图解统计

1描述统计

均值、标准差、分布形态 —— 给一组数据画张"速写"

为什么需要它

做任何分析之前，先要看清数据本身。原始数字罗列在一起，仅凭观察难以把握整体特征——需要先回答三个问题：中心在哪儿、散得多开、形状是否对称。描述统计正是回答这三个问题，为数据画一张"速写"。跳过这一步直接做推断，相当于未了解全貌就下结论。

它算不上"高级方法"，但通常是论文结果章的第一节，也是决定后续用参数检验还是非参数检验的依据——分布偏态较重时，t 检验的前提便难以满足。

直观理解

下图是一组数据的直方图。拖 μ 滑块移动分布的中心、拖 σ 放大或收窄散布，观察柱形、均值线和 ±1σ 带如何随之变化。σ 越大，柱形越矮宽、数据越分散；σ 越小，柱形越高窄、数据越集中。这就是"标准差"在图形上的直观呈现。

公式

均值反映中心，标准差反映离散，偏度峰度反映形状。三者合在一起才能较完整地刻画数据——只报均值不报标准差，是较为常见的报告缺漏。

前提假设

• 量纲合适：连续变量才能谈均值标准差；分类变量用频率。
• 先查异常值：一个极端值可大幅拉偏均值，但对中位数影响有限——比较两者差距有助于识别离群。
• 样本充足：样本过小，分布形态本身也不稳定。

何时用 · 何时不该用

• 用：通常先于推断。作为结果章第一节，并决定后续采用参数还是非参数检验。
• 别用：试图据此下因果结论——描述统计只说明"是什么"，不回答"为什么"。

常见误区

2频率分析

分类变量的比例与差异 —— χ² 检验两组比例是否存在差异

为什么需要它

性别、是否、学历等级——这类分类变量不宜用均值描述，而需统计频数、计算比例。两组比例存在差异，究竟是真实差异还是抽样波动所致？卡方检验正是回答这一问题：它将"观察到的频数"与"假设两组无差异时应有的频数"加以比较，偏离较大即提示"存在差异"。

频率分析兼具分类数据的描述统计与推断统计功能：先看各组占比，再检验差异是否显著。

直观理解

下图是 2×2 列联表：实验组 vs 对照组各 n 人，"改善/未改善"堆叠成条。拖两组改善率（p̂₁、p̂₂）和每组样本量 n，看 χ²、p 和 Cramér's V 怎么变——两组比例差越大、χ² 越大；但 χ² 同时受 n 影响：同样的 10% 改善差，n=30 未必显著、n=400 即可"显著"，而 V 几乎不变。这也是为何不能只看 p。

公式与 χ²

期望频数 E 即"假设两组确无差异时，每格应有的人数"。观察值 O 偏离 E 越远，χ² 越大。df=1 时 χ²≥3.84 对应 p<.05。

前提假设

• 期望频数够大：每格 E≥5 是经验下限，不足时宜用 Fisher 精确检验。
• 样本独立：配对数据（如同一人前后测）不宜用普通 χ²，宜用 McNemar。
• 分类互斥：每个观测只落一格。

何时用 · 何时不该用

• 用：分类变量描述、列联表独立性检验、两组比例比较。
• 别用：变量是连续的——该用 t 检验或回归；配对设计——该用 McNemar。

常见误区

3相关分析

两个变量共变的强度与方向 —— r 从 -1 到 +1

为什么需要它

分类变量用频率看比例差异，连续变量则看共变——这就是相关。了解两个变量"是否一同变化"是分析的起点：睡眠时长和成绩有无关系、多强、正向还是负向，相关系数 r 可一并呈现。它是后续回归、中介、调节的入口：缺乏相关基础，进一步建模便缺少依据。

但相关也是最常被误用的统计量，因为它最容易被读作"因果"。下面的混淆开关将演示：r 可能被第三个变量"凭空"造出来。

直观理解

下图是散点图。拖 r 看点从离散状态收紧成一条线——r 越接近 ±1，点越紧贴一条直线；r 越接近 0，点越分散。随后打开"混淆变量"开关：r 似乎发生变化，但 X 与 Y 之间其实并无真实关联——是第三个变量同时影响了二者。这就是"相关≠因果"的图示版。

公式与 r

r 衡量的是线性共变的强度。非线性关系（如 U 型）r 可能等于 0，但关系确实存在——此时宜用 Spearman 秩相关。

前提假设

• 线性关系：非线性关系宜用 Spearman，或先画散点观察形态。
• 无极端异常值：r 对离群点较为敏感，单个点可能将 r 从 0 拉至 0.8。
• 连续变量：分类变量宜采用其他关联度量。

何时用 · 何时不该用

• 用：探索两个变量关系、筛选后续建模候选变量、信效度里的题总相关。
• 别用：试图下因果结论；多元场景下只看两两简单相关（易受混淆变量影响，宜看偏相关或回归）。

相关≠因果

4组间比较

两组均值差多少才算"存在差异" —— t、p、Cohen's d

为什么需要它

实验组与对照组、男对女、干预前对干预后——两组均值存在差异，究竟是干预确有效果，还是抽样波动所致？t 检验将"均值差"与"组内波动"放在一起比较：差异显著大于波动，才认为"存在差异"；差异被波动淹没，则归于随机噪声。

它与相关分析互为兄弟：相关看两个连续变量"是否一同变化"，组间比较看一个分类变量"是否使一个连续变量的均值产生差异"——本质都是考察"关系"，只是变量角色不同。

直观理解

下图是两组分布。拖均值差 Δ 拉开两峰、拖 σ 改变各自的宽窄，观察重叠区、t、p、Cohen's d 如何变化——两峰分离越远、各自越窄，t 越大、越容易显著；两峰重叠成一团则不显著。关注的是分离程度，而非均值的绝对大小。

t 检验与 Cohen's d

t 将均值差按"组内标准误"标准化；d 将均值差按"组内标准差"标准化。t 管"是否真实"，d 管"差异多大"。多组别直接做两两 t 会膨胀一类错误，宜用 ANOVA 先做整体检验、显著后再做事后两两比较。

前提假设

• 正态：偏态较重时宜用 Mann-Whitney U（两组）或 Kruskal-Wallis（多组）。
• 方差齐性：方差不齐时宜用 Welch 修正的 t。
• 独立样本：配对设计（前后测）用配对 t。

何时用 · 何时不该用

• 用：两组比较用 t、多组用 ANOVA、非参数场景用秩检验。
• 别用：连续自变量——宜用回归；对配对数据误用独立 t（宜用配对 t）。

常见误区

5信度分析

量表是否稳定一致 —— Cronbach α 与题目数、题间相关

为什么需要它

前面相关、组间比较中用到的"学业表现""自我效能"分数，都由几道题汇总而成——这些分数是否稳定，直接影响前述结论是否可信。一个量表测量同一构念，在多次或多个题目之间应保持一致；若测量本身波动较大，后续所有相关、回归、中介的系数都会被衰减压低——信度偏低，地基就不牢，其上的估计也会偏离。信度分析正是评估这块地基是否稳固。

它安排在相关、回归之前是有道理的："学业表现""自我效能"都是几道题汇总的分数，题目汇总是否稳定，直接决定后续能否用该分数进行更复杂的建模。

直观理解

下图把 r̄ 从抽象数值呈现为题 × 题相关矩阵热力图——每个格子是一对题目的相关，越红相关越强、对角线=1。拖 k（题目数）和 r̄（平均题间相关），观察矩阵色块和 α 如何变化。题目越多、题间相关越高，α 越高；但点开下方两个预设——「少而精·4题」和「多而水·20题」——会得到同样的 α≈0.80，矩阵却差异很大：一个 4 格深红、一个 400 格暗淡。α 本身区分不出哪个更扎实。

Cronbach α 公式

α 本质上衡量"题目之间的一致程度"——题数越多、题间相关越高，α 越高。但 α 高不等于量表好，它只说明"测得稳"，不说明"测的是你想测的对象"（后者属效度，是后续结构方程模型 CFA 的范畴）。

前提假设

• 单维性：多维度量表要分维度分别算 α，整体算会虚高。
• 题目同向计分：反向题要先反向计分。
• 连续或近连续：二分题用 KR-20。

何时用 · 何时不该用

• 用：量表正式使用前、论文信效度章、判断该删哪题（看删题后 α）。
• 别用：单题指标（不存在内部一致性）；试图证明量表测的是正确对象（宜做效度/CFA）。

常见误区

6回归分析

控制其他变量后 X 对 Y 的净效应 —— OLS 与 R²

相关 vs 回归：先分清再动手

这是初学者最常混淆的一对。一句话区分：

• 相关回答"有无关系、多强"——两个变量共变的强度与方向（r），不区分谁影响谁、不控制其他变量，角色对称。
• 回归回答"控制其他变量后，X 对 Y 的净效应多大"——有明确方向（X→Y）和单位（b₁：X 每变化 1 单位 Y 变化多少），并控制混淆，角色非对称。

示例：自我控制与压力感相关 r = −.42，仅能说明"二者共变、负向、中等强度"。换成回归 b₁ = −0.28，才可表述为"控制了睡眠、性别后，自我控制每升 1 分，压力感降 0.28 分"——有单位、有方向、是净效应。若要预测、控制混淆或对"X 影响 Y"作出判断，宜用回归；若只想了解两变量是否共变，相关即可。

为什么需要它

信度保证测量稳定之后，回归在此基础上控制混淆、估计净效应。相关 r 仅用两个变量计算，第三变量的连带影响都混在 r 里未被剥离——例如自控与压力的 r 中，可能暗藏"睡眠差同时拉低自控、抬高压力"这条路径。回归将睡眠、性别等作为协变量纳入模型，在"它们相同"的前提下估计 X 对 Y 的效应，连带路径被剥离，b₁ 才是净效应。这是从"相关"走向"因果推断"的关键一步——虽未达到因果，但比裸相关更接近一步。

此外，回归是后续调节、中介的引擎：调节是带交互项的回归，中介是两个回归联立。理解回归之后，后两者即为它的变体。

直观理解

下图是散点加 OLS 拟合线。拖斜率 b₁ 看线转动、拖残差 σ 看点散开程度，观察 R² 如何变化——R² 越大，点越紧贴线、模型解释的方差越多。R² 是"拟合好坏"的图形化呈现。残差竖线是每个点离线的距离，越短模型越准。

报告出图 · 现在有独立回归分析了

• 回归诊断四联图（regression_diagnostics.png，R plot(lm) 惯例）——①残差-拟合（lowess 平滑线应近水平 = 线性+等方差）；②正态 Q-Q（点沿红线 = 残差正态）；③Scale-Location（无上升趋势 = 同方差）；④残差-杠杆（红色虚线 = Cook's d 等高线，线外标号点为强影响点，需核对原始数据）。先看拟合、再解读系数是回归的规矩。
• 系数森林图（regression_coef_forest.png）——标准化 β ± 95% CI 横排，蓝 = 显著、灰 = 不显著：哪个预测变量更重要（比 |β|）、哪些显著，一图可读。
• 共线性表（VIF）——VIF>10 严重共线、>5 需留意；预测变量高度相关时系数解释会失稳。
• 报告同时给出 R²/调整 R²、F 检验与全部系数的 B/SE/标准化β/p/95% CI，SPSS 风格。

↑ 以上截图均由「数据分析·论文写作 AI 助手」对真实调查数据（n=573）自动分析生成的真实回归报告 · 带自己的数据去跑一遍 →

OLS 与 R²

b₁ 是"X 每变化 1 个单位、Y 变化多少"的净效应（控制了模型中其他变量后）。R² 是模型整体解释力。看回归不宜只看 p，应同时关注系数方向、大小和 R²。

前提假设

• 线性：X 与 Y 的关系是线性的。
• 残差独立同分布：用 Durbin-Watson 检查自相关。
• 无强共线：自变量之间不宜过度相关，用 VIF 检查（>10 需警惕）。
• 同方差：残差方差恒定，用 Breusch-Pagan 检查。

何时用 · 何时不该用

• 用：预测 Y、估计 X 对 Y 的净效应、为中介/调节打基础。
• 别用：分类结局变量（宜用 Logistic）；关系明显非线性（宜更换模型或做变换）。

控制与净效应

7调节效应

W 改变 X→Y 的强弱甚至方向 —— 效应对谁、在什么条件下更强

调节 vs 中介：先分清再动手

这是最容易混淆的一对。一句话区分：

• 中介回答"为什么"——X 通过什么中间变量影响 Y（机制链）。变量角色是"传导者"。
• 调节回答"对谁 / 何时"——X 对 Y 的效应在不同人群或情境下是否不同（边界条件）。变量角色是"开关"。

示例：干预对学业的影响，是否随学生学习动机的高低而变强变弱？动机并不解释干预"为什么"起作用（那是中介的范畴），它决定干预"对哪类人"更有效——这就是调节。

直观理解

下图取 W（学习动机）的低（−1SD）/ 高（+1SD）两个值，画出 X→Y 的两条简单斜率线，每条线斜率 = b₁ + b₃·W。拖 b₁：两线一同倾斜、缺口不变（b₁ 不产生调节）；拖 b₃：两线扇开——b₃ 越大两线越散，b₃>0 时高 W 线更陡、b₃<0 时低 W 线甚至反转。调节的证据就在两线扇开的缺口里，拖动一下胜过文字描述。

公式与简单斜率

调节用一个带交互项的回归：

b₃ 即调节效应——它衡量"X→Y 的斜率随 W 变化的速率"。b₃ 显著，提示调节存在。随后做简单斜率分解：取 W 高（+1SD）和低（−1SD）两个值，分别画 X→Y 的斜率线，观察是否翻转——即上面图中拖动的那条线。

前提假设

• 中心化或分类编码：连续 W 中心化；分类 W 用 dummy 编码，避免无意义的"0 点"。
• 不共线：X 与 W 不应高度相关（中心化能缓解但不解决本质共线）。
• 先显著再分解：b₃ 显著后再做简单斜率分解，不宜在调节不显著时仍画两条线作解释。

常见误区

8中介效应

X 通过 M 影响 Y —— 间接效应 a×b 是否真实存在

为什么需要它

已知 X 与 Y 有关。但"有关"只是结果，并未说明原因。工作压力为何影响学业表现？可能是因为它先影响睡眠，睡眠再影响学业。这条 "X → M → Y" 的传导链，正是中介要拆解的内容。

中介分析的产出不是一个数值，而是一条机制：它将笼统的"X 影响 Y"拆分为"X 先影响 M、M 再影响 Y"，使因果链条的中间环节得以清晰呈现。

直观理解

下面这张图即中介结构。X 在左、M 在中间、Y 在右。弧线 c′ 是 X 直接影响 Y 的部分，箭头 a、b 是经过 M 的间接通路。间接效应 = a × b。拖动 a、b 两个滑块，观察底部"间接效应条"上的置信区间何时跨过 0、绿色判定灯何时亮起——即"中介成立"的临界。

公式与检验

中介用两个回归方程联立：

检验的关键不是看 a、b 各自是否显著，而是看间接效应 a×b 的置信区间是否含 0。区间不含 0，间接通路便较为可靠地存在。现代做法用 Bootstrap 直接对 a×b 构造置信区间（重复抽样 5000 次），不依赖正态假设。

前提假设

• 时序合理：X 在时间上先于 M，M 先于 Y。横截面数据做中介，因果推断偏弱。
• 测量可靠：M 的测量信度低会压低 b、让间接效应被低估。
• 混淆控制：X→M、M→Y、X→Y 三条路径上的关键混淆变量应加以控制，否则 a、b、c′ 都会受到污染。
• 样本量：Bootstrap 需要足够样本支撑重抽样，一般建议 ≥ 200。

何时用 · 何时不该用

• 用：需要回答"X 为什么影响 Y"——解释机制、厘清传导链。
• 别用：只想预测 Y、不关心原因；或数据为横截面却要下强因果结论。

常见误区

9结构方程模型（SEM）

同时估计多条路径 + 潜变量 —— 将测量误差与结构关系一并估计

潜变量与路径：为什么需要 SEM

中介讲的是单条机制链、用的是观测变量；当需要同时估计多条路径、且变量本身无法直接观测时，便用到 SEM——它是中介的"升级版"。许多研究关心的概念无法直接测量——"自我效能""动机""学业表现"都是抽象构念，只能用几个题目近似。普通回归将题目分数直接相加当作真值，相当于假定测量无误差，这会压低或扭曲路径系数。

SEM 做两件事，一并估计：

• 测量模型：用几个观测指标（方框）定义一个潜变量（椭圆），估计其载荷 λ，将测量误差显式剥离。
• 结构模型：在潜变量之间估计路径（如 ξ → η 的 γ，下图即 自我效能 → 学业表现），相当于"无测量误差的回归"。

椭圆与方框的形态对比是核心视觉语言：椭圆=不可直接观测的潜变量，方框=可观测的量表题项。下图里 ξ=自我效能、η=学业表现为两个潜变量，各挂 3 个真实题项作指标，λ 是题项对潜变量的载荷，γ 是自我效能对学业表现的结构路径。拖 λ 看测量质量如何决定拟合，拖 γ 看路径强弱——注意 γ 无法改善拟合，拟合好坏取决于测量。

拟合指标：模型和数据吻合到什么程度

SEM 不像回归只有一个 R²，它给出一组拟合指标，从不同角度衡量"模型隐含的协方差结构"与"实际数据的协方差结构"差异多少。常用判据：

单一指标不足以定论。应看一组指标的综合：CFI/TLI 达 0.90、RMSEA/SRMR 在 0.08 以下，才算"拟合可接受"。上图拖 λ 时，CFI 和 RMSEA 随测量质量变化（载荷越高、题项越能反映潜变量、拟合越好），两条线同时达标才亮绿灯；γ 只改变路径粗细与解释比例，不影响拟合——这正是 SEM 的关键：拟合取决于测量模型，路径强弱是另一回事。

前提假设

• 样本量充足：指标数 × 10 以上是粗略下限，复杂模型要更多。
• 正态或稳健估计：ML 估计假设多元正态；偏态较重时宜用稳健 ML（MLR）或更换估计法。
• 模型可识别：待估参数不能比数据能提供的信息多，否则无解。每个潜变量至少要有 3 个指标才稳。
• 理论驱动：模型设定应有理论依据，不宜靠数据倒推出一个拟合好的结构。

何时用 · 何时不该用

• 用：研究里有潜变量（抽象构念用多指标测量）+ 多条结构路径同时检验。
• 别用：所有变量均为单题观测、路径简单——此时路径分析或普通回归即可，上 SEM 属过度建模。

常见误区

10交叉滞后（Cross-Lagged）

纵向两时间点，比较 X→Y 与 Y→X 谁更强 —— 推断时间方向性

横截面分不清谁先谁后：为什么需要交叉滞后

横截面数据（单一时间点）中，例如屏幕使用时间和抑郁症状存在相关，难以判断是屏幕推高抑郁、抑郁让人更多刷屏、还是第三变量（睡眠、压力）同时驱动两者——时间信息缺失。交叉滞后用至少两个时间点的面板数据来处理这一难题：在控制各自的自回归稳定性（屏幕₁→屏幕₂、抑郁₁→抑郁₂）之后，比较两条"交叉路径"——屏幕₁→抑郁₂ 和 抑郁₁→屏幕₂——谁更强、谁显著，据此推断谁在时间上领先。

其最大价值并非证明因果，而是给出时间方向——排除"其实是反过来"的反向解释：横截面相关分不清屏幕推高抑郁、还是抑郁让人更多刷屏，交叉滞后能提示谁在时间上领先，这是横截面相关无法给出的（因果三要素：关联／时序／非虚假，它补上"时序"一项，但仍无法解决"非虚假"——未测量的混淆变量仍可能同时影响两边）。比横截面相关更近一步，但尚未达到因果。

直观理解

下图上排是 T1（学期初）的屏幕使用、抑郁症状，下排是 T2（学期末）的同一对变量。灰色虚线是同期相关，灰实线是自回归稳定性。两条彩色主路径即交叉项：拖 屏幕₁→抑郁₂ 系数 axy 和 抑郁₁→屏幕₂ 系数 ayx，看哪条更粗更显著 → 谁在时间上领先。箭头粗细=路径强弱，绿色=正向、红色=负向。两条都弱→无方向证据；一强一弱→方向较明确；两条相当→双向。

交叉路径与方向性

关键在于"控制了自回归之后"：交叉路径衡量的是对方在 T1 的状态能额外预测本变量在 T2 的变化多少。a 显著强于 b → 提示屏幕领先抑郁；反之同理；两条相当 → 双向影响；都不显著 → 看不出时间方向（可能是同期关系或混淆驱动）。

前提假设

• 纵向面板：至少两个时间点，同一批人重复测量。单点横截面得不出方向。
• 时间间隔合理：太短效应来不及显现（看似同期），太长中间过程已被消化或混入新扰动。
• 测量等值性：跨时点量表度量不变，否则变化是测量漂移而非真变化。
• 样本量充足：面板建模对样本要求高，结构方程/路径模型估计需足够样本。

何时用 · 何时不该用

• 用：有纵向面板数据、想推断 X 与 Y 谁在时间上领先谁（方向性）。
• 别用：仅有横截面（给不出方向）；或时间间隔明显不合理；或想要严格因果结论（仍需实验/前测设计）。

常见误区

11潜剖面分析（LPA）

把连续指标里的人分成潜在亚群 —— 谁是哪一类

维度 vs 人：为什么需要潜剖面

因素分析把"维度"分类——几个指标是否归在同一因子下；潜剖面分析（LPA）把"人"分类——样本里同质的个体归为一个潜在剖面（亚群）。当你想知道"这群人能不能分成几种典型类型"，而不是"这几个变量归几个因子"时，就用 LPA。比如按压力感、应对方式几个连续指标，把学生分成"低危稳定型""高压内耗型""波动型"几类。

模型假设：每个剖面内部服从正态分布、剖面之间均值不同。各剖面在指标空间里呈现为一簇簇分布，可能重叠。

直观理解

下图把压力感、应对方式两个指标摊成平面，每个点是一个学生，同色点聚成一簇——一簇即一个潜在剖面（学生亚群），椭圆是它的范围。比如低压+积极应对那簇是「低危稳定型」，高压+消极应对那簇是「高压内耗型」。拖 k 看剖面数、拖分离度看几簇分得开不开。分离度大→几簇分开、类界清晰；分离度小→椭圆重叠、颜色混淆、学生归哪一类难以判断，宜审慎确定 k。

模型选择：靠信息指标比 k

定 k 不宜凭主观判断、也不能只看"分几类便于叙述"。主线是信息指标（BIC/AIC）随 k 先降后升取最小，再辅以分类质量指标和剖面在理论上是否可解释。多个判据冲突时，优先选可解释且可重复的解。

前提假设

• 类内多元正态：每个剖面内指标近似正态；严重偏离时考虑非参数变体或转换。
• 局部独立：剖面内指标条件独立（必要时放宽加协方差结构）。
• 足够样本：每个剖面要有足够成员，小样本易过拟合、剖面不可复现。

何时用 · 何时不该用

• 用：想从一组连续指标里发现潜在亚群类型（人是哪一类）。
• 别用：样本小、剖面不可解释；或真实需求是"指标归几个因子"（那是因素分析，分维度不分人）。

常见误区

12网络分析

变量两两偏相关连成网 —— 谁是核心节点、哪几个构成社区

不纳入潜变量，看系统结构：为什么需要网络

前述方法多把变量收进一两个潜变量或一条路径；网络分析换视角——把每个变量当节点、偏相关当边，直接看变量系统的互联结构。它回答的不是"X 影响 Y 多少"，而是"这个系统里谁是核心节点（中心性）、哪几个构成社区、谁是连接不同社区的桥节点"。心理症状网络、生理指标网络常用它——比如把抑郁拆成一组症状，看哪个症状是牵动整体的核心枢纽（前面交叉滞后把抑郁当一个总分，这里反过来把它拆开看内部结构）。

直观理解

下图把抑郁拆成 6 个症状节点环形排布：情绪低落 / 兴趣丧失 / 自责内疚 / 入睡困难 / 疲倦乏力 / 注意涣散，边=控制其他所有症状后的两两偏相关。同色节点属于一个社区（靛=情绪社区、绿=躯体社区）——社区内症状偏相关强、聚集；社区间只有少数"桥边"连接。拖稀疏度 γ，弱边移除、强边保留——γ=0 时全连接、密集网络分不出社区；γ 适中时两个社区分开、核心症状显现（紫环 + 「核心」标，本例情绪低落，度最高、牵动整体，同时它也是连两个社区的主桥）；γ 太高边全部移除、过稀疏无结构。节点越大=度数越高（中心性越强），边越粗=偏相关越强。

偏相关网络与稀疏化

原始偏相关矩阵通常满边（所有变量间均存在弱关联），直接看不出结构。需先稀疏化：用 graphical lasso + EBIC，调 γ 让弱边移除，核心连接才显现。γ 通常取 0.25–0.5；γ 太小（全连接）无结构、太大（无边）也无结构。

前提假设

• 变量类型合适：连续变量为宜；分类/有序需相应变体或转换。
• 样本与节点数匹配：节点多时偏相关估计不稳，需更大样本。
• 稀疏化参数选定：EBIC γ 影响最终结构，需报告并做敏感性分析。

何时用 · 何时不该用

• 用：想看变量系统的互联结构、找核心/桥节点、比较不同人群的网络结构。
• 别用：变量太少（两三个不如直接看相关）；想推断因果（偏相关网络仍是关联非因果）；样本相对节点数太小。

常见误区

方法选择决策树

不知道该用哪个方法？顺着研究问题定位 ——

为什么需要它

九个方法并非并列工具，各有各要回答的问题。新手最容易犯的错是"会用哪个就用哪个"——手里会 t 检验，就一律用 t 检验。决策树的用途是先问"我想回答什么"，再找匹配的方法，而不是反过来。

怎么用

下图把九个方法按"它回答什么问题"排好。点任一方法块直接跳到对应概念页。方法之间有递进——上层方法常是下层的基础，跳阶容易产生概念断层。

补充说明

• 问题先于方法。先把研究问题用一句话说清（"我想看 X 和 Y 什么关系" / "我想知道对谁效果更强"），再回来找方法。
• 方法递进。描述→相关→回归→调节/中介→SEM 是主干；信度贯穿始终，保证分数可用。
• 想看完整实操？选好方法只是第一步，后面还有跑真实数据、读输出表、查假设——见配套 实战流程。
• 不知道界面功能怎么用？上传、会话、权限授权等站内操作见 使用教程（三步上手 + 页内搜索）。