相关性分析是研究数据之间关系的一种方法,是变量随机分析的一个重要课题,而相关性分析的结果能够为发掘数据背后的信息提供有力地支持。从应用角度来看,现在金融保险等领域的投资风控、信贷评估,网络及APP领域的信息推送等等均和相关性分析有着紧密联系。早先学者们对相关性进行了研究,提出了许多度量变量相关性的方法,但这些相关性研究主要关注变量之间相关程度的分析,而对于变量之间相关模式的识别与研究并不是很重视。现有的一些相关系数,如Pearson相关系数,能对变量间的相关关系进行度量但不能对变量的相关模式进行识别,另一些相关系数,如Kendall相关系数、Spearman相关系数等,虽然可以一定程度上反映变量之间的相关关系,但仅仅片面地刻画了变量之间的相关结构。数据时代的到来给变量之间的相关性研究带来了挑战。从理论上来看,多个变量之间的相关性关系非常复杂,对于高维的数据更是如此。随着研究的深入,有学者发现原有的一些研究假设并不成立,这些不恰当的假设可能会导致严重的后果。本文受许冰(2010)路径设计的启发,并借鉴近来的一些研究成果,通过构建路径模型体系,综合考察变量间的相关模式及相关性的度量,进而对变量进行路径相关性分析,为变量间的相关性分析提供一种新的方法。本文使用Li and Racine(2004)的非参数变量筛选方法,对有关变量进行了分类;基于变量筛选结果构建非参数路径模型体系,分析变量间的整体效应、直接效应和间接效应。发现:(1)不管是在基准模型还是路径模型中,非线性分量的占比大于线性分量的占比,线性分量的波动大于非线性分量的波动,且非线性变量在模型中占主导地位;(2)单路径变量中用电量的整体效应最大,双路径变量中用电量和已用授信额度的整体效应最大;(3)用基准模型的外推精度取代变量间的因果分析,对具体数据进行了模拟分析。