我们已经在前面介绍过双变量描述性分析，知道这是关于两个变量间关系或联系的描述，也是关于这个关系强度的测量。那么如何测量这种关联度？这是接下来要说的。

我们先来看关联度测量（measures of association）这个术语。类似于集中趋势（平均数、众数和中位数）和离散分布（measures of dispersion）的测量（极差、标准差），关联度测量也是一种总结性的统计数字：它会告诉我们两个变量间的关联程度有多强。当然，它也能显示出两个变量间是否存在关联性。但局限在于，它不能告诉我们到底是哪个变量在影响着哪个变量。两个变量可能会“共变”（co-vary）,也就是X和Y同时变化，如广告投入和产品销售量同增同减。但是，当X和Y不存在任何关系时，它们也有可能在表面上呈现出有关联的样子。例如，销售量和广告投入可能不存在任何关系，你之所以观察到二者相关（同增同减），原因是竞争者的活跃程度在发生变化。这就涉及外生变量（extraneous variable）或混杂变量（confounding variable）的问题，我们会在稍后予以讨论。

最基本地，关联度分析会告诉你两个变量间到底是正相关、负相关还是根本不存在任何关系。正相关是指如果一个变量值增加，那么另一个变量值也会增加。例如，广告投入增加，销售量也增加。负相关是指一个变量值增加时，另一个变量值则会减少，例如，消费者的年龄越大，升级手机的可能性越低。

正如集中趋势和变动测量一样，关联度的测量也有好几种方法，究竟用哪种方法很大程度上取决于分析的是何种类型的变量。专栏15-1列出了不同类型的变量适应的关联测量方法，其中最常用的是卡方相关系数（Chi-Square contingency coefficient）和皮尔逊相关系数（Pearson'sr）。