相关矩阵：Pearson 还是 Spearman？显著性星号与表注
实证论文中相关分析用于展示变量关系与多重共线性初筛。说明两种系数适用场景、对角线与星号规则、以及 Stata pwcorr/spearman 对照写法。
Pearson 与 Spearman 怎么选
Pearson（积矩相关）衡量线性关系，要求变量近似连续、关系近似线性；Likert 量表在实务中常用 Pearson，但需在方法部分说明计分方式。
Spearman（秩相关）基于排序，对偏态、异常值更稳健，适合序数变量或明显非线性的单调关系。若 Pearson 与 Spearman 符号/显著性差异大，应检查散点图与极端值。
SchoolStore 相关工具支持两种方法，listwise 删除缺失；Stata 对照：pwcorr varlist, sig star(0.05)；spearman varlist, star(0.05)。
相关矩阵表格格式
常见格式：下三角或全矩阵；对角线报告均值与标准差（或 1.00）。变量顺序建议与理论模型一致：自变量、中介、因变量、控制变量。
显著性星号：* p<0.05，** p<0.01，*** p<0.001（须在表注统一说明）。双尾检验为默认；若用单尾，必须在方法部分给出理由，否则审稿人会质疑。
相关系数多大算「高」
不要盲目用 0.7 当「高相关」门槛。Cohen 经验法则（0.1/0.3/0.5）仅作参考，学科差异很大。更重要的是：符号是否符合理论预期、是否与后续回归系数方向一致。
若两自变量相关 >0.8–0.9，应警惕多重共线性，结合 VIF 诊断；但 r=0.5 并不必然不能同时进入回归，需看 VIF 与理论必要性。
相关分析不能代替什么
相关不等于因果；论文中避免写「X 导致 Y 相关更高」。控制混淆变量后的关系应看偏相关或多元回归，而非只看零阶相关。
相关矩阵通常不出现在因果推断的核心论证里，而是数据描述与模型前置。正式假设检验以回归、中介、调节模型为主。
表注清单（可直接改写使用）
Notes: N = …; pairwise/listwise deletion; * p < .05, ** p < .01, *** p < .001 (two-tailed). Diagonal entries are mean (standard deviation).
若使用构念得分，表注注明「构念得分 = 对应题项均分，α = …」；若用原始题项，需说明题项数与计分范围。