摘要：前面介绍了如何利用PowerBI进行相关性分析，如果你还没有看过这篇文章，请先点击下面的链接查看：
前面介绍了如何利用PowerBI进行相关性分析，如果你还没有看过这篇文章，请先点击下面的链接查看：
有专门的DAX函数，Power BI如何进行相关性分析？
在这篇文章是用的常规DAX函数来计算的相关系数，里面说到没有专门的DAX函数，其实不太准确，还是有个函数可以直接计算相关系数的。
这个函数就是LINESTX，它是2023年推出的，关于它的基本用法，前面介绍回归分析时已经介绍过：Power BI如何搞定回归分析？原来还有这个强大的DAX函数
LINESTX返回的表，是按最小二乘法进行回归分析的各种信息，除了斜率和截距，还包括其他指标，具体来说，这个表包含有以下统计信息：
SlopeN :斜率，每个自变量一个
Intercept:截距
StandardErrorSlopeN:斜率标准误差，每个自变量一个
StandardErrorIntercept:截距标准误差
CoefficientOfDetermination:决定系数
StandardError:标准误差
FStatistic:F统计量
DegreesOfFreedom:自由度
RegressionSumOfSquares:回归平方和
ResidualSumOfSquares:残差平方和
如果有统计学背景，对这些指标应该都不陌生，如果没有相关背景，也不用刻意去记，需要用到的时候去搜索一下相关知识了解即可。
其中CoefficientOfDetermination，也就是决定系数，就是我们之前计算的相关系数（Correlation Coefficient）的平方，只需要从LINESTX返回的表中提取这个指标，开平方根，就可以得到相关系数。
仍以前面文章中的数据为例，LINESTX返回的表如下：
这里面就是最小二乘法回归分析的各种统计指标，其中CoefficientOfDetermination的值为0.7651，它就是相关系数的平方，我们可以直接写度量值提取决定系数并进行开方，来得到相关系数：
相关系数 =
SQRT(
SELECTCOLUMNS(
LINESTX('表','表'[利润额],'表'[营销费用]),
"决定系数",[CoefficientOfDetermination]
)
)
这个度量值的逻辑与前面我们介绍回归分析时，计算斜率和截距的思路一样，只是多了个开方运算，这里不再重复介绍。它的计算结果与之前用常规DAX函数的结果完全一致：
不过如果相关系数是负数，按上面的写法，结果就不正确了；以下面这个数据为例，来说明它为什么会计算错误，以及如果修正。
利用前面介绍的常规函数法以及快速度量值法，可以很容易计算出营销费用和利润额的相关系数是-0.9415，但是如果用前面的LINESTX函数法，计算结果却是0.9415：
数字是相同的，但是却为正数，负相关变成了正相关，这是怎么回事呢？
上面的逻辑是对决定系数开平方根来计算相关系数，其实平方根是有正负两个结果的，我们只取了正数值，没有取负数值。
那么既然有正负两个结果，如何知道相关系数应该取正数还是负数呢？
这里就要用到LINESTX计算结果中另一个指标了，斜率。
如果斜率为正数，就是正相关，相关系数取决定系数平方根的正值；如果斜率是负数，就是负相关，相关系数取决定系数平方根的负值；相关系数 =
SQRT(
SELECTCOLUMNS(
LINESTX('表','表'[利润额],'表'[营销费用]),
"决定系数",[CoefficientOfDetermination]
)
)
*
SIGN(
SELECTCOLUMNS(
"斜率",[slope1]
)
)
关于斜率的计算，前面我们介绍回归分析的时候也已经介绍过，也是利用LINESTX计算出斜率，然后通过SIGN函数来获取斜率的正负符号（正数返回1，负数返回-1），再乘以决定系数的平方根，就可以精准的计算出相关系数了。
至此，关于PowerBI计算相关系数的各种方法都已分享，如果你还想学习PowerBI回归分析，请参考这些文章：
Power BI如何搞定简单线性回归分析？
用Power BI做多元线性回归分析，只需这一个函数！
利用这个Power BI 自定义图表，人人都可以做回归分析
来源：峻熙教育