在概率论和统计学中，相关（Correlation，或称相关系数或关联系数）显示两个随机变量之间线性关系的强度和方向。在统计学中，相关的意义是用来衡量两个变量相对于其相互独立的距离。在这个广义的定义下，有许多根据数据特点而定义的用来衡量数据相关的系数。

对于不同测量尺度的变量，有不同的相关系数可用：

• Pearson相关系数（Pearson's r）：衡量两个等距尺度或等比尺度变量之相关性。是最常见的，也是学习统计学时第一个接触的相关系数
• Spearman等级相关系数：衡量两个次序尺度变量之相关性。
• Kendall等级相关系数（英语：Kendall tau rank correlation coefficient）：衡量两个人为次序尺度变量（原始资料为等距尺度）之相关性。
• Kendall和谐系数：衡量两个次序尺度变量之相关性。
• Gamma相关系数：衡量两个次序尺度变量之相关性。
• Phi相关系数（英语：Phi coefficient）：衡量两个真正名目尺度的二分变量之相关性。
• 列联相关系数（contingency coefficient）：衡量两个真正名目尺度变量之相关性。
• 净相关（partial correlation）：在模型中有多个自变量（或解释变量）时，去除掉其他自变量的影响，只衡量特定一个自变量与因变量之间的相关性。自变量和因变量皆为连续变量。
• 相关比（correlation ratio）：衡量两个连续变量之相关性。
• 四分相关（tetrachoric correlation）：衡量两个人为名目尺度（原始资料为等距尺度）的二分变量之相关性。
• Kappa一致性系数（K coefficient of agreement）：衡量两个名目尺度变量之相关性。
• 点二系列相关系数（point-biserial correlation）：X变量是真正名目尺度二分变量。Y变量是连续变量。

二系列相关系数（biserial correlation）：X变量是人为名目尺度二分变量。Y变量是连续变量。