就适用性来说，kendall > spearman > pearson ，在考察两两变量间相关关系时，应了解两变量的变量类型以及是否有正态性，然后决定使用哪个系数。

（连续资料时）spearman和pearson可以同时使用。（分类资料时）spearman和kendall可以同时使用。（一个分类一个连续）此时用kendall。

pearson双变量相关分析适用条件：

1.双变量需为两连续变量；（与研究设计相关，由研究的资料所决定）

2.两个连续变量之间来源同一个观察测量个体；（与研究设计相关，由研究的资料所决定）

3.两个变量之间存在线性关系；（通常用散点图进行检验该条件）

4.两变量之间无异常值；（通过利用散点图进行观察，如有异常值，对pearson相关影响是非常大的，对于异常值的处理办法有a.保留异常值：①将两个变量中的一个或者两个进行数据转化；②将异常值纳入进行分析，在报告中注明异常值。b.剔除异常值，结合相关的专业知识以及分析异常值的来源，剔除异常值进行分析，但在报告中需注明原因及异常值情况。）

5.两个变量应该满足双变量正态分布。（最常用的的检验是W检验，即shapiro-wilk检验、D检验，即kolmogorov-smirov检验、P-P图、Q-Q图等，值得注意是，pearson相关分析对非态性分布具有一定的抗性，当遇到非正态分布数据时候，也可以尝试计算pearson相关系数。）

pearson相关系数的取值范围在[-1，1] ，‘负’代表负相关，‘正’代表正相关。0<=|r|<0.3，低相关；0.3<=|r|<0.8，中相关；0.8<=|r|<=1，高相关。需注意，相关关系不等于因果关系。相关关系表示等号两边的变量会同时发生变化，而因果关系，是由于一个变量引起另一个变量发生变化。

参考：
如何选用Pearson、Spearman、Kendall三大相关系数
SPSS之数据分析——pearson双变量相关分析