空气质量指数 (AQI) 指标相关性与独立性分析：以 PM2.5 为例

首先，我们可以使用 Pearson 相关系数来衡量 AQI 中 6 个基本监测指标之间的线性相关性。Pearson 相关系数的取值范围为 -1 到 1，其中 1 表示完全正相关，-1 表示完全负相关，0 表示不相关。

其次，我们可以使用线性回归模型来分析 PM2.5（含量）与其他 5 项分指标及其对应污染物（含量）之间的关系。线性回归模型可以表示为：

y = β0 + β1x1 + β2x2 + β3x3 + β4x4 + β5x5 + ε

其中，y 表示 PM2.5（含量），x1 到 x5 分别表示其他 5 项分指标及其对应污染物（含量），β0 到 β5 表示模型参数，ε 表示误差项。

我们可以利用最小二乘法来估计模型参数，然后利用模型来预测 PM2.5（含量）的值。同时，我们还可以利用模型参数来分析各个自变量对 PM2.5（含量）的影响程度，以及它们之间的相对重要性。

最后，我们可以使用方差分析 (ANOVA) 来检验模型的显著性。方差分析可以帮助我们确定模型是否具有统计显著性，以及各个自变量对因变量的贡献是否显著。

综上所述，我们可以使用 Pearson 相关系数、线性回归模型和方差分析来对 AQI 中 6 个基本监测指标的相关与独立性进行定量分析，尤其是对其中 PM2.5（含量）与其他 5 项分指标及其对应污染物（含量）之间的相关性及其关系进行分析。