Kendall’s tau-b相关分析

所属分类：相关性分析

这个方法是做什么的

同样衡量两个变量之间单调关系的强弱与方向，但它的定义是数“对”：任取两个观测，两个变量的排序方向一致就记一个一致对，相反就记一个不一致对，τ-b 等于一致对减不一致对，再除以一个对两侧的结（重复值）做过修正的分母。因此它有一个 Spearman ρ 没有的直观读法——实测最强的一对 τ-b = 0.534，等价于说“随机抽两个观测，两变量同向排序的概率是 76.7%”。拖拽区收[定量/定序]列，至少 2 列，一次拖入多个会把所有两两组合都算一遍；无序定类必须先做有序数值编码，模块不会按字母序静默转秩。缺失采列表删除，至少 20 行。

除了 τ-b 与 p 值，主结果表还给 S = C − D、z 统计量与 95% 置信区间。卡① 给稳健描述统计（中位数与四分位数）、逐变量的结组个数与结比例，以及逐对的分段单调性诊断（低值段与高值段分别算段内 τ-b，并与 Spearman ρ 交叉核查）和留一法 max|Δτ|。卡④ 给一致概率 (τ+1)/2、换算到 Pearson r 量纲的 r̂ = sin(π·τ/2)、Cohen 口径的效应量等级与 Holm-Bonferroni 校正后的判定；卡③ 的热力图色阶固定在 [−1, 1]，便于跨报告比较。本模块同样不做正态性检验。

需要准备什么数据

• 放入[定量/定序]分析变量：至少 2 个，定量变量（数值）

数据要求

• 数据表至少 20 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 5 点或 7 点李克特量表各题项之间的关联——并列极多，正好对上 τ-b 的结修正
• 样本量只有几十条，想要一个比 ρ 更不容易被单点带跑的等级相关
• 两位评审对同一批作品的打分排序是否一致
• 需要一个能直接讲成概率的关联指标（一致概率），而不只是一个抽象系数

前提与其他等级相关一致：变量至少是定序尺度（能排出高低），观测相互独立，关系需要是单调的。要额外记住的是量纲问题——τ-b 与 Pearson r、Spearman ρ 不在同一把尺子上，同一份数据里 |τ-b| 通常明显小于 |ρ|，所以卡① 和卡④ 才专门给了两套换算值。另外结比例过高时，τ-b 能达到的最大绝对值会明显小于 1，卡① 会逐变量把结比例报出来。

什么时候不要用它

• 两个变量都近似正态、关系又是直线：用「Pearson相关性分析」，检验效能更高，r² 也能按原始数值解释。
• 变量接近连续、结很少，而且你要和文献里的 ρ 对照：用「Spearman相关分析」更省事，两者在这种数据上结论通常一致。
• 关系不是全程单调（U 形、倒 U 形）：τ-b 会被压到接近 0，先看秩散点图，再用「拟合工具箱」或「限制性立方样条(RCS)」描述曲线形状。
• 你想问的是“控制住某个变量之后还剩多少关联”：用「偏相关分析」。等级相关同样不等于因果，也排除不掉第三变量造成的伪相关。
• 要评的是三位及以上评分者排序的整体一致性：用「Kendall一致性检验」；如果评的是分类判断（阴性 / 阳性）而不是排序，用「Kappa一致性检验」。
• 两列都是无序分类（渠道、品牌）：秩相关不适用，用「列联（交叉）分析」。

容易误读的地方

• 不能拿 Pearson r 的经验阈值直接判读 τ-b。 同一份数据里 |τ-b| 系统性地小于 |ρ|：实测最强的一对，Spearman 给 ρ = 0.633，这里给 τ-b = 0.460。而卡④ 的“效应量等级”列用的正是 Cohen 给 r 设的阈值，于是同一对变量在「Spearman相关分析」里被判“大”、在这里被判“中等”——两处并不矛盾，只是尺子不同，表注自己也写明这套阈值对 τ 偏严格。要横向比较，请用同表的 r̂ = sin(π·τ/2)（换到 Pearson r 量纲）或卡① 表3 的 ρ̂ = (6/π)·arcsin(r̂/2)（换到 Spearman ρ 量纲）。这两个公式不一样，别混用：直接拿 sin(π·τ/2) 去和 ρ 比，会带来约 0.01~0.02 的系统性偏差。
• |τ-b| 比 |ρ| 小，不代表它更不显著。 系数的量纲和检验是两回事。实测同一份数据的一对变量，τ-b = −0.161、p = 0.009，而 Spearman 的 ρ = −0.231、p = 0.011——绝对值更小的那个反而更显著。判断显著性看 p 与置信区间，判断强度看系数与一致概率，不要用其中一个去推另一个。
• 置信区间和 p 值可能给出相反的判定，因为它们不是同一条路算出来的。 表注写明：p 由含结修正的 Kendall 渐近方差给出（样本小且无结时改用精确分布），而 95%CI 走的是 Fieller 等(1957) 的 arctanh 变换，标准误 √(0.437/(N−4)) 只依赖样本量，不含任何结修正。实测一份 5 点李克特数据就出现过 τ-b = 0.141、p = 0.059（不显著），95%CI 却是 [0.022, 0.256]（不含 0）。并列多的时候以 p 为准，只有它把结算进了方差；无论如何，这种边缘结果不要当成确定结论。
• τ-b 接近 0 只能排除单调关系，而且靠“τ 和 ρ 对得上”查不出非单调。 实测一份倒 U 形数据：整体 τ-b = −0.108（p = 0.080），由它换算的 ρ̂ = −0.161 与实算的 ρ = −0.104 只差 0.058，看着完全自洽；真正暴露问题的是同一行的分段 τ-b——低值段 0.817、高值段 −0.872。表注说得很明白，U 形下整体 τ-b 与 ρ 会同时趋近 0 且方向一致，只比较这两个数察觉不到。判定阈值是两段方向相反且强度均达 0.30，每段至少 10 条数据；该列显示为“—”表示诊断未执行，不代表通过。
• 结太多时 τ-b 根本到不了 1，而多重比较照样要做。 卡① 给结组个数与结比例，达到 50% 就判为“结较多，τ-b 的可达上界被压缩”（实测 5 点李克特数据的结比例是 95.8%）。分母的结修正让它比 ρ 更适合这类数据，但压缩依然存在，不要看到 0.4 就断定“只有中等关联”。另外拖 5 个变量就是 10 次两两检验，卡④ 给 Holm-Bonferroni 校正：本例校正前后都是 6 对显著，说明这些关联足够强，但这不是常态——换一份数据校正后掉下来几对是很常见的，结论请以校正后那一列为准。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：Kendall's tau-b 主结果表
3. 输出结果三：可视化
4. 输出结果四：效应量与多重比较校正
5. 输出结果五：结论与学术表述