Коэффициент корреляции Пирсона считается подходящим для определённых типов данных, потому что он подходит для переменных, измеряемых по интервальной или относительной шкале. 1 Такие шкалы обеспечивают значимые числовые расстояния между наблюдениями. 1

Кроме того, коэффициент корреляции Пирсона особенно полезен при анализе наборов данных с несколькими переменными. 1 В таких случаях может быть построена корреляционная матрица — квадратная таблица, в которой суммируются коэффициенты корреляции между всеми возможными парами переменных в наборе данных. 1

Однако у коэффициента корреляции Пирсона есть и недостатки: он оценивает только линейную связь переменных и чувствителен к выбросам. 5 Также корреляция не подразумевает причинно-следственной связи между переменными. 1