跳转到内容

相关分析

来自VeritasWiki 真理百科

相关分析(correlation analysis)是统计学中用来描述两个或多个变量之间是否存在关联、关联方向如何、联系有多紧密的一类方法。它不预设哪一个是原因、哪一个是结果,只关心当其中一个变量变化时,另一个变量是否呈现出可以预测的同步变动。相关分析给出的核心指标是相关系数,它把散点图上变量的共变趋势压缩为一个介于负一与正一之间的数,为后续的回归分析、因素分析以及心理测量中的效度检验提供了基础。在心理学研究中,它几乎是最早被使用、也最常被滥用的统计工具之一。

概念的由来

相关概念的成型与高尔顿、皮尔逊等人的工作分不开。19世纪后期,高尔顿在考察父子身高、亲属相似性等问题时,注意到变量之间存在一种可以量化的共变关系,并绘制散点图来直观呈现。随后,卡尔·皮尔逊(Karl Pearson,1857—1936)在吸收前人关于误差理论成果的基础上,把这种共变关系提炼为一个精确的系数,即后来所称的皮尔逊积矩相关系数。它的构造思想是:把两个变量各自的离均差相乘,再看这些乘积平均而言是偏正还是偏负、幅度多大,最后用两个变量各自标准差的乘积加以标准化,使结果不依赖于原始单位。

这一指标的巧妙之处,在于它同时容纳了方向与强度。系数为正,表示一个变量偏高时另一个也倾向于偏高;系数为负,表示一个偏高时另一个倾向于偏低;系数接近零,则表示两者几乎没有线性同步关系。由于经过了标准化,无论变量是以厘米、秒还是以量表分计量,得到的系数都可以直接比较,这正是相关系数能够通行于不同学科的原因。

相关系数的计算与解释

最常用的是皮尔逊相关系数,它衡量的是两个变量之间的线性关系。把协方差除以两个变量标准差之积,就得到这个系数。它的平方称为决定系数,含义是:一个变量的变异中有多大比例可以由另一个变量的线性关系来解释。相关系数为零点六,听起来似乎不低,但其平方只有零点三六,也就是说仍有约三分之二的变异无法由对方解释。这一换算常被用来提醒研究者,不要被看起来不小的系数所迷惑。

解释相关系数时有几条需要牢记的限制。第一,它只刻画线性关系,若两个变量之间有明显的曲线关系,比如倒 U 形,相关系数可能接近零,尽管两者其实联系紧密。第二,它对极端值敏感,少数离群点就足以显著改变系数的大小甚至方向,因此在计算之前应先查看散点图。第三,它依赖于变量的取值范围,若样本在某变量上被截断,比如只招募了高分群体,相关系数会被系统性地压低,这种现象称为全距限制。第四,系数的大小并不直接说明因果,也不说明效应的实际重要性,后者还要结合具体情境判断。[1]

相关不等于因果

“相关不等于因果”是统计学中最常被重复、也最常被遗忘的告诫。两个变量相关,至少有四种可能的解释:甲导致乙,乙导致甲,某个第三变量同时导致甲乙,或者纯属巧合。流行病学中曾出现冰淇淋销量与溺水人数正相关的例子,真正的原因既不是冰淇淋也不是溺水,而是气温——天热时人们既多吃冰淇淋又更常游泳。这类由共同原因造成的虚假相关,若不加辨别地被当作因果证据,就会引出错误的干预方案。

反向因果同样棘手。研究若发现经常锻炼的人心理健康状况更好,很容易得出“锻炼改善心理”的结论,但也完全可能是心理更健康的人更有精力去锻炼。横断面数据无法区分这两种方向,只有纵向追踪或实验操纵才能提供线索。还有一个隐蔽的陷阱是聚合层次的错位:在群体层面算出的相关,未必在个体层面成立,反之亦然,这被称为生态谬误。意识到这些可能,才能在看到一个显著相关系数时保持必要的审慎。[2]

其他相关类型

皮尔逊系数并非唯一选择,数据类型不同,适用的相关指标也不同。当数据是等级或存在明显偏态时,斯皮尔曼等级相关系数更为合适,它先把原始值转换为秩次,再对秩次计算相关,因而对极端值不敏感,也不要求线性关系,只要求单调关系。肯德尔等级相关系数基于变量对的一致性来构造,在小样本和存在大量并列秩次时有其优势。当其中一个变量是二分类时,可用点二列相关;两个变量都是二分类时,可用 phi 系数。

在多变量情境中,偏相关与复相关扩展了相关的含义。偏相关在统计上控制住一个或几个额外变量的影响,考察剩余两变量的净关联,这与多元回归中偏回归系数的思路相通。复相关则衡量一个变量与一组变量的整体关联强度。在心理测量里,项目与总分的相关被用来筛选题目,重测相关被用来估计信度,而效标关联效度本质上也是相关系数的一种应用,这些做法都把相关分析嵌入了测量工具的检验流程之中。[3]

影响因素与常见误用

相关系数受多种因素左右,理解这些因素比记住公式更重要。样本量影响的是显著性而非强度:样本足够大时,一个微弱到毫无实际意义的相关系数也可能达到统计显著;样本很小时,一个看似可观的相关可能只是偶然。测量误差则会产生衰减效应,两个变量的测量越不可靠,观测到的相关就越倾向于低估真实关联,这一现象在心理测量中被称为衰减校正问题。变量的分布形态、取值的全距、是否混合了不同的子群体,都会改变系数的大小。

常见的误用还包括:只看系数不画散点图,因而错过曲线关系或由少数点驱动的假象;把相关强度按固定阈值机械地分为“弱、中、强”,忽视了领域惯例与具体情境;在大量变量间两两计算相关而不作多重比较校正,从成百上千个系数里挑出显著者加以解释。这些做法单独看似乎无伤大雅,累积起来却足以让一批研究结论难以复现。相关分析的门槛很低,正因如此,它格外需要使用者自觉约束。[4]

应用与评价

相关分析在心理学中的根基极深。智力测验的编制依赖题目间、分测验间的相关结构;人格研究通过特质间的相关模式勾勒维度;发展研究用纵向相关追踪变量的稳定性与预测力。它也是因素分析的起点——因素分析正是从相关矩阵出发,试图用少数潜在因素解释变量间的关联模式。在临床与健康领域,相关被用来筛查危险因素、估计预后指标的预测价值,尽管这类应用必须谨慎区分预测与因果。

评价相关分析,应当承认它既是利器也是陷阱。作为描述工具,它简洁、直观、适用范围广,能在一张散点图和一个系数里概括大量信息,为进一步建模提供线索;作为推断工具,它不辨因果、不辨方向、易受干扰,若被当作证明机制的证据,就会误导研究。真正成熟的使用方式,是让相关承担它擅长的角色——发现关联、提出假设、检验测量——而把因果的追问留给实验设计与更严格的推断方法。在这个意义上,相关分析不是研究的终点,而是研究开始的地方。[5]

参考资料

  1. ↑ APA Dictionary of Psychology,American Psychological Association,2024年访问
  2. ↑ PubMed Central,National Center for Biotechnology Information,2024年访问
  3. ↑ Reliability,Simply Psychology,2024年访问
  4. ↑ Validity,Simply Psychology,2024年访问
  5. ↑ 中国心理学会官网,中国心理学会,2024年访问