Chatterjee順位相関というものですね。

この記事が話題ですが、もっと古くから（スライド資料時点で2013年）「21世紀の」相関と呼ばれるものがあります。

代表的な相関係数¹

手法	特徴	備考
ピアソンの積率相関係数²	2変数の線形な関係の強さを、共分散を標準偏差で割って無次元化して測る指標	一番スタンダードな相関係数
スピアマンの順位相関係数³	順位に直した後の Pearson 相関 $\Rightarrow$ 順位の値（距離）まで使う（例：1位$\leftrightarrow$2位と1位$\leftrightarrow$100位は差が違う）。	外れ値に強いとされる相関係数（ケンドールよりは極端な順位に敏感）
ケンドールの順位相関係数⁴	2点の組$(i, j)$ を取ったとき、「順序が一致する確率 − 逆転する確率」	外れ値に強いとされる相関係数

MIC(Maximal Information Coefficient 最大情報係数)⁵	データをいろいろな格子（分割）で区切ったときの「相互情報量」を正規化して最大化し、線形に限らない幅広い関係性の強さを0〜1で測る指標	非線形に対応するが負の相関は表せない
HSIC test(Hilbert-Schmidt Independence Criterion test 再生核ヒルベルト空間を用いた独立性検定)⁶ ⁷	カーネルを使って2変数（または多変量）の独立性を検定し、「独立なら0に近い」統計量（HSIC）が十分大きいかで判断するテスト	非線形に対応するが負の相関は表せない（理論上は0以上（ただし推定量はわずかに負になり得る）で上限なし）。p値での検定が主役

Chatterjee順位相関⁸	xを順位で並べたときにyがどれだけ一意に決まるか（予測できるか）を0〜1で測る、方向つき（x→y）の依存度指標	非線形に対応するが負の相関は表せない。$x\rightarrow y, y\rightarrow x$の依存度合いが異なれば値が異なる

MICをイメージで言うと、

x と yの散布図を格子で区切って、xの区画を知ると yの区画がどれだけ絞れるか（= 相互情報量がどれだけ大きいか）
- 区画が絞れればx, yに関係がある、つまり依存が強い
- 区画が絞れなければx, yに関係がない、つまり依存が弱い

HSIC test をイメージで言うと、

x と y をそれぞれ「似てる度」の表（類似度行列）に変換して、その2つの表が同じ並び方（同じ島・同じグループ構造）になっているかを見るテスト
- もし xで似てる2点が、yでも似てるなら $\rightarrow$ 2つの表が重なって依存してる（独立じゃない）
- もし xの似てる/似てないと yの似てる/似てないが無関係なら $\rightarrow$ 表はバラバラで独立っぽい
「直線かどうか」じゃなくて、近いもの同士が近いままかを見てる、というイメージ

全体をまとめるとこう

Pearson / Spearman / Kendall
- 「（線形 or 単調な）関係の向き（正/負）と強さ」を見る符号つき相関
MIC / HSIC / Chatterjee
- 「2変数が独立かどうか（＝何らかの依存があるか）」という観点で見る（符号は基本出ない）
  - HSICは「検定」（p値で独立を棄却するか）
  - MIC / Chatterjeeは「依存度スコア」（0〜1で強さ）で、必要ならp値を付けられる実装もある
    - Chatterjee順位相関はxとyの依存の向きも見られるが、因果関係を意味しない（交絡がある場合などを考慮していない）

使い分け例

どのような挙動かサンプルデータでテスト

MICをそのまま計算するには MINE（MIC）実装が必要（例：minepy等）。今回は環境都合で MIC(simple) を使ってます。ごめんなさい
MIC(simple) は MINEのMICと一致する保証はなく、挙動の雰囲気確認用です

各統計量と(p値)

case	Pearson r	Spearman rho	Kendall tau	MIC (simple)	HSIC	Chatterjee ξ(x->y)	Chatterjee ξ(y->x)
Linear（Pearsonが強い）	0.956(0.0)	0.950(0.0)	0.813	0.675	0.692(1.05E-122)	0.725(3.22E-231)	0.712(6.86E-223)
Monotonic（順位系が強い）	0.897(6.42E-286)	0.952(0.0)	0.808	0.917	0.829(2.20E-146)	0.744(6.42E-243)	0.740(2.64E-240)
Periodic（非線形指標が強い）	-0.197(2.00E-08)	-0.198(1.57E-08)	-0.134	0.710	0.018(8.95E-05)	0.675(1.77E-200)	0.061(0.003)
Circle（Pearson≈0でも依存は強い）	-0.011(0.753)	-0.010(0.788)	-0.009	0.489	0.070(5.31E-14)	0.203(5.71E-20)	0.173(4.46E-15)
Variance-only dependence 分散がxに依存（平均は0）	-0.092(0.009)	-0.080(0.024)	-0.053	0.120	0.042(4.79E-09)	0.002(0.460)	0.008(0.361)
Independent（全部小さい）	0.013(0.718)	-0.003(0.929)	-0.003	0.089	-0.001(1.0)	0.005(0.419)	-0.017(0.781)

注：
- p値は「強さ」ではなく「独立からのズレの確からしさ」なので、係数（効果量）とセットで見る
- Kendall tauはp値略
- MIC(simple)は簡易版のためp値はなし
- HSIC stat はスケール依存。p値が主

Linear
- Pearsonが強く、Spearmanも同等
- MIC、HSIC、Chatterjeeでも依存を捉えている
Monotonic
- Spearmanが強く、Pearsonはやや落ちる
- MIC、HSIC、Chatterjeeでも依存を捉えている
Periodic
- Pearson、Spearmanでは厳しいがp値は小さく出ている
- MICは依存を捉えている
- HSICは依存を検出
- Chatterjeeではx→y が大きく、y→x は小さい（方向が出る）
Circle
- Pearson、Spearmanでは無相関反応
- MICはまずまず依存を捉えている
- HSICは依存を検出
- Chatterjeeでは両方向とも中程度で、方向差は小さい
Variance-only dependence
- Pearson、Spearmanでは弱い（ほぼ0）
- MICではごく弱い依存
- HSICでは依存を検出
- Chatterjeeではほぼ依存がない
Independent
- 全てで無相関反応（独立と考えられる）

（今回はKendall特有のサンプルがなく、Spearmanに準じている）

実装例

環境
- Google Colaboratory
コード生成
- ChatGPT 5.2 思考思考の拡張

pip -q install -U "scipy>=1.15" numpy pandas matplotlib hyppo

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from scipy.stats import pearsonr, spearmanr, kendalltau, chatterjeexi
from hyppo.independence import Hsic

# -----------------------------
# 簡易MIC（デモ用）
# - quantile binning + grid search
# - MIを log(min(bins)) で正規化して最大値を取る
# -----------------------------
def mic_simple(x, y, max_bins=20, eps=1e-12):
    x = np.asarray(x).ravel()
    y = np.asarray(y).ravel()
    n = x.size
    best = 0.0

    for bx in range(2, max_bins + 1):
        ex = np.unique(np.quantile(x, np.linspace(0, 1, bx + 1)))
        if ex.size < 3:
            continue

        for by in range(2, max_bins + 1):
            ey = np.unique(np.quantile(y, np.linspace(0, 1, by + 1)))
            if ey.size < 3:
                continue

            # joint histogram (stable & shape-safe)
            counts, _, _ = np.histogram2d(x, y, bins=[ex, ey])
            pxy = counts / n
            px = pxy.sum(axis=1, keepdims=True)          # (hx,1)
            py = pxy.sum(axis=0, keepdims=True)          # (1,hy)
            denom = px * py                               # (hx,hy)

            nz = pxy > 0
            mi = np.sum(pxy[nz] * np.log((pxy[nz] + eps) / (denom[nz] + eps)))

            norm = np.log(min(pxy.shape))
            if norm > 0:
                mic = mi / norm
                if mic > best:
                    best = mic

    return float(np.clip(best, 0.0, 1.0))


# -----------------------------
# “違いが見える”データ
# -----------------------------
def make_cases(seed=12345, n=800):
    rng = np.random.default_rng(seed)
    cases = []

    # 線形：Pearsonが強い
    x = rng.normal(size=n)
    y = 2.0 * x + rng.normal(scale=0.6, size=n)
    cases.append(("Linear", x, y, "直線関係（Pearsonが強い）"))

    # 単調だが飽和：Spearmanが強い
    x = rng.normal(size=n)
    y = np.tanh(2.0 * x) + rng.normal(scale=0.15, size=n)
    cases.append(("Monotonic (saturating)", x, y, "単調だが飽和（順位系が強い）"))

    # 周期・非単調：Pearson/Spearmanが落ち、HSIC/MIC/xiが拾いやすい
    x = rng.uniform(0, 1, size=n)
    y = np.sin(6 * np.pi * x) + rng.normal(scale=0.25, size=n)
    cases.append(("Periodic (non-monotonic)", x, y, "周期・非単調（非線形指標が強い）"))

    # 円：相関0でも依存は強い
    t = rng.uniform(0, 2*np.pi, size=n)
    x = np.cos(t) + rng.normal(scale=0.05, size=n)
    y = np.sin(t) + rng.normal(scale=0.05, size=n)
    cases.append(("Circle", x, y, "円（Pearson≈0でも依存は強い）"))

    # 分散だけ依存（平均は0）
    x = rng.uniform(-1, 1, size=n)
    y = rng.normal(loc=0.0, scale=0.3 + 1.2*np.abs(x), size=n)
    cases.append(("Variance-only dependence", x, y, "分散がxに依存（平均は0）"))

    # 独立
    x = rng.normal(size=n)
    y = rng.normal(size=n)
    cases.append(("Independent", x, y, "独立（全部小さい）"))

    return cases


def compute_metrics(cases, seed=12345, mic_bins=20):
    hsic = Hsic()
    rows = []
    for name, x, y, note in cases:
        x = np.asarray(x).ravel()
        y = np.asarray(y).ravel()

        r, p_r = pearsonr(x, y)
        rho, p_rho = spearmanr(x, y)

        tau, p_tau = kendalltau(x, y)

        # HSIC（独立性検定）
        hs_stat, hs_p = hsic.test(
            x.reshape(-1, 1), y.reshape(-1, 1),
            random_state=seed
        )

        # Chatterjee順位相関 xi（方向あり）
        xi_xy = chatterjeexi(x, y, y_continuous=True, method="asymptotic")
        xi_yx = chatterjeexi(y, x, y_continuous=True, method="asymptotic")

        # MIC（簡易）
        mic = mic_simple(x, y, max_bins=mic_bins)

        rows.append({
            "case": name,
            "note": note,
            "Pearson r": r, "Pearson p": p_r,
            "Spearman rho": rho, "Spearman p": p_rho,
            "Kendall tau": tau, "Kendall p": p_tau,
            "MIC (simple)": mic,
            "HSIC stat": hs_stat, "HSIC p": hs_p,
            "xi(x->y)": xi_xy.statistic, "xi p(x->y)": xi_xy.pvalue,
            "xi(y->x)": xi_yx.statistic, "xi p(y->x)": xi_yx.pvalue,
        })

    return pd.DataFrame(rows)


# -----------------------------
# 実行
# -----------------------------
cases = make_cases(seed=12345, n=800)

df = compute_metrics(cases, seed=12345, mic_bins=20)

pd.set_option("display.precision", 4)
display(df[[
    "case","note",
    "Pearson r","Spearman rho","Kendall tau","MIC (simple)","HSIC stat","xi(x->y)","xi(y->x)",
    "Pearson p","Spearman p","Kendall p","HSIC p","xi p(x->y)","xi p(y->x)"
]])


# 散布図で形も確認
cols = 3
rows = int(np.ceil(len(cases) / cols))
plt.figure(figsize=(12, 10))
for i, (name, x, y, note) in enumerate(cases, 1):
    ax = plt.subplot(rows, cols, i)
    ax.scatter(x, y, s=6)
    ax.set_title(name, fontsize=10)
    ax.set_xticks([]); ax.set_yticks([])
plt.tight_layout()
plt.show()

注：
- HSICのp値は chi2_approx（χ²近似）
- Chatterjee ξのp値は method='asymptotic'（漸近近似）

II部：知っていると得 1. MIC vs HSIC：直線でなくとも相関はある⁉️
のUpdate記事です。

その他にもいろいろ実はあります。c.f. Wikipedia: 相関係数 ↩
PEARSON, Karl. VII. Note on regression and inheritance in the case of two parents. proceedings of the royal society of London, 1895, 58.347-352: 240-242. https://www.jstor.org/stable/115794 ↩
SPEARMAN, Charles. The proof and measurement of association between two things. 1904. https://www.jstor.org/stable/1412159 （引用者注：1904年のはずがGoogle Scholarの被引用情報だと1961になっています） ↩
KENDALL, Maurice G. A new measure of rank correlation. Biometrika, 1938, 30.1-2: 81-93. https://academic.oup.com/biomet/article-abstract/30/1-2/81/176907 ↩
RESHEF, David N., et al. Detecting novel associations in large data sets. science, 2011, 334.6062: 1518-1524. https://www.science.org/doi/10.1126/science.1205438 ↩
GRETTON, Arthur, et al. Measuring statistical dependence with Hilbert-Schmidt norms. In: International conference on algorithmic learning theory. Berlin, Heidelberg: Springer Berlin Heidelberg, 2005. p. 63-77. https://www.gatsby.ucl.ac.uk/~gretton/papers/GreBouSmoSch05.pdf ↩
GRETTON, Arthur. A simpler condition for consistency of a kernel independence test. arXiv preprint arXiv:1501.06103, 2015. https://arxiv.org/abs/1501.06103 ↩
CHATTERJEE, Sourav. A new coefficient of correlation. Journal of the American Statistical Association, 2021, 116.536: 2009-2022. https://www.tandfonline.com/doi/full/10.1080/01621459.2020.1758115 ↩