_value < (1 - confidence_level):
    print(f"我有{confidence_level * 100}%的把握认为这两个数组存在单调相关性。")

内容的提问来源于stack exchange，提问作者Anirban Chakraborty