斯皮尔曼等级相关（Spearman’s correlation coefficient for ranked data）主要用于解决称名数据和顺序数据相关的问题。适用于两列变量，而且具有等级线性关系的资料。
公式如下：

n为等级个数
d为二列成对变量的等级差数

然而，斯皮尔曼相关中无论两个变量的数据如何变化，符合什么样的分布，我们只关心每个数值在变量内的排列顺序。如果两个变量的对应值，在各组内的排序顺位是相同或类似的，则具有显著的相关性。
举个例子，例如表3的数值，用斯皮尔曼等级相关计算相关系数，将会呈现下面这种变化
表3 基因A、C在8个样本中的表达量值

表4 斯皮尔曼等级排列

备注：排序等级就是这个数值在组内从小到大排列的序位号。

利用斯皮尔曼等级相关计算A、D基因表达量的相关性，结果是：
r=1，p-value = 4.96e-05

这里斯皮尔曼等级相关的显著性显然高于皮尔森相关。这是因为虽然两个基因的表达量是非线性关系，但两个基因表达量在所有样本中的排列顺序是完全相同的，因为具有极显著的斯皮尔曼等级相关性。

|r|的取值与相关程度
相关系数r的取值范围是-1≤r ≤ 1，一般取小数点后两位。 r的正负号表明两变量间变化的方向；
|r|表明两变量间相关的程度，
r>0表示正相关，
r<0表示负相关，
r=0表示零相关。
|r|越接近于1，表明两变量相关程度越高，它们之间的关系越密切。但是由样本算得的相关系数是否有统计学意义，还应作假设检验。

适用范围与计算方法选择
Spearman 和Pearson相关系数在算法上完全相同. 只是Pearson相关系数是用原来的数值计算积差相关系数, 而Spearman是用原来数值的秩次计算积差相关系数。

1、Pearson相关系数适用条件为两个变量间有线性关系、变量是连续变量、变量均符合正态分布。
2、若上述有条件不满足则考虑用Spearman相关系数
3、对于同一量纲数据建议Pearson，例如mRNA表达量数据，计算不同
mRNA表达量的相关系数；对于不同量纲数据，可考虑Spearman相关系数，例如mRNA表达量与某表型数据（株高、产果量、次生化合物含量等）

相关系数的缺点与注意事项
需要指出的是，相关系数有一个明显的缺点，即它接近于1的程度与数据组数n相关，这容易给人一种假象。因为，当n较小时，相关系数的波动较大，对有些样本相关系数的绝对值易接近于1；当n较大时，相关系数的绝对值容易偏小。特别是当n=2时，相关系数的绝对值总为1。因此在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。

因此高通量测序项目，一般建议10个以上样本才计算相关系数，这样其可靠性更高。

再回到我们经常见到的共表达图，其实质就是卡一个相关系数阈值，将相关系数较高的，我们关注的基因用线连接，直观体现基因共表达关系。如一个基因处于中间位置，连通性较高的很可能是起到调控作用的关键基因（转录因子）。

关联阅读：相关系数（一）：皮尔森相关

更多基迪奥精彩原创文章，可继续关注我们网站动态发布，同时关注基迪奥微信~扫一扫添加基迪奥好友~随时随地关注行业动态！