Diterbitkan | Kemas kini terakhir
Hampir 70% kajian klinikal yang diterbitkan menggunakan sama ada regresi vs korelasi dalam penyelidikan klinikal untuk menganalisis hubungan antara pembolehubah, namun sebilangan besar manuskrip yang mengejutkan salah mengaplikasikan kaedah ini — yang membawa kepada kesimpulan yang cacat, kritikan pengulas, dan juga penolakan meja. Satu ulasan penting yang diterbitkan dalam The New England Journal of Medicine mendapati bahawa ramai penulis perubatan mengelirukan korelasi dengan regresi, kadangkala menggunakan salah satu sedangkan yang lain lebih sesuai ( Godfrey, 1985 ). Memahami bila hendak menggunakan korelasi vs regresi adalah salah satu keputusan statistik paling penting yang akan anda buat dalam kerjaya penyelidikan anda. Dalam panduan komprehensif ini, kami menguraikan kedua-dua kaedah dengan contoh klinikal sebenar daripada NEJM, JAMA, The Lancet , PLOS Medicine dan Circulation — memberikan anda rangka kerja keputusan yang jelas untuk memilih pendekatan yang betul setiap masa.

Apakah Korelasi dalam Penyelidikan Klinikal?
Analisis korelasi mengukur kekuatan dan arah hubungan linear antara dua pembolehubah berterusan. Ia menghasilkan satu nombor — pekali korelasi (r) — yang berkisar antara −1 hingga +1. Menurut kajian berindeks PubMed oleh Schober, Boer, dan Schwarte ( DOI: 10.1213/ANE.0000000000002864 ), pekali korelasi biasanya ditafsirkan seperti berikut:
| Nilai r | Kekuatan | Contoh Klinikal |
|---|---|---|
| 0.00 - 0.39 | Lemah | Pengambilan kopi dan kebolehubahan tekanan darah |
| 0.40 - 0.69 | Sederhana | BMI dan tekanan darah sistolik |
| 0.70 - 1.00 | strong | FEV1 diukur dengan dua spirometer |
Pearson vs. Spearman: Memilih Pekali Korelasi yang Tepat
Pilihan antara Pearson dan Spearman bergantung pada ciri data anda. Korelasi Pearson (r) memerlukan kedua-dua pembolehubah untuk menjadi selanjar dan hampir bertaburan normal dengan hubungan linear. Korelasi pangkat Spearman (ρ) ialah alternatif bukan parametrik yang digunakan apabila data adalah ordinal, mengandungi outlier atau tidak mengikuti taburan normal. Schober et al. menekankan bahawa penggunaan pekali yang salah membawa kepada hubungan yang dipandang rendah atau dianggarkan terlebih, yang secara asasnya boleh mengubah kesimpulan klinikal anda.
Andaian Analisis Korelasi
Penggunaan korelasi yang betul memerlukan beberapa andaian utama dipenuhi. Data harus datang daripada sampel rawak, kedua-dua pembolehubah harus berterusan (untuk Pearson), hubungan harus hampir linear, dan tidak boleh ada outlier yang signifikan. Setiap pasangan pemerhatian mesti bebas. Melanggar andaian ini tidak semestinya membatalkan analisis anda — tetapi ia memerlukan peralihan kepada pekali Spearman atau alternatif teguh yang lain.
Apakah Analisis Regresi dalam Penyelidikan Klinikal?
Analisis regresi melangkaui korelasi dengan memodelkan hubungan ramalan antara pembolehubah bersandar (hasil) dan satu atau lebih pembolehubah bebas (peramal). Seperti yang diterangkan oleh Vetter dan Schober dalam tutorial Anesthesia & Analgesia mereka ( DOI: 10.1213/ANE.0000000000003424 ), regresi menghasilkan persamaan yang mengukur berapa banyak perubahan hasil untuk setiap perubahan unit dalam peramal — perbezaan kritikal daripada korelasi, yang hanya memberitahu anda sama ada hubungan wujud dan betapa kuatnya hubungan itu.
Persamaan regresi linear umum ialah:
Di mana Y = hasil, β₀ = pintasan, β₁…βₙ = pekali, X₁…Xₙ = peramal, ε = ralat
Jenis-jenis Regresi dalam Penyelidikan Klinikal
Jenis regresi yang anda pilih bergantung terutamanya pada pembolehubah hasil anda . Berikut adalah empat jenis yang paling biasa digunakan dalam kajian klinikal:
| Jenis | Pembolehubah Hasil | Ukuran Kesan | Kes Penggunaan Klinikal |
|---|---|---|---|
| Linear | Berterusan (contohnya, tekanan darah, LOS) | pekali β, R² | Meramalkan tempoh penginapan ICU berdasarkan tahap keterukan kecederaan |
| logistik | Perduaan (ya/tidak, hidup/mati) | Nisbah kemungkinan (OR), 95% CI | Meramalkan risiko kematian daripada pembolehubah klinikal |
| Cox (Bahaya Berkadaran) | Masa untuk peristiwa (kelangsungan hidup) | Nisbah bahaya (HR) | Analisis survival kanser dengan lengan rawatan |
| Poisson | Kira data (peristiwa setiap masa) | Nisbah kadar insiden (IRR) | Pemodelan kiraan kemasukan semula hospital |
Bagi penyelidik yang menggunakan data pemerhatian dan potensi penggabungan, tutorial terperinci kami tentang pemadanan skor kecenderungan dalam penyelidikan perubatan merangkumi teknik lanjutan untuk menangani bias pemilihan di samping regresi.
Regresi vs Korelasi dalam Penyelidikan Klinikal: Perbezaan Utama
Walaupun kedua-dua kaedah mengkaji hubungan antara pembolehubah, regresi vs korelasi dalam penyelidikan klinikal mempunyai tujuan yang berbeza secara asasnya. Tutorial klasik oleh Guyatt dan rakan sekerja dalam Canadian Medical Association Journal (PMID: 7859197 ) menjelaskan bahawa korelasi hanya mengukur sama ada dua pembolehubah bergerak bersama, manakala regresi mengukur bagaimana dan berapa banyak satu pembolehubah meramalkan pembolehubah yang lain. Berikut adalah perbezaan penting:
Perbezaan kritikal ialah konsep kearah . Dalam korelasi, pembolehubah boleh ditukar ganti — mengaitkan BMI dengan tekanan darah memberikan r yang sama seperti mengaitkan tekanan darah dengan BMI. Dalam regresi, pembolehubah tidak boleh ditukar ganti: anda mesti menentukan yang mana merupakan peramal (bebas) dan yang mana merupakan hasil (bergantung). Perbezaan ini sangat penting dalam penyelidikan klinikal, di mana matlamatnya selalunya adalah untuk mengenal pasti faktor risiko yang boleh diubah suai yang meramalkan hasil pesakit.
Bila Perlu Menggunakan Korelasi dalam Kajian Klinikal Anda
Korelasi adalah pilihan yang tepat apabila matlamat penyelidikan anda bersifat penerokaan — khususnya dalam situasi ini:
1. Meneroka sama ada dua pembolehubah dikaitkan secara linear. Jika anda hanya ingin tahu sama ada tahap HbA1c dikaitkan dengan nilai glukosa puasa, korelasi Pearson memberikan jawapan yang ringkas dan boleh ditafsirkan.
2. Penjanaan hipotesis. Pada peringkat awal kajian, matriks korelasi membantu mengenal pasti pembolehubah yang memerlukan siasatan lanjut melalui pemodelan regresi.
3. Kedua-dua pembolehubah ini jelas bukan "hasil". Apabila anda mengkaji hubungan antara dua penanda biologi (contohnya, CRP dan IL-6), kedua-dua pembolehubah ini tidak secara logiknya menyebabkan yang lain, menjadikan korelasi sebagai pilihan yang sesuai.
Bila Perlu Menggunakan Regresi dalam Kajian Klinikal Anda
Regresi adalah pilihan yang tepat apabila matlamat penyelidikan anda bersifat ramalan, penjelasan atau memerlukan pelarasan pembaur :
1. Anda ingin meramalkan sesuatu hasil. Algoritma ramalan penyakit jantung koronari Kajian Jantung Framingham — salah satu model yang paling banyak dipetik dalam perubatan — menggunakan regresi logistik dengan peramal kategori (tekanan darah, kolesterol, diabetes, merokok) untuk menganggarkan risiko CHD 10 tahun ( Wilson et al., 1998, Circulation ). Ini pada asasnya mustahil dengan korelasi sahaja.
2. Anda perlu melaraskan untuk pengganggu. Regresi berbilang pembolehubah membolehkan anda mengkaji hubungan antara pendedahan dan hasil sambil mengawal umur, jantina, komorbiditi dan pembolehubah pengganggu yang lain. Ini adalah pendekatan standard dalam penyelidikan klinikal pemerhatian.
3. Anda ingin membandingkan kumpulan selepas pelarasan. Percubaan SuPPoRT (Hezelgrave et al., 2024, PLOS Medicine ; DOI ) menggunakan regresi binari untuk membandingkan tiga intervensi untuk pencegahan kelahiran pramatang, pelarasan untuk usia kehamilan, BMI dan faktor risiko terdahulu.
4. Hasil anda ialah data binari, masa-ke-peristiwa atau kiraan. Korelasi tidak boleh mengendalikan jenis hasil ini — anda memerlukan regresi logistik, regresi Cox atau regresi Poisson masing-masing.

6 Kesilapan Biasa Apabila Memilih Antara Regresi dan Korelasi
Mengelakkan perangkap ini akan mengukuhkan manuskrip anda dan mengurangkan risiko kritikan pengulas statistik. Untuk maklumat lanjut tentang mengelakkan isu statistik yang membawa kepada penolakan, lihat artikel kami tentang kadar penolakan jurnal mengikut bidang.
| Kesilapan | Mengapa Ia Salah | Pendekatan yang betul |
|---|---|---|
| Dengan mengandaikan korelasi = sebab-akibat | Nilai r yang tinggi hanya menunjukkan perkaitan, bukan sebab-akibat | Gunakan regresi dengan pelarasan pembaur; pertimbangkan kaedah inferens kausal |
| Menggunakan korelasi untuk perbandingan kaedah | Dua kaedah boleh berkorelasi dengan sempurna tetapi tidak bersetuju secara sistematik | Gunakan analisis perjanjian Bland-Altman |
| Hanya menggunakan nilai-p, mengabaikan saiz kesan | Sampel yang besar boleh menjadikan korelasi remeh "signifikan" | Laporkan r² atau R² dan selang keyakinan berserta nilai-p |
| Menjalankan regresi tanpa menyemak andaian | Andaian yang dilanggar menghasilkan pekali yang tidak boleh dipercayai | Semak plot baki, kenormalan, multikolineariti (VIF) |
| Mengabaikan pengganggu dalam kajian pemerhatian | Korelasi yang tidak diselaraskan boleh didorong sepenuhnya oleh pengganggu | Gunakan regresi multivariabel untuk melaraskan pembaur |
| Menggunakan regresi linear untuk hasil binari | Kebarangkalian yang diramalkan boleh berada di luar 0–1 | Gunakan regresi logistik untuk hasil ya/tidak |
Contoh Dunia Sebenar daripada Jurnal Perubatan Teratas
Melihat bagaimana penyelidik terkemuka mengaplikasikan kaedah ini dalam praktik adalah cara terbaik untuk menghayati perbezaan ini. Berikut adalah contoh daripada penerbitan berimpak tinggi yang diambil daripada PubMed.
Contoh 1: Kajian Jantung Framingham — Regresi Logistik (Peredaran)
Wilson et al. (1998) membangunkan algoritma ramalan penyakit jantung koronari asas menggunakan regresi logistik dengan kategori tekanan darah JNC-V dan kategori kolesterol NCEP sebagai peramal. Mengikuti 2,489 lelaki dan 2,856 wanita selama 12 tahun, mereka mencipta persamaan ramalan khusus jantina yang menganggarkan risiko CHD 10 tahun. Kajian ini tidak dapat dicapai dengan korelasi sahaja — ia memerlukan regresi untuk memodelkan sumbangan bebas setiap faktor risiko sambil mengawal yang lain ( DOI: 10.1161/01.cir.97.18.1837 ).
Contoh 2: Kaedah Bland-Altman — Mengapa Korelasi Gagal (Lancet)
Dalam kertas Lancet 1986 mereka , Bland dan Altman menunjukkan bahawa korelasi adalah mengelirukan apabila membandingkan dua kaedah pengukuran klinikal. Dua peranti tekanan darah boleh menunjukkan r = 0.95 dan masih tidak bersetuju secara purata sebanyak 15 mmHg — perbezaan yang tidak boleh diterima secara klinikal yang tersembunyi oleh pekali korelasi. Alternatif yang dicadangkan oleh mereka, analisis had persetujuan, telah menjadi standard emas. Untuk panduan terperinci, lihat panduan visual analisis Bland-Altman kami.
Contoh 3: Percubaan SuPPoRT — Regresi Perduaan dalam RCT (Perubatan PLOS)
Hezelgrave et al. (2024) menggunakan regresi binari untuk membandingkan cerclage, pesari dan progesteron faraj bagi mencegah kelahiran pramatang dalam kalangan 386 wanita dengan serviks pendek. Kerangka regresi membenarkan anggaran langsung perbezaan risiko antara kumpulan rawatan (cth., cerclage vs. progesteron: RD 6.2%, 95% CI: −5.0 hingga 17.0) sambil melaraskan pembolehubah minimisasi. Korelasi mudah tidak bermakna dalam konteks ini — soalan kajian memerlukan pendekatan regresi ( DOI: 10.1371/journal.pmed.1004427 ).
Contoh 4: Schober et al. — Tutorial Korelasi (Anestesia & Analgesia)
Schober, Boer dan Schwarte (2018) menerbitkan tutorial yang dipetik secara meluas yang khusus membimbing doktor tentang penggunaan korelasi Pearson berbanding Spearman yang sesuai. Mereka menekankan bahawa setiap pekali korelasi membawa andaian tertentu, dan melanggarnya menghasilkan keputusan yang mengelirukan. Kertas kerja ini merupakan bacaan penting bagi sesiapa sahaja yang memulakan kajian klinikal yang melibatkan korelasi ( DOI: 10.1213/ANE.0000000000002864 ).
Langkah demi Langkah: Cara Memilih Antara Regresi dan Korelasi
Ikuti kerangka kerja keputusan ini setiap kali anda menganalisis hubungan antara pembolehubah. Pendekatan ini sejajar dengan garis panduan yang diterbitkan daripada kertas kerja sampingan oleh Schober et al. dan Vetter & Schober dalam Anesthesia & Analgesia.
Langkah 1: Tentukan soalan kajian anda. Adakah anda sedang meneroka sama ada wujud hubungan (→ korelasi), atau meramalkan/menerangkan hasil (→ regresi)?
Langkah 2: Kenal pasti pembolehubah anda. Adakah terdapat pembolehubah bersandar (hasil) yang jelas? Jika ya → regresi. Jika kedua-dua pembolehubah tersebut secara logiknya merupakan "punca" → korelasi.
Langkah 3: Tentukan jenis hasil anda. Hasil berterusan → regresi linear. Binari → regresi logistik. Masa-ke-peristiwa → Regresi Cox. Kiraan → Regresi Poisson.
Langkah 4: Nilaikan bilangan peramal. Peramal tunggal → regresi mudah (atau korelasi). Peramal berbilang atau pembaur → regresi berbilang pembolehubah.
Langkah 5: Semak andaian anda. Untuk korelasi: lineariti, normaliti, bebas. Untuk regresi: semak juga taburan baki, multikolineariti dan homoskedastisit.
Langkah 6: Kira saiz sampel anda . Kedua-dua kaedah memerlukan kuasa yang mencukupi. Sebagai panduan kasar, korelasi memerlukan sekurang-kurangnya 30 pasangan untuk ketepatan yang munasabah, manakala regresi memerlukan kira-kira 10–20 pemerhatian bagi setiap pembolehubah peramal.
Perbandingan Perisian: Korelasi dan Regresi Berjalan dalam Amalan
Berikut ialah rujukan ringkas untuk menjalankan analisis ini dalam pakej perisian statistik paling popular yang digunakan dalam penyelidikan klinikal:
| perisian | Perintah Korelasi | Perintah Regresi |
|---|---|---|
| R | cor.test(x, y, method="pearson") | lm(y ~ x1 + x2, data) |
| SPSS | Analisis → Korelasi → Bivariat | Analisis → Regresi → Linear |
| Telah | pwcorr x y, sig | regress y x1 x2 |
| Prisma GraphPad | Analisis XY → Korelasi | Analisis XY → Regresi Linear |
Bagi pelajar perubatan dan penyelidik awal kerjaya yang lebih suka alatan berasaskan hamparan, kami juga menawarkan templat Helaian Google percuma untuk analisis statistik asas.
Bagaimana Regresi vs Korelasi Sesuai dengan Toolkit Statistik yang Lebih Luas
Korelasi dan regresi hanyalah dua alat dalam senjata statistik penyelidik klinikal. Memahami kesesuaian kedua-duanya membantu anda memilih kaedah yang betul dari awal. Berikut ialah kaitannya dengan teknik biasa yang lain:
Ujian-t membandingkan min antara dua kumpulan — ia tidak memodelkan hubungan ramalan. Jika anda perlu membandingkan rawatan berbanding kawalan untuk hasil yang berterusan, lihat panduan ujian-t kami dengan contoh dunia sebenar.
Pemadanan skor kecenderungan merupakan alternatif kepada pelarasan berasaskan regresi untuk pembaur dalam kajian pemerhatian. Tutorial PSM langkah demi langkah kami menerangkan bila PSM mungkin lebih diutamakan berbanding regresi berbilang pembolehubah.
Meta-regresi melanjutkan regresi kepada data terkumpul daripada ulasan sistematik, membolehkan pemeriksaan bagaimana pembolehubah peringkat kajian mempengaruhi kesan rawatan. Bagi penyelidik yang menjalankan ulasan sistematik, panduan kami tentang ulasan sistematik vs. meta-analisis dan langkah carta alir PRISMA menyediakan rangka kerja asas.
Bagaimana Editverse Boleh Membantu Analisis Statistik Anda
Memilih antara regresi dan korelasi — dan melaksanakan sama ada dengan betul — memerlukan kepakaran statistik yang kurang dimiliki oleh ramai penyelidik klinikal. Editverse menyediakan sokongan profesional pada setiap peringkat penyelidikan anda.
SR Lengkap + Meta-Analisis
Daripada $ 1,800
Kajian sistematik penuh dengan analisis statistik
Kesimpulan: Senarai Semak Ringkasan Ringkas
Memilih antara regresi vs korelasi dalam penyelidikan klinikal bergantung kepada soalan penyelidikan anda, pembolehubah anda dan apa yang anda perlukan daripada analisis. Berikut ialah senarai semak rujukan pantas anda:
✅ Gunakan korelasi apabila meneroka perkaitan antara dua pembolehubah berterusan tanpa arah kesan yang diandaikan, tidak perlu pelarasan pembaur dan tiada matlamat ramalan.
✅ Gunakan regresi apabila meramalkan hasil, melaraskan pembaur, memodelkan data binari atau masa-ke-peristiwa atau mengukur berapa banyak peramal mengubah hasilnya.
✅ Sentiasa semak andaian sebelum menjalankan mana-mana analisis — dan sentiasa laporkan saiz kesan dengan selang keyakinan, bukan hanya nilai-p.
✅ Jangan sesekali mengelirukan korelasi dengan sebab-akibat — dan jangan sesekali menggunakan korelasi untuk kajian perbandingan kaedah.
Mendapatkan kaedah statistik yang betul adalah salah satu langkah terpenting dalam memastikan manuskrip anda diterima dan bukannya ditolak. Jika anda memerlukan panduan pakar tentang reka bentuk statistik kajian anda, hubungi pasukan biostatistik kami untuk rundingan percuma.
Perlukan Analisis Statistik Pakar untuk Penyelidikan Anda?
Daripada korelasi dan regresi kepada pemodelan lanjutan — Ahli biostatistik Editverse membantu anda memilih dan melaksanakan analisis yang betul untuk hasil yang sedia untuk penerbitan.
Sumber Editverse Berkaitan
→ Panduan 2025: Memilih Ujian Statistik yang Tepat
→ Pemadanan Skor Kecenderungan: Tutorial Langkah demi Langkah Lengkap
→ Ujian-T dalam Percubaan Klinikal: Contoh Dunia Sebenar
→ Analisis Bland-Altman: Panduan Visual untuk Perbandingan Kaedah
→ Cara Menggunakan Kalkulator Saiz Sampel Editverse
→ Kajian Sistematik vs Meta-Analisis: Perbezaan Utama
→ Panduan Mudah Langkah Carta Aliran PRISMA
→ Metrik Jurnal dan Metrik Artikel Dijelaskan
→ Cara Memilih Jurnal untuk Kertas Penyelidikan Anda (2026)
→ Bagaimana Semakan Sistematik Mempercepatkan Pertumbuhan Indeks-H
Rujukan
- Schober P, Boer C, Schwarte LA. Pekali Korelasi: Penggunaan dan Tafsiran yang Sesuai. Anesth Analg. 2018;126(5):1763-1768. DOI: 10.1213/ANE.0000000000002864
- Vetter TR, Schober P. Regresi: Epal Tidak Jatuh Jauh dari Pokoknya. Anesth Analg. 2018;127(1):277-283. DOI: 10.1213/ANE.0000000000003424
- Guyatt G, Walter S, Shannon H, Cook D, Jaeschke R, Heddle N. Statistik Asas untuk Pakar Klinik: 4. Korelasi dan Regresi. CMAJ. 1995;152(4):497-504. PMID: 7859197
- Godfrey K. Regresi Linear Mudah dalam Penyelidikan Perubatan. N Engl J Med. 1985;313(26):1629-1636. DOI: 10.1056/NEJM198512263132604
- Wilson PW, D'Agostino RB, Levy D, Belanger AM, Silbershatz H, Kannel WB. Ramalan Penyakit Jantung Koronari Menggunakan Kategori Faktor Risiko. Edaran. 1998;97(18):1837-1847. DOI: 10.1161/01.cir.97.18.1837
- Bland JM, Altman DG. Kaedah Statistik untuk Menilai Kesepakatan Antara Dua Kaedah Pengukuran Klinikal. Lancet. 1986;1(8476):307-310. PMID: 2868172
- Hezelgrave NL, Suff N, Seed P, dsb. Membandingkan Serviks Serviks, Pesari dan Progesteron Faraj untuk Pencegahan Kelahiran Pramatang (SuPPoRT). PLoS Med. 2024; 21 (7): e1004427. DOI: 10.1371/journal.pmed.1004427
- Cui H, Zhang W, Zhang L, dkk. Faktor Risiko untuk Kanser Prostat: Satu Kajian Payung. PLoS Med. 2024; 21 (3): e1004362. DOI: 10.1371/journal.pmed.1004362
