三个连续变量（出生体重、身长、头围）相关性分析方法咨询

Pearson相关检验的可行性 #

Pearson检验完全可以用来分析这三个变量的成对关联，但有几个前提要满足：

• 三个指标都是连续型变量（出生体重、身长、头围符合这个要求）；
• 变量间存在线性关联；
• 数据服从正态分布、方差齐性。

所以用Pearson之前，得先验证这些假设，不满足的话要换方法。

完整分析步骤 #

1. 数据预处理与探索 #

• 先做描述性统计：计算每个变量的均值、中位数、标准差、极值，快速掌握数据分布情况；
• 识别异常值：用箱线图可视化，对明显不合理的数值（比如出生体重低于500g或高于6000g这类极端值），要么剔除要么标记后单独分析；
• 验证正态性：小样本用Shapiro-Wilk检验，大样本用Kolmogorov-Smirnov检验，也可以画Q-Q图直观判断数据是否贴合正态分布。

2. 关联关系检验 #

• 若满足Pearson假设：对每一对变量（体重&身长、体重&头围、身长&头围）执行Pearson相关检验，得到相关系数r和p值。r绝对值越接近1，关联越强；p值<0.05时，说明关联具有统计学显著性；
• 若不满足Pearson假设：换成Spearman秩相关检验，它不要求正态分布，适合捕捉非线性但单调的关联趋势。

3. 可视化辅助分析 #

• 绘制散点图矩阵：把三个变量两两组合的散点图放在同一画布，直观观察变量间的关联形态（比如是否线性、有没有聚类）；
• 给散点图添加线性拟合线，更清晰展示变量间的线性趋势强度。

4. 进阶分析（可选） #

• 偏相关分析：如果想排除某个变量的干扰（比如看体重和头围的纯关联，剔除身长的影响），可以做偏相关检验；
• 多元线性回归：把其中一个变量作为因变量（比如出生体重），另外两个作为自变量，分析它们对因变量的共同解释力和独立效应。

内容的提问来源于stack exchange，提问作者qwerty123