何謂r值試驗？
r值試驗，或稱為皮爾遜相關係數檢驗（Pearson Correlation Coefficient Test），是統計學中用於衡量兩個連續變量之間線性關係強度與方向的一種方法。這個檢驗的核心在於計算皮爾遜相關係數（r值），並透過統計檢定來判斷觀察到的相關性是否具有統計學意義，即這種相關性是否不太可能僅僅由於隨機誤差而產生。
皮爾遜相關係數 (r值)
r值是一個介於-1到+1之間的數值，其絕對值的大小代表了線性關係的強度：
- r = +1：表示兩個變量之間存在完美的正相關。當一個變量增加時，另一個變量也以相同的比例增加，所有數據點都落在從左下到右上的直線。
- r = -1：表示兩個變量之間存在完美的負相關。當一個變量增加時，另一個變量以相同的比例減少，所有數據點都落在從左上到右下的直線。
- r = 0：表示兩個變量之間不存在線性相關。
- 0 < |r| < 1：表示兩個變量之間存在不同程度的線性相關。|r|越接近1，相關性越強；|r|越接近0，相關性越弱。
r值的正負號則表示相關性的方向：
- 正值 (r > 0)：表示正相關，即一個變量增加，另一個變量也傾向於增加。
- 負值 (r < 0)：表示負相關，即一個變量增加，另一個變量傾向於減少。
r值試驗的原理
r值試驗的目標是判斷觀察到的r值是否能夠代表總體中真實的線性關係，還是僅僅是樣本隨機抽樣的結果。這通常透過假設檢定來實現：
- 虛無假設 (H₀)：總體中的兩個變量之間不存在線性相關（即總體相關係數 ρ = 0）。
- 對立假設 (H₁)：總體中的兩個變量之間存在線性相關（即總體相關係數 ρ ≠ 0）。
統計學家會根據樣本數據計算出觀察到的r值，然後計算一個p值。p值代表在虛無假設為真的情況下，觀察到當前樣本結果或更極端結果的機率。如果p值小於預設的顯著性水平（通常是0.05），則我們拒絕虛無假設，認為觀察到的相關性具有統計學意義，即兩個變量之間確實存在線性關係。
r值試驗的應用
r值試驗在眾多領域都有廣泛應用，包括：
- 科學研究：探討實驗變量與觀察結果之間的關係，例如研究學習時間與考試成績的相關性，或運動量與心率的相關性。
- 醫學研究：分析疾病的風險因素，如吸煙量與肺癌發病率的相關性，或某種藥物的劑量與療效的相關性。
- 經濟學：研究市場因素之間的關聯，例如股票價格與公司盈利的相關性，或廣告投入與銷售額的相關性。
- 心理學：評估心理測驗的效度，或研究不同心理特質之間的關係，例如智商與學業成就的相關性。
- 社會學：分析社會現象之間的聯繫，例如教育水平與收入水平的相關性。
如何解讀r值試驗結果
解讀r值試驗結果時，需要同時考慮r值本身以及p值：
- r值的大小和方向：告訴我們相關的強度和類型。
- p值：告訴我們這種相關性在統計學上是否顯著。
舉例來說：
- 如果r = 0.7，p < 0.05：這表示兩個變量之間存在一個強烈且具有統計學意義的正相關。
- 如果r = -0.2，p > 0.05：這表示兩個變量之間存在一個微弱的負相關，但這種相關性在統計學上不顯著，可能只是隨機誤差造成的。
重要的注意事項：
相關不等於因果 (Correlation does not imply causation)。即使兩個變量高度相關，也不能斷定其中一個變量是另一個變量的原因。可能存在第三方因素同時影響這兩個變量，或者兩者之間不存在直接的因果關係。
常見問題 (FAQ)
如何計算r值？
r值（皮爾遜相關係數）的計算公式為：
$$r = frac{sum_{i=1}^{n}(x_i - ar{x})(y_i - ar{y})}{sqrt{sum_{i=1}^{n}(x_i - ar{x})^2 sum_{i=1}^{n}(y_i - ar{y})^2}}$$
其中，$x_i$ 和 $y_i$ 分別是兩個變量的第 i 個觀測值，$ar{x}$ 和 $ar{y}$ 分別是兩個變量的平均值，n 是觀測對的數量。在實際應用中，通常由統計軟體（如SPSS, R, Python的SciPy庫等）自動計算，無需手動計算。
為何r值試驗只適用於線性關係？
r值試驗的數學基礎是基於協方差和標準差的，這些統計量在衡量線性關係時最為有效。如果兩個變量之間的關係是非線性的（例如曲線關係），即使它們之間存在很強的模式，r值也可能接近於0，從而誤導我們認為它們之間沒有關係。因此，在使用r值試驗之前，最好先對數據進行散點圖分析，以視覺化檢查變量之間的關係是否近似線性。
在什麼情況下不適合使用r值試驗？
r值試驗主要適用於兩個連續變量且關係近似線性的情況。如果不適合使用r值試驗，則可能因為以下原因：
- 變量類型不符：其中一個或兩個變量是類別變量（如性別、顏色），則應使用其他方法，如卡方檢定（Chi-squared test）或點二列相關（Point-biserial correlation）。
- 關係非線性：如前所述，如果關係是彎曲的，r值可能偏低。
- 存在異常值（Outliers）：極端的異常值會對r值產生很大的影響，可能扭曲結果。
- 數據不獨立：如果數據點之間存在序列相關或其他形式的依賴性，則標準的r值檢定可能不準確。
- 違反常態性假設（在進行顯著性檢定時）：雖然計算r值本身不嚴格要求常態性，但進行p值的統計顯著性檢定時，對於小樣本，常態性是其中一個常見的假設。
如何判斷r值的顯著性水平？
r值的顯著性水平通常由p值來判斷。統計軟體在計算r值時，通常也會一併提供對應的p值。標準的顯著性水平（α）通常設定為0.05。如果計算得到的p值小於α（即p < 0.05），則認為觀察到的相關性在統計學上是顯著的，可以拒絕虛無假設；反之，如果p值大於或等於α（p ≥ 0.05），則認為觀察到的相關性不夠顯著，不足以支持兩個變量之間存在真實的線性關係。
r值試驗的局限性是什麼？
除了「相關不等於因果」這一最為人知的局限性外，r值試驗還有其他需要注意的方面：
- 對異常值敏感：極端的數據點會嚴重影響r值的計算。
- 只能衡量線性關係：無法捕捉非線性模式。
- 樣本大小的影響：在小樣本中，即使是很小的相關性也可能因為隨機性而顯著；而在大樣本中，即使是很強的相關性，也可能因為數據量的龐大而顯得不顯著。
- 假設條件：準確的p值計算通常依賴於一些假設，例如變量服從聯合常態分佈（對於小樣本）。
