在 统计学中, 以查尔斯·斯皮尔曼命名的斯皮尔曼等级相关系数， 经常用希腊字母 的样本， 个 原始数据 (独立变量) 和 (依赖变量)的相关方向。 如果当增加时， 趋向于增加, 斯皮尔曼相关系数则为正。 如果当增加时， 趋向于减少, 斯皮尔曼相关系数则为负。 斯皮尔曼相关系数为零表明当增加时 没有任何趋向性。 当 和 越来越接近完全的单调相关时，斯皮尔曼相关系数会在绝对值上增加。 当 和 完全单调相关时, 斯皮尔曼相关系数的绝对值为 1。 完全的单调递增关系意味着任意两对数据 , 和 , , 有 − 和 − 总是同号。 完全的单调递减关系意味着任意两对数据 , 和 , , 有 − 和 − 总是异号。
斯皮尔曼相关系数经常被称作 "非参数"的。 这里有两层含义。 首先， 当 和 的关系是由任意 单调函数描述的，则它们是完全皮尔逊相关的。与此相应的，皮尔逊相关系数只能给出由线性方程描述的 和 的相关性。其次，斯皮尔曼不需要先验知识(, 知道其参数)便可以准确获取 和 的采样概率分布。
在此例中，我们要使用下表所给出的原始数据计算一个人的 智商和其每周花在 电视上的小时数的相关性。
首先，我们必须根据以下步骤计算出 为 10。 将这些值带入方程
得 = −0.175757575...
，P-value = 0.6864058 (使用 t分布)
这个值很大表明上述两个变量的关系很小。 原始数据不能用于此方程中，相应的， 应使用皮尔逊相关系数计算等级。
一种确定被观测数据的 ρ 值是否显著不为零( 总是有 1 ≥ ≥ −1)的方法是计算它是否大于 的概率，作为 原假设，并使用分层排列测试进行检验。 这种方法的优势之处在于它考虑了样本中的数据个数和在使用样本计算等级相关系数的风险。
另外的一种方法是使用皮尔逊积矩中使用到的费雪变换。也就是，ρ 的置信区间和零检验可以通过费雪变换获得
如果 () 是 的Fisher变换， 则
是 的z-值 ，其中，在统计依赖(ρ = 0).的零假设下 近似服从标准 正态分布。
显著性为
其在零假设下近似服从自由度为 − 2的t分布 。 A justification for this result relies on a permutation argument.
一般地，斯皮尔曼相关系数在有三个或更多条件的情况下是有用的。并且，它预测观测数据有一个特定的顺序。 例如，在同一任务中，一系列的个体会被尝试多次，并预测在多次尝试过程中，性能会得到提升。在这种情况下，对条件间趋势的显著性检验由E. B. Page 发展了,并通常称为给定序列下的 Page趋势测验。
经典的 一致性分析 是一种统计方法，它给两个标称变量赋给一个分数。 通过这种方法， 两个变量间的皮尔逊相关系数被最大化了。
有一种被称为级别相关分析的等价方法， 它最大化了斯皮尔曼相关系数或 肯德尔相关系数.
