研究背景
教育研究者调查了50名大学生的每周自主学习时间（小时）和期末GPA（4.0制），想探索两者是否存在线性关系，以及关系强度如何。
研究问题
学习时间与GPA是否显著相关？相关程度如何？
数据说明
50名学生的自我报告学习时间和官方GPA记录。散点图显示大致线性关系，无明显异常值。两变量均满足正态性。
示例数据
5, 8, 10, 12, 15, 18, 20, 7, 11, 14, 16, 22, 9, 13, 17, 19, 6, 10, 14, 21, 8, 11, 15, 18, 23, 7, 12, 16, 20, 9, 13, 17, 11, 14, 19, 22, 10, 15, 18, 8, 12, 16, 20, 13, 17, 21, 9, 14, 19, 23
2.5, 2.8, 3.0, 3.2, 3.4, 3.6, 3.8, 2.7, 3.1, 3.3, 3.5, 3.9, 2.9, 3.2, 3.5, 3.7, 2.6, 3.0, 3.3, 3.8, 2.8, 3.1, 3.4, 3.6, 3.9, 2.7, 3.2, 3.5, 3.7, 2.9, 3.2, 3.6, 3.1, 3.3, 3.7, 3.9, 3.0, 3.4, 3.6, 2.8, 3.2, 3.5, 3.8, 3.3, 3.6, 3.8, 2.9, 3.4, 3.7, 3.9
分析步骤
步骤 1：选择Pearson还是Spearman
如果两变量都是连续变量且满足正态性、线性关系，用Pearson积差相关。如果数据偏态、有异常值、或是等级数据，用Spearman等级相关。
提示：Pearson相关衡量的是线性关系强度，非线性关系即使很强也可能r≈0。
步骤 2：解读相关系数
计算得到 r=0.92, p<0.001。根据Cohen标准，|r|>0.5为大相关。这里r=0.92说明学习时间能解释GPA变异的85%（r²=0.85）。
步骤 3：相关不等于因果
即使r=0.92且p<0.001，也不能说"增加学习时间就能提高GPA"。可能存在第三变量（如学习能力、动机）同时影响两者。
结果解读
结论
Pearson相关分析显示，学习时间与GPA呈统计学显著正相关，r(48)=0.92, p<0.001。学习时间越长，GPA越高。决定系数r²=0.85，说明学习时间能解释GPA 85%的变异。
为什么这样解读？
强相关不等于因果关系。可能是"学习能力强的学生既学得更久又考得更好"，或者"家庭条件好的学生有更多时间学习且能获得更好资源"。要推断因果需要实验设计。
如何在论文中报告
采用Pearson相关分析考察学习时间与GPA的关系（α=0.05，双侧）。结果显示，两者呈统计学显著正相关，r(48)=0.92, p<0.001, r²=0.85。这表明学习时间能解释GPA 85%的变异，学习时间越长的学生GPA越高。但需注意，相关关系不能推断因果关系。
常见错误
看到高相关就说"X导致Y"
相关系数无论多高都不能证明因果。必须通过实验操纵、纵向研究或结构方程模型等方法才能推断因果方向。
用Pearson相关处理非线性关系
如果散点图显示曲线关系（如U型），Pearson r会低估真实关系强度。此时应转换数据或用非参数方法。
忽略异常值的影响
单个极端值可能大幅扭曲r值。应先画散点图检查，必要时报告剔除异常值后的稳健相关（如Spearman）。