区分两个概念
相关性：表示两个变量取值间的线性相关性，被考察的是连续变量或者顺序变量。
关联性：其他所有非线性关系都可以通过所谓的关联性指标衡量。
为什么要衡量变量间的相关性和关联性
- 评分卡一般使用logistic 回归模型，模型要求自变量之间不能有很强的线性相关性，即共线性。
- 如果某些变量间的有很强的相关性或关联性，则意味着它们包含很多相同的信息内容。即便是模型算法允许，使用这种模型也比使用更广泛的自变量数据建立的模型要弱。
- 判断因变量和自变量之间的相关性和关联性可以过滤掉预测能力很弱的变量。
皮尔逊相关系数
皮尔逊相关系数
主要考察两个连续变量间的线性相关性，取值在-1到1之间，等于0表示无相关性，接近-1和1表示强相关。
斯皮尔曼相关系数
斯皮尔曼相关系数采用的是取值得等级，而不是取值本身。即把一组数据按顺序排列，然后取每个值对应的序列号。33，20，66，对应等级就是2,1,3。其计算方式和皮尔逊类似，只是取值不同，这种方法可以避免皮尔逊相关系数因为异常值导致的不稳定问题。
卡方统计量
卡方统计量用于衡量两个分类变量之间的关联性，来自于列联表的频率数。
卡方统计量可以用来计算两变量相互独立的概率，概率越小，则表示变量的关联性越大。
似然比检验统计量
似然比检验统计量是基于最大似然估计原理，即定义一个似然函数，赋予其所需求的解得特征。该统计量检验到的是观察到的样本中各类别的频率分布与已知总体的分布是否存在差异。
F检验
F检验是衡量一个连续变量和一个名义变量之间的关联性
信息值
信息之IV是衡量两个名义变量，其中一个是二元变量之间的关联性指标，IV值与似然比检验统计量关系密切。
