其他情况下，，但不一定推断出因果关系。在这种情况下，你无需提前确定任何一个变量；它们都是自然变量，你需要同时测量它们。
如果发现关联，则可以推断 电话号码数据库 X 的变化可能导致 Y 的变化，或者 Y 的变化可能导致 X 的变化，或者其他因素的变化可能同时影响 Y 和 X。一个例子是测量某些细胞表面特定蛋白质的量和这些细胞细胞质的 pH 值。
如果蛋白质的量和 pH 值相关，则可能是蛋白质的量影响内部 pH 值；或者内部 pH 值影响蛋白质的量；或者某些其他因素（例如氧气浓度）同时影响蛋白质浓度和 pH 值。
通常，显著的相关性表明需要进行进一步的实验来测试因果关系；如果蛋白质浓度和 pH 值相关，您可能需要操纵蛋白质浓度并观察 pH 值会发生什么变化，或者操纵 pH 值并测量蛋白质，或者操纵氧气并观察两者会发生什么变化。
端足类动物的数据就是另一个例子；可能是因为体型更大，端足类动物会产下更多的卵，或者产下的卵越多，母亲的体型就越大（也许它们在携带更多卵时会吃得更多？），或者某些第三个因素（年龄？食物摄入量？）使得端足类动物体型更大并且产下更多卵。
更多描述目标的示例
相关性和回归的第二个目标是估计两 使用来自各种来源的数 不 个变量之间关系的强度；换句话说，图表上的点与回归线的接近程度。
你可以用 r² 值来总结这一点。例如，假设你测量了气温（范围从 15 到 30°C）和蜥蜴（Agama savignyi）的奔跑速度，并发现了一个显著的关系：温度越高的蜥蜴跑得越快。
您还想知道是否存在紧密的关系（高 r2），这表明气温是影响跑步速度的主要因素；如果 r2 较低，则表明除了气温之外的其他因素也很重要，您可能需要进行更多实验来寻找它们。
您可能还想知道 Agama savignyi 的 r2 与 法国号码 其他蜥蜴物种的 r2 相比如何，或者不同条件下 Agama savignyi 的 r2 相比如何。
相关性和回归的第三个目标是找到拟合点云的直线方程。你可以用这个方程进行预测。
例如，如果您给志愿者提供每天含有 500 至 2500 毫克盐的饮食，然后测量他们的血压，您可以使用回归线来估计如果一个人每天少吃 500 毫克盐，他们的血压会下降多少。
到目前为止，您一定对相关性和线性回归示例有了清晰的了解。