使用说明

1. 方法选择

• Pearson： 衡量两个连续变量间的线性相关程度。要求数据近似正态、无异常值。适用于身高/体重等连续指标
• Spearman： 基于秩次的非参数方法，衡量单调关系。不要求数据正态，适用于等级数据或非线性单调关系
• Kendall's tau： 基于一致对比例的非参数方法。对异常值鲁棒，适用于小样本或有序数据

2. 偏相关

偏相关分析在控制一个或多个变量的影响后，衡量两个变量间的净相关。例如控制 BMI 后分析血压与心率的净相关。

注：本 App 支持单个控制变量的偏相关。多个控制变量需使用 ppcor 包的专业方法。

3. 效应量

Pearson 相关系数 r 的常用解释标准（Cohen, 1988）：

• |r| < 0.1：极弱相关
• 0.1 ≤ |r| < 0.3：弱相关
• 0.3 ≤ |r| < 0.5：中等相关
• 0.5 ≤ |r| < 0.7：强相关
• |r| ≥ 0.7：极强相关

注：上述阈值为 Pearson r 的经验参考。Spearman ρ 与 Kendall τ 的数值通常更小，效应量解释应更为保守；本 App 暂统一标注以便阅读，请勿直接等同 Cohen 标准。

4. 置信区间

Pearson 和 Spearman 的 95% CI 由 cor.test() 基于 Fisher Z 变换计算。Kendall's tau 的 CI 由 cor.test() 内部提供。

Kendall's tau 的置信区间由 cor.test() 基于方差近似给出，小样本时可能偏宽，请谨慎解释。

5. 前提假设

• Pearson：连续数据、线性关系、近似正态、无异常值
• Spearman：至少有序数据、单调关系
• Kendall's tau：至少有序数据
• 偏相关：变量间近似线性关系，控制变量为连续型

6. 正态性提示

Pearson 相关假设数据近似正态。如未进行正态性检验，建议先使用 NormalityTest 进行检验。Spearman 和 Kendall's tau 不需要正态性假设。

7. 结果导出

点击左侧按钮导出结果表（Excel）或图表（PNG）。

---

如有问题或建议，请联系管理员。