如何检验两组不同数据的线性回归模型相关性差异？

先回答你的问题：anova()不能这么用 #

直接跑anova(lm1, lm2)行不通，因为anova()做模型比较的核心前提是所有模型必须基于同一个响应变量和完整数据集。你拆分数据集得到的两个lm模型，响应变量是不同子集的y，完全不满足这个条件，所以R会直接剔除第二个模型并抛出警告。

最优方案：用带交互项的线性回归 #

这是检验两组斜率（相关性）差异的标准方法——把分组变量z、自变量x，以及两者的交互项放进同一个模型里，通过检验交互项的显著性来判断两组的相关性是否存在差异。

步骤1：拟合交互项模型 #

不需要拆分数据集，直接用完整数据拟合：

model <- lm(y ~ x * z, data = df)

这里x * z是x + z + x:z的简写，三个部分分别对应：

• x：x对y的整体影响
• z：分组本身对y的影响
• x:z：x的效应在不同分组中的差异（也就是你要检验的「两组相关性是否不同」）

步骤2：检验交互项显著性 #

用anova()分析这个模型的方差结果，重点关注x:z对应的p值：

anova(model)

如果x:z的Pr(>F)小于0.05（或你设定的显著性水平），就说明两组的线性斜率（相关性）存在显著差异。

想看具体斜率？用summary() #

如果想知道A、B两组各自的斜率数值，运行summary(model)即可：

• 分组A的斜率就是x对应的系数（R默认把第一个分组设为参考组）
• 分组B的斜率是x的系数加上x:zB的系数

备选方法：Fisher's z变换 #

要是你只关心相关系数的差异，也可以用Fisher z变换把相关系数转换为正态分布的统计量，再进行t检验：

# 计算两组的Pearson相关系数
cor_A <- cor(df$x[df$z=="A"], df$y[df$z=="A"])
cor_B <- cor(df$x[df$z=="B"], df$y[df$z=="B"])

# 执行Fisher z变换
z_A <- 0.5 * log((1 + cor_A)/(1 - cor_A))
z_B <- 0.5 * log((1 + cor_B)/(1 - cor_B))

# 计算标准误和z统计量
n_A <- 10  # A组样本量
n_B <- 10  # B组样本量
se <- sqrt(1/(n_A - 3) + 1/(n_B - 3))
z_stat <- (z_A - z_B)/se

# 计算双侧检验的p值
p_value <- 2 * pnorm(-abs(z_stat))

cat("Fisher z检验的p值：", p_value, "\n")

不过更推荐用交互项回归，因为它能同时控制分组的主效应，提供的信息更全面，结果也更严谨。

内容的提问来源于stack exchange，提问作者Chris Ruehlemann