假设这些点是您的观察结果，向量似乎表达了范围的上限和下限$y$作为一个函数$x$. 乍一看，相关性似乎微弱，但我不会真的相信我的眼球来估计皮尔逊的$r$. 似乎足够清楚的是$y$展品异方差穿过$x$. 维基百科的后果部分可能会让您更感兴趣。另请参阅 Wikipedia 的图与显示异方差性的随机数据的比较：

按Q9。

像大多数分布特征一样，异方差性只是程度问题，很少有真正的数据集是真正的、绝对同方差的。尽管我在这里有自己的行为，但您可能不想“关注”散点图的异方差性，而不是相关性。存在许多同方差性检验，包括levenes-测试. 修复是可用的，但最好的可能是强大的容忍异方差的方法。这并不是说异方差性只是数据分析的麻烦——它也可能是焦点的理论兴趣。维基百科的一个例子描述了财富和饮食的变化：

异方差的一个典型例子是收入与膳食支出的比较……较贫穷的人总是吃便宜的食物，因此花费相当稳定；较富裕的人可能偶尔会购买便宜的食物，而有时会吃昂贵的饭菜。那些收入较高的人显示出更大的食物消费变异性。

有兴趣的读者不妨查看标签wiki异方差; 我已经编辑了更多这样的信息。