因为相关性不会告诉您变量的大小，您可以通过适当调整大小来反转它们的相对顺序。

例如，这里是一些散点图矩阵$(Y, B_1, B_2)$数据：

清楚地$Y$相关性更高$B_1$比与$B_2.$

为了帮助我们了解幅度的变化，以下是在所有轴上使用通用比例显示的相同数据：

之间的相关系数$Y$和$B_i$是$0.88\gt 0.67.$

选择$A=Y,$这是一个新变量的散点图矩阵，也是常见的尺度：

这里有一些细节：

之间的相关系数$A+Y$和$A+B_i$是$0.944 \lt 0.996:$现在后者大于前者，颠倒了原来的关系。

如果您想试验类似的数据集，这里是R用于生成这些数据集的代码，以及相关性的计算。知道runif在其第二个和第三个参数指定的值范围内生成指定数量的 iid 统一变量；所有算术运算都是向量运算（向量加法和标量乘法）。

n <- 1e2

Y <- runif(n, 1, 2)
B.1 <- 2 * Y + runif(n, -1/2, 1/2)
B.2 <- (Y + runif(n, -1/2, 1/2)) / 10
A <- Y

cor(cbind(Y, B.1, B.2))
cor(cbind(A+Y, A+B.1, A+B.2))