从最强约束到最弱约束的逻辑递进，深入理解统计依赖关系的本质
核心观点：在概率论与统计学中，"无关"或"独立"有多个层次的理解。最严格的相互独立意味着完全无关联，而最宽松的线性不相关仅排除线性关系。理解这些差异对于正确建立统计模型至关重要。
单向蕴含关系，逆命题不成立
反例说明：
随机变量 $X$ 和 $Y$ 的取值互不影响。知道 $Y$ 的任何信息都不能改变 $X$ 的概率分布，反之亦然。
实际示例：
抛一枚公平硬币($X$)和掷一个公平骰子($Y$)。硬币的正反面结果完全不影响骰子的点数，反之亦然。
知道 $Y$ 的取值不会改变 $X$ 的期望值（一阶矩），但可能影响 $X$ 的方差或更高阶矩。
实际示例：
房屋面积($X$)和房屋价格($Y$)。在给定价格下，面积的期望值可能不变，但面积的方差可能随价格升高而增大（异方差）。
重要特性：
均值独立 ⇔ $Cov(X, h(Y)) = 0$ 对所有函数 $h$ 成立（不仅是线性函数）
$X$ 和 $Y$ 之间不存在线性关系。协方差为零，相关系数为零。
实际示例：
圆的半径($X$)和圆的面积($Y = πX^2$)。二者呈二次关系而非线性关系，因此不相关但高度依赖。
通过调整关系形态观察三种"无关"条件的满足情况
当前模式说明：线性相关：X与Y之间存在明显的线性关系，三种条件均不满足。
协方差
相关系数
E[X|Y] ≈ E[X]
样本数
相互独立
--联合分布 = 边缘分布乘积
均值独立
--E[X|Y] = E[X]
线性不相关
--Cov(X,Y) = 0
在回归分析中，通常只要求误差项与解释变量均值独立（外生性），而不要求完全独立。
资产收益率之间的"不相关"可以降低投资组合风险，即使它们并非完全独立。
t检验、ANOVA等参数检验通常要求观测值相互独立，这是最强的条件。
特征选择时，常使用相关性分析（线性不相关）作为初步筛选，但需注意非线性关系。