皮尔逊相关系数 r 多大算强相关？

常用 Cohen 标准：|r| 约 0.1、0.3、0.5 分别为弱、中、强相关。但强弱判定还需结合研究领域，社会科学中 0.5 已属较强。

皮尔逊相关和斯皮尔曼相关怎么选？

Pearson 要求变量近似正态且为线性关系、连续数据；数据为等级、非正态或存在异常值时用 Spearman 秩相关更稳健。

需报告 r 值、样本量 n（或自由度）、p 值，并建议给出 r 的 95% 置信区间；r² 可表示共同解释的方差比例。

回归/心理

作者 / 审校：shujufenxi 编辑部·最后审校 2026-04-19

你想描述两个连续变量之间的关系强弱和方向，跑出了相关系数 r 和 p 值，却分不清 r 和 R² 的区别、括号里该填什么，也不确定 r＝0.3 到底算强还是弱、显著就等于关系强吗。

皮尔逊相关系数适用于两个连续变量之间线性关系的度量，前提是两变量近似正态、关系为线性、无极端离群点。它只反映线性相关，不能说明因果，也捕捉不到曲线关系；若变量为等级/有序或严重偏态，应改用 Spearman 等级相关。

报告格式为 r（自由度）＝相关值、p 值，其中自由度＝N−2；注意报告的是 r 本身而非 R²，并按惯例解读强度（约 |r|＝0.1 弱、0.3 中、0.5 强）。方向由正负号说明，正相关同增、负相关此增彼减。

报告示例：学习投入与学业成绩呈显著正相关，r（118）＝0.42，p＜.001，属中等偏强的正向关系，即学习投入越高，学业成绩往往越好。

错误一：把 r 当成 R² 来解读，或声称「r＝0.42 说明成绩的 42% 由投入解释」，其实解释比例应是 R²＝0.42²≈0.18。错误二：把显著（p 小）等同于关系强，大样本下很弱的 r 也会显著，强弱要看 r 的绝对值而非 p 值。

如果你面对一整张相关矩阵不知道重点报告哪些、括号自由度取多少，可以把输出粘贴进统计结果解读器，它会帮你挑出关键相关并生成规范句子；如果需要区分皮尔逊与 Spearman、处理离群点或做偏相关等更复杂的分析，可以预约辅导。

SPSS

# 皮尔逊积差相关
df <- read.csv('data.csv')
cor.test(df$stress, df$sleep, method = 'pearson')  # r、t、df、p 与 95% CI

考察工作压力与睡眠质量之间的相关关系（模拟数据样例，N = 120）。

采用皮尔逊积差相关分析工作压力与睡眠质量的关系。结果显示，二者呈中等程度正相关，r(118) = 0.56，p < .001，95% CI [0.42, 0.67]。这表明工作压力越高，个体报告的睡眠质量问题越严重，二者共享约 31% 的变异（r² = 0.31）。

皮尔逊相关系数 r 多大算强相关？: 常用 Cohen 标准：|r| 约 0.1、0.3、0.5 分别为弱、中、强相关。但强弱判定还需结合研究领域，社会科学中 0.5 已属较强。
皮尔逊相关和斯皮尔曼相关怎么选？: Pearson 要求变量近似正态且为线性关系、连续数据；数据为等级、非正态或存在异常值时用 Spearman 秩相关更稳健。
相关就代表因果吗？: 不代表。相关只反映两变量共同变化的程度，可能由第三变量或反向因果导致，「相关不等于因果」是统计学基本原则。
皮尔逊相关要报告哪些内容？: 需报告 r 值、样本量 n（或自由度）、p 值，并建议给出 r 的 95% 置信区间；r² 可表示共同解释的方差比例。

· Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.
· Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.
· American Psychological Association. (2020). Publication Manual of the APA (7th ed.).

工具输出请自行核对后使用。内容参考见方法论标准。