Stata 相关性分析表：相关系数矩阵加显著性星号
更新于
Stata 相关性分析表怎么写？可以先照这句写（数字来自本站演示数据，模拟生成，不代表真实研究结论）：工作压力与情绪耗竭显著正相关（r=0.704，p<0.001）。本站「Pearson相关性分析」一次给出相关矩阵、显著性、置信区间、散点图与多重检验校正。
论文里的相关表有三个常见问题：星号没有写出对应的阈值，多重检验没有校正，成对样本量不一致却没有说明。下面按照表的版式、数字来源、退回写法和正文示例四步说明。
相关系数矩阵的标准格式
本例取演示数据的 85% 随机子样本（随机种子 41），102 条记录，无缺失，五个变量：工作压力得分、情绪耗竭得分、职业倦怠得分、睡眠质量得分、组织支持感。下表是相关矩阵（下三角），数字来自真实运行结果：
| 变量 | 工作压力 | 情绪耗竭 | 职业倦怠 | 睡眠质量 | 组织支持感 |
|---|---|---|---|---|---|
| 工作压力得分 | 1 | ||||
| 情绪耗竭得分 | 0.704*** | 1 | |||
| 职业倦怠得分 | 0.710*** | 0.502*** | 1 | ||
| 睡眠质量得分 | -0.638*** | -0.511*** | -0.465*** | 1 | |
| 组织支持感 | 0.260* | 0.283* | 0.099 | -0.162 | 1 |
表注：* p<0.05，** p<0.01，*** p<0.001（双侧，星号按 Holm 校正 p）；N=102（成对删除，全变量完整个案同为 102）；对角线为 1，不参与显著性检验。
每个数字从哪来
相关系数、t 值与置信区间来自「Pearson 积矩相关系数、显著性检验与 95% 置信区间」表；系数与区间取自该表，本篇星号统一按效应量卡中的 Holm-Bonferroni 校正 p 标注。5 个变量产生 10 次两两检验；各按既定水平检验仍会增加整组误报风险，因此本篇预先选择 Holm 口径。本例 8 对在未校正的 0.05 水平显著，校正后仍显著的也是这 8 对，工作压力与组织支持感的 p 由 0.008 变为 0.025，情绪耗竭与组织支持感由 0.004 变为 0.016，职业倦怠与组织支持感（0.321）、睡眠质量与组织支持感（0.209）不显著。
效应量等级按 Cohen（1988）划分：|r| 不低于 0.5 为大，0.3 到 0.5 为中，0.1 到 0.3 为小。本例工作压力与情绪耗竭 r²=0.495、与职业倦怠 r²=0.504、与睡眠质量 r²=0.407，都属于大；职业倦怠与睡眠质量 r=-0.465（r²=0.216）为中；工作压力与组织支持感 r²=0.067 为小；职业倦怠与组织支持感 r²=0.010 为微弱。
下表补充秩相关与留一法单点影响读数。它帮助发现线性摘要之外的敏感性，但两种相关接近、单点变化较小也不验证整个关系形态。
错误写法和规范写法
| 常见写法 | 规范写法 |
|---|---|
| 表中只标 *，不说明 | 表注写明 * p<0.05，** p<0.01，*** p<0.001（双侧） |
| 用未校正的 p 标星号 | 十次检验以 Holm 校正后的 p 为准 |
| 工作压力影响了情绪耗竭 | 二者呈正相关，相关无法辨认因果 |
| 相关显著就是有用 | 同时报告关联量级与区间，星号不决定实际重要性 |
| 只写 N=102 | 说明成对删除，本例无缺失，全变量完整个案同为 102 |
正文段落示例
表 2 按 Holm 校正标注五个变量的相关。压力与耗竭、倦怠呈正相关，与睡眠呈负相关；职业倦怠与组织支持感的相关为 0.099，本次未检出显著关联。本文报告的是两变量的样本关联及不确定性，未将显著性或关联方向解释为因果关系。
Stata 相关性分析的前提要核查什么
相关系数只捕捉线性关系。本例每一对变量同时给出 Spearman ρ，二者的差距很小，最大不到 0.04，但这不足以验证关系为线性；留一法逐个剔除观测，相关系数的最大变化都小于 0.10，本次逐一删除任一单点后的最大相关变化低于该经验阈值，不能排除多点共同影响。成对删除意味着每一格用的是两个变量都不缺失的行，缺失较多时同一张矩阵里的系数可能来自不同的子样本，本例无缺失，所以各格样本量一致。散点图仍然是必要的一步，因为接近零的样本 r 未必排除线性关联，更无法排除非线性形态。
开通会员后可导出 Word / PDF 报告、使用 AI 解读。导出后仍应核对本次样本与变量设置。
延伸阅读
常见问题
- 相关系数矩阵里的显著性星号要用校正后的 p 吗？
- 先说明显著性标记采用原始还是校正后的 p，并在整张矩阵中保持一致。本次报告提供 Holm 校正；校正回答一组比较的错误控制，无法把两种口径的星号混用。
- 变量没通过正态性检验，还能做 stata相关性分析吗？
- 相关系数本身是描述量，但参数检验和区间有相应假设。正态性警示后还应检查异常值、关系形态和样本设计，必要时用秩相关作为不同口径的描述。
- 相关系数显著就说明两个变量有因果关系吗？
- 不说明。r 显著只说明两个变量一起变，谁先谁后、谁影响谁，数据里没有这个信息。显著也不一定有用，要结合 r² 与效应量等级判断。