ในทางสถิติสัมประสิทธิ์สหสัมพันธ์แบบปรับขนาดเป็นรูปแบบหนึ่งของสัมประสิทธิ์สหสัมพันธ์ที่ใช้ได้กับข้อมูลที่มีองค์ประกอบเชิงเวลา เช่นอนุกรมเวลามันคือค่าเฉลี่ยของสหสัมพันธ์ระยะสั้น หากสัญญาณมีองค์ประกอบหลายส่วน (ช้าและเร็ว) สัมประสิทธิ์สหสัมพันธ์แบบปรับขนาดสามารถคำนวณได้เฉพาะสำหรับองค์ประกอบที่เร็วของสัญญาณเท่านั้น โดยไม่สนใจส่วนประกอบที่ช้า^{[ 1 ]} การดำเนินการ แบบกรองนี้มีข้อดีคือไม่ต้องตั้งสมมติฐานเกี่ยวกับลักษณะไซน์ของสัญญาณ

ตัวอย่างเช่น ในการศึกษาเกี่ยวกับสัญญาณสมอง นักวิจัยมักสนใจส่วนประกอบความถี่สูง (ช่วงเบต้าและแกมมา; 25–80 เฮิรตซ์) และอาจไม่สนใจช่วงความถี่ต่ำกว่า (อัลฟา ทีตา เป็นต้น) ในกรณีเช่นนั้น การคำนวณค่าสหสัมพันธ์แบบปรับขนาดจะทำได้เฉพาะกับความถี่ที่สูงกว่า 25 เฮิรตซ์เท่านั้น โดยเลือกขนาดของการวิเคราะห์sให้สอดคล้องกับคาบของความถี่นั้น (เช่นs  = 40 มิลลิวินาที สำหรับการสั่นที่ 25 เฮิรตซ์)

ค่าสหสัมพันธ์แบบปรับขนาดระหว่างสัญญาณสองสัญญาณ หมายถึง ค่าสหสัมพันธ์เฉลี่ยที่คำนวณจากส่วนย่อยๆ ของสัญญาณเหล่านั้น ขั้นแรก จำเป็นต้องกำหนดจำนวนส่วนย่อยที่สามารถพอดีกับความยาวทั้งหมดของสัญญาณสำหรับมาตราส่วนที่กำหนด: ${\displaystyle K}$${\displaystyle T}$${\displaystyle s}$

${\displaystyle K=\operatorname {round} \left({\frac {T}{s}}\right).}$

ถัดไป ถ้าคือค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันสำหรับส่วนนั้นค่าสหสัมพันธ์ที่ปรับขนาดแล้วของสัญญาณทั้งหมดจะคำนวณได้ดังนี้ ${\displaystyle r_{k}}$${\displaystyle k}$${\displaystyle {\bar {r}}_{s}}$

${\displaystyle {\bar {r}}_{s}={\frac {1}{K}}\sum \limits _{k=1}^{K}r_{k}.}$

ในการวิเคราะห์อย่างละเอียด Nikolić et al. ^{[ 1 ]}แสดงให้เห็นว่าระดับการลดทอนการมีส่วนร่วมของส่วนประกอบที่ช้าขึ้นอยู่กับปัจจัยสามประการ ได้แก่ การเลือกมาตราส่วน อัตราส่วนแอมพลิจูดระหว่างส่วนประกอบที่ช้าและส่วนประกอบที่เร็ว และความแตกต่างในความถี่การสั่น ยิ่งความแตกต่างในความถี่การสั่นมีมากเท่าใด การมีส่วนร่วมของส่วนประกอบที่ช้าก็จะถูกกำจัดออกจากสัมประสิทธิ์สหสัมพันธ์ที่คำนวณได้อย่างมีประสิทธิภาพมากขึ้นเท่านั้น ในทำนองเดียวกัน ยิ่งกำลังของส่วนประกอบที่ช้าน้อยกว่าเมื่อเทียบกับส่วนประกอบที่เร็วเท่าใด สหสัมพันธ์ที่ปรับขนาดก็จะยิ่งทำงานได้ดีขึ้นเท่านั้น

การหาความสัมพันธ์แบบปรับขนาดสามารถนำไปใช้กับ การหาความสัมพันธ์ อัตโนมัติและความสัมพันธ์ไขว้เพื่อตรวจสอบว่าความสัมพันธ์ของส่วนประกอบความถี่สูงเปลี่ยนแปลงอย่างไรที่ความล่าช้าเชิงเวลาที่แตกต่างกัน ในการคำนวณความสัมพันธ์ไขว้แบบปรับขนาดสำหรับการเลื่อนเวลาแต่ละครั้งอย่างถูกต้อง จำเป็นต้องแบ่งส่วนสัญญาณใหม่หลังจากเลื่อนเวลาแต่ละครั้ง กล่าวอีกนัยหนึ่ง สัญญาณจะถูกเลื่อนเสมอก่อนที่จะใช้การแบ่งส่วน ความสัมพันธ์แบบปรับขนาดได้รับการนำไปใช้เพื่อตรวจสอบศูนย์กลางการซิงโครไนซ์ในคอร์เทกซ์การมองเห็น [ ^{2 ] ความ}สัมพันธ์แบบปรับขนาดยังสามารถใช้เพื่อแยกเครือข่ายการทำงานได้อีกด้วย^{[ 3 ]}

ในหลายกรณีควรเลือกใช้การหาความสัมพันธ์แบบปรับขนาดมากกว่าการกรองสัญญาณโดยใช้วิธีสเปกตรัม ข้อดีของการหาความสัมพันธ์แบบปรับขนาดคือไม่ต้องตั้งสมมติฐานเกี่ยวกับคุณสมบัติทางสเปกตรัมของสัญญาณ (เช่น รูปทรงไซน์ของสัญญาณ) Nikolić et al. ^{[ 1 ]}ได้แสดงให้เห็นว่าการใช้ทฤษฎีบท Wiener–Khinchinเพื่อกำจัดส่วนประกอบช้าๆ นั้นด้อยกว่าผลลัพธ์ที่ได้จากการหาความสัมพันธ์แบบปรับขนาด ข้อดีเหล่านี้จะเห็นได้ชัดเจนโดยเฉพาะอย่างยิ่งเมื่อสัญญาณไม่เป็นคาบหรือเมื่อประกอบด้วยเหตุการณ์ที่ไม่ต่อเนื่อง เช่น การประทับเวลาที่ตรวจพบศักยภาพการกระทำของเซลล์ประสาท

การวิเคราะห์ความสัมพันธ์แบบหลายระดับความละเอียดสามารถให้ข้อมูลเชิงลึกโดยละเอียดเกี่ยวกับโครงสร้างความสัมพันธ์ได้^{[ 4 ]}

• การหาค่าสหสัมพันธ์อัตโนมัติ
• ความสอดคล้อง (การประมวลผลสัญญาณ)
• การคอนโวลูชัน
• ความสัมพันธ์
• ความสัมพันธ์ไขว้
• ความสัมพันธ์ของเฟส
• ความหนาแน่นสเปกตรัม
• สเปกตรัมแบบไขว้
• ทฤษฎีบทไวเนอร์-คินชิน

• สามารถดาวน์โหลด  ซอร์สโค้ดฟรีสำหรับการคำนวณค่าสหสัมพันธ์ไขว้แบบปรับขนาด และอินเทอร์เฟซสำหรับMATLAB ได้ที่นี่: http://www.raulmuresan.ro/sources/corrlib/
• ตัวอย่างโค้ดอย่างง่ายในภาษา Python: https://github.com/dankonikolic/Scaled-Correlation