补充Łukasz Deryło 的回答：正如他所写，-150 的协方差意味着负关系。这是强关系还是弱关系取决于变量的方差。下面我绘制了强关系的示例（每个独立变量的方差为 200，因此与方差相比，绝对意义上的协方差很大）和弱关系的示例（每个方差为 2000，因此协方差很小，绝对值，与方差相比）。

强关系，variance <- 200：

弱关系，variance <- 2000：

代码：

library(MASS)

nn <- 100
epsilon <- 0.1
variance <- 2000 # weak relationship

opar <- par(mfrow=c(2,2))
    for ( ii in 1:4 ) {
        while ( TRUE ) {
            dataset <- mvrnorm(n=100,mu=c(0,0),Sigma=rbind(c(2000,-150),c(-150,2000)))
            if ( abs(cov(dataset)[1,2]-(-150)) < epsilon ) break
        }   
        plot(dataset,pch=19,xlab="",ylab="",main=paste("Covariance:",cov(dataset)[1,2]))
    }
par(opar)

编辑：Anscombe 的四重奏

正如 whuber 所说，协方差本身并不能真正告诉我们很多关于数据集的信息。为了说明，我将采用Anscombe 的四重奏并稍作修改。请注意非常不同的散点图都可以具有相同的（四舍五入）协方差 -150：

anscombe.mod <- anscombe
anscombe.mod[,c("x1","x2","x3","x4")] <- sqrt(150/5.5)*anscombe[,c("x1","x2","x3","x4")]
anscombe.mod[,c("y1","y2","y3","y4")] <- -sqrt(150/5.5)*anscombe[,c("y1","y2","y3","y4")]
opar <- par(mfrow=c(2,2))
    with(anscombe.mod,plot(x1,y1,pch=19,main=paste("Covariance:",round(cov(x1,y1),0))))
    with(anscombe.mod,plot(x2,y2,pch=19,main=paste("Covariance:",round(cov(x2,y2),0))))
    with(anscombe.mod,plot(x3,y3,pch=19,main=paste("Covariance:",round(cov(x3,y3),0))))
    with(anscombe.mod,plot(x4,y4,pch=19,main=paste("Covariance:",round(cov(x4,y4),0))))
par(opar)

最终编辑（我保证！）

最后，这是一个 -150 的协方差，可能是两者之间最脆弱的“负关系”$x$和$y$可以想象：

xx <- yy <- seq(0,100,by=10)
yy[9] <- -336.7
plot(xx,yy,pch=19,main=paste("Covariance:",cov(xx,yy)))

它只告诉你关系是消极的。这意味着一个变量的低值往往与另一个变量的高值一起出现。

很难判断这个协方差是大还是小（如果你的关系是强还是弱），因为$cov(X,Y)$范围从$-sd(X)\cdot sd(Y)$到$sd(X)\cdot sd(Y)$. 所以这取决于你的变量的规模。

要判断这种关系是否强，需要将协方差转换为相关（除以$sd(X)\cdot sd(Y)$）。这范围从$-1$到$1$许多不同的解释指南可以在网络和教科书中找到。

您也可以对相关性的显着性进行测试。