相关确定是要分析不同因素间的相关性？( 二 ) _因变量

研究设计还可以帮助我们区分自变量和因变量。例如，我们计划进行一项研究，分析不同剂量药物的治疗效果，其中治疗药物为自变量，治疗效果为因变量。

文章插图
比如我们想知道抗感染药物的剂量（1.5mg/d、4mg/d或8mg/d）与患者发热持续时间的关系，抗感染药物的剂量是自变量，因为该剂量是由研究者干预产生的，并且可能是导致发热持续时间差异的原因；在这项研究中，同时发热持续时间是因变量。
横断面调查不区分自变量和因变量。例如，研究人员调查了受试者的工作效率（1-5 类：1 非常有效，5 非常低效）与??运动状态（1-4 类：1 是经常运动，4 是不运动）的关系。
在本研究中，受访者的工作效率与运动状态之间没有明确的因果关系，因为效率高可能意味着受访者有更多的时间锻炼，反之亦然，定期锻炼也可能提高工作效率。因此，我们不区分本研究的自变量和因变量。
选择测试方法
本文首先描述了研究中涉及的两个变量。
1.1 是连续变量
①相关
相关性用于评估两个连续变量之间的线性关联强度。这种统计方法本身并没有区分自变量和因变量，但是如果你已经根据研究背景区分了变量，我们仍然可以使用这种方法来判断相关性。
②简单线性回归
相关性不区分自变量和因变量。虽然这并不影响我们使用相关性来分析两个连续变量的相关性，但是如果还想区分统计方法，可以使用线性回归。
1.2 是有序的分类变量
还需要判断序数分类变量是否为距离变量。如果要分析的序数分类变量被认为是一个范围变量，我们可以给变量中的类别赋值，然后根据这些值进行分析（即把它当作一个连续变量），例如测量满意度（从“完全同意”到“完全不同意”5 个类别）是一个距离变量，可以为每个类别分配 1-5 的值，即 1=非常同意，2=同意，3=平均, 4=不同意，5=非常不同意。
对于不能作为定距变量的有序分类变量，例如军衔的类别（少将、中将、上将、上将等）不是等距的，所以不能赋值??分析值????（仅分析类别）。
实际上，在大多数情况下，将有序分类变量分析为连续变量可能无法达到我们的目的。分析类别是有序分类变量相关性分析的常见选择。但是，如果基于研究背景，将要分析的序数分类变量确实可以作为区间变量处理，这也是可能的。
(1）可以认为是一个距离变量
- 趋势测试。该检验也称为 - 卡方检验、 - 趋势卡方检验。该检验根据研究人员对有序分类变量的类别的分配确定两个有序分类变量之间的线性趋势。
(2）不能视为区间变量
①相关
相关性，也称为等级相关性，用于检验与至少一个有序分类变量的关联强度和方向。
②的tau-b相关系数
的 tau-b 相关系数是一种非参数分析方法，用于测试与至少一个有序分类变量的关联强度和方向。该测试与相关应用基本相同，但更适用于具有多个关联的数据（如列联表）。
1.3都是无序的分类变量
①卡方检验
卡方检验常用于分析无序分类变量之间的相关性，也可用于分析二元变量之间的关系。但是，该检验只能分析相关性的统计显着性，不能反映相关性的强弱。因此，我们经常结合的 V 检验来表示关联的强度。
②精确测试
精确检验可用于检验任意R*C数据之间的相关性，但最常用于分析2*2数据，即两个二元变量之间的相关性。与只能拟合近似分布的卡方检验不同，精确检验可以分析精确分布，更适合分析小样本数据。但该检验与卡方检验一样，只能分析相关性的统计显着性，不能反映相关性的强弱。