如何正确实现各州年份与人均CO₂排放量的相关性分析？

从你提供的趋势图（）来看，部分州的人均CO₂排放量呈现非线性或波动式的单调趋势，而你当前使用的默认Pearson相关系数仅能捕捉线性相关关系，这可能是结果不符合预期的核心原因。

当前代码及输出 #

你使用的代码：

correlations <- co2emissionsdata %>%
  group_by(State) %>%
  summarise( correlations = cor( Year, `CO2 Emissions Per Capita (tonne)`))
print(correlations)

输出结果：

State correlations
<chr>        <dbl>
1 ACT         -0.688
2 NSW         -0.984
3 NT          -0.523
4 QLD         -0.931
5 SA          -0.770
6 TAS         -0.924
7 VIC         -0.947
8 WA          -0.198

修正方案 #

1. 改用Spearman秩相关系数

Spearman系数基于数据的秩次计算，能有效捕捉单调相关关系（无论线性与否），更适配图表中部分州的波动上升/下降趋势：

correlations <- co2emissionsdata %>%
  group_by(State) %>%
  summarise(
    pearson_cor = cor(Year, `CO2 Emissions Per Capita (tonne)`),
    spearman_cor = cor(Year, `CO2 Emissions Per Capita (tonne)`, method = "spearman")
  )
print(correlations)

2. 可视化线性拟合趋势验证

通过绘制每个州的线性拟合线，直观判断趋势是否适合线性相关分析：

library(ggplot2)

co2emissionsdata %>%
  ggplot(aes(x = Year, y = `CO2 Emissions Per Capita (tonne)`)) +
  geom_point(size = 1.5) +
  geom_smooth(method = "lm", se = FALSE, color = "#2c3e50") +
  facet_wrap(~State, scales = "free_y") +
  theme_minimal() +
  labs(title = "各州人均CO₂排放量年份趋势及线性拟合",
       x = "年份", y = "人均CO₂排放量（吨）")

如果部分州的趋势明显非线性，可进一步尝试多项式拟合或分段回归分析，确保相关性分析匹配数据的真实趋势。

内容的提问来源于stack exchange，提问作者Sara