Thesis相关系数计算器（Pearson r / Spearman ρ）
粘贴两列配对数据，几秒钟算出 Pearson r、Spearman ρ、双尾 p 值与 r² 决定系数——纯浏览器本地计算、数据不上传，免注册、完全免费。「两个变量有没有关系、关系多强」是问卷与实证论文最高频的分析之一。
免注册 · 公测期免费 · 数据留在你的浏览器本地
为什么相关分析值得自己先算一遍
满意度与忠诚度、学习时长与成绩、压力与倦怠——两个连续变量的关系分析几乎每篇问卷与实证论文都要做，交前自己算一遍，比被评阅人问「r 是多少」才回去翻数据从容得多。
同时给 Pearson 积差相关（线性关系）与 Spearman 等级相关（单调关系、抗极端值），两者差别大时提示数据可能非线性或有离群点，帮你选对该报哪一个。
同时给显著性检验的 t 值与双尾 p 值、r² 决定系数与相关强度分档判读——「相关显著但很弱」这类结论期刊与评阅人越来越看重，只报 r 不报 p 容易被追问。
计算在你的浏览器里完成，数据不发送到服务器，不调用 AI，随时可以换一组数据重算。
怎么用（3 步）
- 从 Excel/SPSS 里分别复制两个变量的数据（各一列，顺序须一一对应）粘贴进两个输入框，Tab/逗号/空格/换行分隔均可；
- 点「计算相关系数」查看 Pearson r、Spearman ρ、t/df/p、r² 与强度判读；
- 把结果句式一键复制进论文数据分析章，正式结论建议再用 SPSS/R 复核一遍。
常见问题
计算用的是什么公式？
Pearson r 用积差相关公式 r = Σ(x−x̄)(y−ȳ)/√(Σ(x−x̄)²·Σ(y−ȳ)²)；显著性检验用 t = r√((n−2)/(1−r²))、df = n−2，双尾 p 值由 t 分布的不完全 beta 函数精确计算。Spearman ρ 先对两列分别排秩（并列取平均秩），再对秩做 Pearson 相关，与 SPSS 的 Bivariate Correlations 口径一致。
该报 Pearson 还是 Spearman？
两个变量都近似正态、关系大致线性时报 Pearson；数据是等级/顺序变量（如李克特单题）、明显偏态或有极端值时报 Spearman。两者结果差别大往往提示非线性关系或离群点，建议先画散点图看一眼。
r 多大算相关强？
常用经验分档（Cohen）：|r| ≥ 0.5 强相关、0.3-0.5 中等、0.1-0.3 弱相关、<0.1 可忽略；不同学科惯例有差异（心理学与教育学常用此档）。r² 表示一个变量可由另一个解释的变异比例，报告时建议 r 与 p 同时给。
相关显著就说明有因果关系吗？
不能。相关只说明两个变量共同变化，方向与因果无法由 r 判断，还可能存在第三变量同时影响两者。论文里把「相关」写成「影响/导致」是评阅人最常圈的表述错误，因果结论需要实验设计或因果推断方法支撑。
我的数据会被上传吗？
不会。计算完全在你的浏览器本地完成，任何数据都不发送到服务器，也不调用 AI 服务。
相关算完了，数据分析章一站写完
工作台覆盖选题→开题→大纲→分章写作→文献→自查→导出全流程：把相关矩阵与检验结果挂进对应章节让 AI 严格依据数据成文，不编造数字，全程免注册、免费。
免费打开工作台