相关法 :
一般是对变量进行事后追溯研究。例如，研究者通过一系列调查发现，吸烟与肺癌之间存在显著正相关，即一个人吸烟越多，则越可能患肺癌。变量之间的关联（相关）程度和方向可以通过相关系数或散点图表示。最常用的是皮尔逊积矩相关系数（r）。相关系数从-1到+1之间变化，绝对值越大，表示相关程度越高，正负值表示相关方向。正相关表示两个变量之间的变化方向相同，而负相关表示两个变量之间的变化方向相反。
相关研究只是关注变量之间的关系，因此并不暗示任何变量之间的因果关系。也就是说，相关法可以预测结果，但不能证明因果关系。事实上，如果相关系数表明两个变量之间的关系是显著的，那也只是一种统计显著性，是否存在实际显著性还需要进一步分析，如是否有混淆变量或第三变量影响。此外，即使一个很低的相关，也不一定表明变量之间是没有实际关系甚至因果关系的。造成这种现象的原因之一是全距限制现象。在计算相关系数时，两个变量的数据都必须是一个代表性样本，数据之间有充分变异。例如，如果一个变量的数据都是相同的，则不论第二个变量的数据如何变化，相关都是0。另一个原因是计算某种相关的条件是否已经满足。例如，皮尔逊积矩相关系数要求两个变量都是线性变化的。如果不能满足这些条件，则相关可能出现很低的情况。
一般情况下，相关法适合于描述变量之间的关联程度，并对未来研究提出假设。由于相关能够明确表示相关程度和方向，只要已知一个变量的值就可以预测另一个变量值，因此这种方法通常要优于观察法。研究者开发了一系列研究设计或统计技术，试图更好地理解变量之间的因果关系。这些技术包括交叉滞后组相关设计、偏相关、多元回归和结构方程等。