统计百科 · 2026-06-24

偏相关与部分相关怎么算？控制变量后的相关怎么用 APA 报告

统计百科：偏相关（partial correlation）与零阶相关的区别，控制第三变量后如何计算偏相关系数，APA 7th 报告句式模板、效应量判断标准及 ChatSRS 一键输出完整方法段落。

你发现"冰淇淋销量"和"溺水人数"显著正相关——但两者都受"气温"驱动，控制气温后相关就消失了。这就是偏相关要解决的问题：从两个变量的关系中"剥去"第三变量的干扰，看剩下的净相关有多大。本文从概念到计算，从 SPSS 到 APA 报告，给你一套完整的操作手册。

一、为什么需要偏相关？

虚假相关与混淆变量

统计课上最经典的例子：

城市消防员人数 ↑ → 火灾损失 ↑（正相关）
鞋码大的孩子阅读能力更强（正相关）

两个例子都存在混淆变量（confounding variable）：前者是"火灾规模"，后者是"年龄/年级"。控制混淆变量后，表面上的相关大幅衰减甚至反转——这种现象叫 辛普森悖论（Simpson's Paradox） 的连续版本。

偏相关（partial correlation） 正是用来回答：

在统计控制变量 Z 之后，X 和 Y 之间还剩多少真实的线性关联？

零阶相关 vs 偏相关

指标	含义	控制变量
零阶相关（zero-order correlation）	X 与 Y 的直接 Pearson r，未控制任何变量	无
偏相关（partial correlation）	控制一个或多个协变量 Z 后，X 与 Y 的净相关	控制全部 Z
半偏相关（semi-partial / part correlation）	只从 X 中去除 Z 的影响，Y 不作处理	仅控制 X 侧

三者数值上：|零阶 r| >= |偏 r| >= |半偏 r|（通常如此，但不绝对）。

二、偏相关的数学原理

2.1 基于残差的直觉解释

控制变量 Z 后，X 与 Y 的偏相关等价于：

用 Z 回归 X，取残差 $e_{X \cdot Z}$（去除 Z 对 X 的线性影响）
用 Z 回归 Y，取残差 $e_{Y \cdot Z}$（去除 Z 对 Y 的线性影响）
计算这两组残差的 Pearson 相关

$r_{XY \cdot Z} = r(e_{X \cdot Z},\ e_{Y \cdot Z})$

这个过程称为 "偏出"（partialling out） 变量 Z。

2.2 代数公式（单个控制变量）

已知三个变量的零阶相关系数 $r_{XY}$、$r_{XZ}$、$r_{YZ}$，可直接计算偏相关：

$r_{XY \cdot Z} = \frac{r_{XY} - r_{XZ} \cdot r_{YZ}}{\sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)}}$

示例：

$r_{XY} = .52$（学习时间与成绩）
$r_{XZ} = .48$（学习时间与学习动机）
$r_{YZ} = .61$（成绩与学习动机）

$r_{XY \cdot Z} = \frac{.52 - .48 \times .61}{\sqrt{(1-.48^2)(1-.61^2)}} = \frac{.52 - .293}{\sqrt{.770 \times .628}} = \frac{.227}{.695} = .327$

控制学习动机后，学习时间与成绩的偏相关从 .52 降至 .327，说明动机解释了两者相关的一部分。

2.3 多个控制变量

控制 $Z_1, Z_2, \ldots, Z_k$ 时，偏相关通过偏相关矩阵（逆相关矩阵）计算，超出手算范围，直接用软件输出。

三、显著性检验与效应量

3.1 t 检验

偏相关系数的显著性通过 t 检验评估：

$t = r_{XY \cdot Z} \sqrt{\frac{n - 2 - k}{1 - r_{XY \cdot Z}^2}}$

$n$ = 样本量
$k$ = 控制变量个数
自由度：$df = n - 2 - k$

3.2 Cohen (1988) 效应量参考标准

偏相关系数与 Pearson r 使用相同的效应量标准：

| 效应大小 | |r| 参考值 | |---|---| | 小效应 | .10 | | 中效应 | .30 | | 大效应 | .50 |

注意：偏相关系数通常小于对应的零阶相关，控制变量越多，偏相关往往越小。

四、半偏相关（part correlation）

与偏相关的区别

半偏相关（也叫部分相关，semi-partial correlation）只从 X 中去除 Z 的影响，Y 保持原始值：

$r_{X(Y \cdot Z)} = \frac{r_{XY} - r_{XZ} \cdot r_{YZ}}{\sqrt{1 - r_{XZ}^2}}$

区别总结：

	偏相关	半偏相关
从 X 中去除 Z 影响	是	是
从 Y 中去除 Z 影响	是	否
主要用途	报告"净相关"、控制混淆变量	回归分析中报告每个预测变量的独特方差贡献
平方含义	—	$sr^2$ = 该变量独立解释的 $R^2$ 增量

在层级回归（hierarchical regression）中，每个变量的半偏相关平方 $sr^2$ 等于该变量加入模型后的 $\Delta R^2$，是报告"增量效度"的标准指标。

五、APA 7th 偏相关报告模板

5.1 必报要素

要素	格式	示例
偏相关系数	$r_p$ 或 $r_{XY \cdot Z}$	$r_p = .33$
自由度	df = n - 2 - k	df = 97
p 值	p = .XXX 或 p < .001	p = .001
控制变量说明	文字说明控制了哪些变量	控制年龄和性别后
效应量解读	参照 Cohen 标准	中等效应

5.2 标准报告句式（单个控制变量）

场景：控制学习动机（Z）后，学习时间（X）与期末成绩（Y）的偏相关，n = 100。

控制学习动机后，学习时间与期末成绩呈显著正相关，
r_p(97) = .33，p = .001，为中等效应（Cohen，1988）。
零阶相关为 r(98) = .52，p < .001；控制学习动机后相关系数减小，
表明学习动机对两者关系具有一定的混淆作用。

格式要点：

偏相关符号：$r_p$（下标 p 代表 partial）或 $r_{XY \cdot Z}$，论文中保持一致即可
括号内写自由度 df = n - 2 - k（不是 n - 1）
p 值不加前导零：p = .001，不写 p = 0.001
同时报告零阶相关作对比，便于读者评估混淆变量影响程度

5.3 多个控制变量的报告句式

场景：控制性别和年龄后，社交媒体使用时间与焦虑水平的偏相关，n = 200。

在控制性别和年龄的情况下，社交媒体使用时间与焦虑水平呈显著正相关，
r_p(196) = .28，p < .001，为中等偏小效应（Cohen，1988）。
未控制协变量时，零阶相关为 r(198) = .35，p < .001。
上述结果表明，即便排除人口统计学变量的影响，
社交媒体使用与焦虑之间仍存在独立的正向关联。

5.4 偏相关矩阵的报告

当同时报告多对偏相关时，使用矩阵表格格式：

表 X 呈现了在控制 [协变量] 后各变量间的偏相关矩阵（N = XXX）。
结果显示，[变量1] 与 [变量2] 呈显著正相关（r_p = .XX，p < .001），
[变量1] 与 [变量3] 的关联未达显著（r_p = .XX，p = .XXX）。

表格格式参考（下三角矩阵，APA 标准）：

变量	1	2	3	M	SD
1. 学习时间	—			4.2	1.1
2. 学习动机	.48**	—		3.8	0.9
3. 期末成绩	.33**	.61**	—	78.5	9.2

注. 偏相关已控制 [协变量]。**p < .01。

5.5 不显著时的报告

控制 [协变量] 后，[X] 与 [Y] 的偏相关未达统计显著，
r_p([df]) = .[XX]，p = .[XXX]，表明 [协变量]
可能是两者零阶相关（r(n-2) = .[XX]，p = .[XXX]）的主要混淆来源。

六、方法章节的标准描述

分析方法说明（可直接套用）

为检验控制 [协变量名称] 后 [X] 与 [Y] 的净相关，
本研究采用偏相关分析（partial correlation analysis）。
显著性检验基于 t 分布，自由度为 n - 2 - k
（n = 样本量，k = 控制变量个数）。
效应量参照 Cohen（1988）标准
（|r| = .10 为小效应，.30 为中效应，.50 为大效应）。
同时报告零阶相关以便与偏相关进行比较。
统计分析使用 ChatSRS（R 引擎），显著性水平设为 alpha = .05。

七、在 ChatSRS 一键获得偏相关报告

打开 chatsrs.com，上传数据后输入：

"对变量学习时间和期末成绩做偏相关分析，控制变量为学习动机；同时输出零阶相关和偏相关系数、t 值、自由度、p 值，以及符合 APA 7th 格式的报告段落，包含效应量解读（Cohen 1988 标准）。"

ChatSRS 将输出：

零阶相关矩阵（含所有变量两两 Pearson r）
偏相关系数 $r_p$、t 值、df、p 值
可直接粘贴进论文结果章节的 APA 格式段落
方法章节描述模板

如需报告偏相关矩阵（多对变量同时控制协变量），可在指令中说明"输出偏相关矩阵，控制变量为 XX"，ChatSRS 自动生成下三角矩阵表格及配套文字。

八、偏相关 vs 相关 vs 回归：怎么选？

这是实操中最常见的困惑。

研究目的	推荐方法
描述 X 与 Y 的线性关联，无控制变量	Pearson / Spearman 零阶相关
控制混淆变量后，X 与 Y 的净相关	偏相关
只控制 X 侧，报告 X 对 Y 的独特贡献	半偏相关（层级回归中的 sr）
一个 X 预测 Y，同时报告其他协变量	多元线性回归
多个 X 同时预测 Y，报告各自贡献	层级回归 + $\Delta R^2$ + 半偏 r

使用偏相关的典型场景：

两变量均有明确的混淆变量需要控制（如年龄、性别、基线分数）
想在散点图上直观呈现"控制后的净关系"
文献综述或元分析需要报告控制后的相关作为效应量指标

九、常见错误与对照

常见错误	正确做法
偏相关写 df = n - 2（忘减控制变量数）	df = n - 2 - k（k = 控制变量个数）
只报告偏相关，不报告零阶相关	同时呈现零阶与偏相关，便于读者评估混淆程度
混淆"偏相关"与"半偏相关"	偏相关两侧均去除 Z；半偏相关只去除 X 侧
p 值写 p = 0.001	p 值不加前导零：p = .001（APA 规范）
将偏相关系数解读为"因果关系"	相关分析不能推断因果，只能说"净线性关联"
控制变量选择随意	控制变量需有理论依据，避免过度控制（删除中介变量）

常见 FAQ

Q：偏相关控制了变量，能说明因果关系吗？

A：不能。偏相关仍是相关分析，控制变量只是统计控制（statistical control），不等于实验控制。控制 Z 后 X 与 Y 仍显著，只说明"在 Z 水平相同的子群体中，X 与 Y 仍有线性关联"，无法排除其他未测量混淆变量的影响。要推断因果，需要随机分配（实验设计）或特定的因果推断框架（如工具变量、断点回归）。

Q：控制了中介变量，偏相关系数接近零——这说明什么？

A：这说明 Z 可能是 X → Y 路径上的中介变量（mediator），而非混淆变量（confounder）。控制中介变量会"阻断"X 对 Y 的间接效应，导致偏相关接近零，这并不是"没有关系"，而是"X 通过 Z 影响 Y"。因此，选择控制哪些变量需要有理论依据，不能把所有相关变量都一股脑控制掉。如需正式检验中介效应，应使用 Bootstrap 中介分析（参见 Bootstrap 中介效应报告）。

Q：偏相关和 ANCOVA 有什么关系？

A：两者思路相同——都在统计层面"去除"协变量的影响。ANCOVA 控制协变量后比较组别均值差异（F 检验），偏相关控制协变量后描述两个连续变量之间的线性关联（r 值）。实质上，在两组（二分类 X）对连续 Y 做偏相关，与 ANCOVA 的 F 检验在数学上等价：$r_p^2 = \frac{F \cdot df_1}{F \cdot df_1 + df_2}$。

Q：Spearman 有没有偏相关版本？

A：有，但不常用。可以先将所有变量秩转换，再用偏相关公式计算秩的偏相关（称为偏 Spearman 相关）。实践中，如果数据明显非正态，更常见的做法是先对原始数据做对数或 Box-Cox 变换，再做偏 Pearson 相关，而非直接用偏 Spearman。ChatSRS 支持对秩数据直接计算偏相关，在指令中注明"使用 Spearman 秩相关"即可。

Q：样本量多少才够做偏相关？

A：偏相关的统计功效随控制变量增多而下降（df = n - 2 - k）。一般建议：每加入一个控制变量，样本量额外增加 10-20 人。控制 2 个变量的偏相关，建议 n >= 100，中效应（r = .30）在 alpha = .05 双尾时约需 84 人（Cohen，1988），加上控制变量余量建议 n >= 100-120。