非参数相关是指不依赖于数据分布形态的统计方法，主要用于度量变量之间的单调关系，尤其适用于不满足正态分布假设的数据。以下是常见的非参数相关方法及适用场景：

一、主要方法

Spearman秩相关系数

用于度量两个变量的单调关系，不要求数据服从正态分布。通过将原始数据转换为秩次（即排序后的位置），计算秩次之间的相关系数。

Kendall相关系数

用于度量两个变量的顺序相关性，同样不依赖正态分布。它通过计算“同序对”和“逆序对”的数量来确定相关性强度。

Cronbach系数

主要用于评估问卷的内部一致性，即测量结果的一致性和稳定性。常用于心理测量学中，判断多个项目是否测量同一概念。

定性数据相关

用于分析分类数据（如满意度调查中的等级评分），通过计算类别之间的关联程度。

二、适用场景

数据不满足正态分布 ：如偏态分布、存在异常值或数据量较小；

变量为定序数据 ：如名次、等级、满意度评分等；

样本量较小 ：参数检验（如Pearson相关）的效力可能不足。

三、补充说明

理论基础 ：非参数方法基于秩统计理论，通过秩次差值来分析数据；

工具实现 ：在Python中，可用scipy.stats.spearmanr或kendalltau函数计算Spearman和Kendall相关系数。

以上方法各有侧重，需根据数据类型和研究问题选择合适的方法。例如，若需量化两个连续变量的单调关系且数据非正态，优先考虑Spearman；若涉及多个测量指标的内部一致性，则使用Cronbach系数。