简介
在多元回归分析中，在消除其他变量影响的条件下，所计算的某两变量之间的相关系数。
在多元相关分析中，简单相关系数可能不能够真实的反映出变量X和Y之间的相关性，因为变量之间的关系很复杂，它们可能受到不止一个变量的影响。这个时候偏相关系数是一个更好的选择。
偏相关系数是在排除了其他变量的影响下计算变量间的相关系数。假设我们需要计算X和Y之间的相关性，Z代表其他所有的变量，X和Y的偏相关系数可以认为是X和Z线性回归得到的残差Rx与Y和Z线性回归得到的残差Ry之间的简单相关系数，即Pearson相关系数。
计算
偏相关系数的计算可以有下面的三种方法
1根据上面的说法，从线性回归的角度计算变量间的偏相关系数，但是这样做很麻烦。
2迭代法，可以认为简单相关系数为0阶偏相关系数，任何n阶偏相关都可以通过3个(n-1)阶偏相关系数计算出来。
3相关矩阵求逆法，即首先计算出所有变量的相关性矩阵，然后求它的逆矩阵。这样可以求出任何两两变量之间的偏相关系数。
偏相关系数的检验可以有两种方法。一种是t-test，另外一种fisher转化法。
利用偏相关系数进行变量间净相关分析通常完成两大步：
第一：计算样本的偏相关系数。
利用样本数据计算偏相关系数，反应了两个变量间净相关的强弱程度。在分析变量x1和x2之间的净相关时，当控制了变量x3的线性作用后，x1和x2之间的一阶偏相关系数定义为：
第二：对样本来自的两个总体是否存在显著的净相关进行推断：
1）提出原假设，即两总体的偏相关系数与零误显著差异。
2）选择检验统计量。偏相关分析的检验统计量为t统计量，它的数学定义为：
式中，r为偏相关系数，n为样本数，q为阶数。统统计量服从n-q-2个自由度的t分布。
3)计算检验统计量的观测值和对应的概率p-值。
4）决策。如果检验统计量的概率p-值小于给定的显著性水平α，怎应拒绝原假设，反之，则不能拒绝原假设。
