GraphPad Prism 相关性分析与简单线性回归完整指南

概述

相关性分析（Correlation Analysis）是数据分析中最基础也最常用的统计方法之一。它回答一个简单的问题：两个变量之间是否存在线性关系？这种关系有多强？GraphPad Prism 提供了三种核心的相关与回归工具：Pearson 相关、Spearman 秩相关和简单线性回归。很多初学者在面对这些选项时会感到困惑，不知道该选哪一种。

本文从实际生物实验场景出发，系统讲解这三种方法的区别、适用条件、GraphPad 操作步骤和结果解读，帮助你正确分析实验数据中的变量关系。

三种方法的核心区别

一句话选择原则

• 不确定数据分布时，先用 Spearman 看趋势
• 数据符合正态且想看精确线性关系，用 Pearson
• 需要从 X 预测 Y 的值，用简单线性回归

Pearson 线性相关系数（r）

Pearson r 衡量两个连续变量之间的线性相关程度，取值范围 -1 到 +1。

使用 Pearson 的前提条件

1. 两个变量都是连续数值变量
2. 每个变量近似正态分布（至少近似对称，无严重偏态）
3. 两者存在线性关系（散点图呈直线趋势）
4. 无明显异常值（outlier 会严重影响 r 值）
5. 样本量建议 ≥ 10，理想 ≥ 20

GraphPad 操作步骤

1. 在 Welcome 对话框选择 "XY" 数据表格
2. Enter data → 分别输入 X 和 Y 列
3. 点击 "Analyze"
4. XY analyses → "Correlation"
5. 选择 "Pearson"（默认）
6. 点击 OK，查看结果

Spearman 秩相关系数（ρ / rho）

Spearman 相关是一种非参数方法，它不假设数据服从任何分布，而是将原始数据转换为秩（排名）后计算 Pearson 相关系数。

什么时候用 Spearman

1. 数据不服从正态分布（偏态、有极端值）
2. 因变量是有序分类（如”低/中/高”可转为等级）
3. 存在明显异常值不想删除数据
4. 想检测单调关系而非严格线性关系
5. 探索性分析阶段

Spearman 的局限性

• 检测不到非单调的复杂关系
• 对 ties（相同值）需要校正
• 统计效率略低于 Pearson（正态数据时）

GraphPad 操作步骤

与 Pearson 完全相同，只是在 Analyze 对话框的 Correlation 选项中选择 “Spearman”。

简单线性回归

简单线性回归（Simple Linear Regression）与相关性的核心区别在于：它建立一个数学方程，用 X 预测 Y。

Y = slope × X + intercept

什么时候用回归而非相关

线性回归的前提条件

1. X 是精确已知的（或误差远小于 Y 的误差）
2. Y 服从正态分布（在每个 X 值处）
3. 方差齐性（所有 X 值处 Y 的方差相近）
4. 线性关系（散点图近似直线）
5. 独立观测（数据点之间互不影响）

GraphPad 操作步骤

1. XY 数据表格中输入 X 和 Y
2. Analyze → XY analyses → "Linear regression"
3. 设置回归选项：
   - 是否强制通过原点（Forced through zero）
   - 是否对 X 取对数
   - 是否加权（Weighting by 1/Y² 等）
4. GraphPad 自动拟合并给出方程

结果解读实战

例 1：PCR 循环数与荧光信号

散点图显示明显线性趋势，X 是精确的循环数，Y 近似正态分布。

推荐用简单线性回归：

• 回归方程：Y = 0.0921X - 1.843
• R² = 0.987（拟合非常好）
• P < 0.0001（回归显著）

例 2：细胞密度与细胞活力

数据可能不完全线性（高密度时下降更剧烈），且 Y 的方差在高密度处可能更大。

推荐先用 Spearman 看趋势：

• Spearman ρ = -1.0（完全单调负相关）
• P = 0.0045（显著）

确认趋势后，再决定是否用线性回归或非线性模型。

例 3：两组指标的相关性验证

想验证仪器 A 和仪器 B 测量同一批样本的结果是否一致。

• X = 仪器 A 读数（精确）
• Y = 仪器 B 读数（有误差）

推荐用 Pearson 相关 + 线性回归：

• Pearson r ≈ 0.99（高一致性）
• 回归斜率 ≈ 1.0（理想值）
• 截距 ≈ 0（理想值）

常见坑点与避坑建议

1. 相关性不等于因果

r = 0.8 只说明两个变量一起变化，不代表 X 导致了 Y。实验中必须结合生物学机制判断因果关系。

2. 样本量太小

n = 5 时即使 r = 0.9 也可能无法达到统计显著（P < 0.05）。建议至少 n = 10，理想 n = 20+。

3. 忽视异常值

单个异常值可以让 r 从 0 变为 0.5+。在计算相关性前，一定要先画散点图检查是否有离群点。

GraphPad 小技巧：用 “Analyze → XY analyses → Identify outliers” 功能检测离群点。

4. Pearson 用于非正态数据

如果 Y 明显偏态（如大多数值很小，少数极大），Pearson r 可能有误导性。此时 Spearman 更稳健。

5. 用回归方程做外推

回归方程只在数据范围内部可信。超出数据范围的预测（如在 10-100 ng/mL 标准曲线上预测 0.01 ng/mL 的浓度）是不可靠的。

6. 混淆 R² 和 r

• r：相关系数，衡量线性关系强度，取值 -1 到 +1
• R²：决定系数，衡量回归模型解释的变异比例，取值 0 到 1

对于简单线性回归，R² = r²，所以 R² = 0.81 对应 r = 0.9。但在多元回归或非线性回归中，R² 的含义不同。

GraphPad 中的实用技巧

强制过原点回归

对于标准曲线、仪器校准等场景，理论上 (0, 0) 应该是一个点。可以在 Linear Regression 对话框中勾选 “Force the regression line through X=0, Y=0”，得到更简洁且物理意义明确的方程。

加权回归

当 Y 的变异在大值处更大（方差不齐）时，GraphPad 提供多种加权选项：

• No weighting：默认，所有点权重相同
• Weight by 1/Y²：大值处加权减小（ELISA 标准曲线常用）
• Weight by 1/X²：精确值附近加权增加

比较两条回归直线

如果想知道两组数据的斜率和截距是否不同，使用 GraphPad 的 “Compare slopes and intercepts” 功能。这比简单比较两个 R² 更有意义。

Bland-Altman 分析

对于方法学验证（如两种检测方法的一致性），推荐使用 Bland-Altman plot 而非单纯的相关性分析。GraphPad Prism 提供了 Bland-Altman 分析模块。

发表时的结果报告

建议在方法部分写明：

结果部分报告格式：

相关性分析

采用 Pearson 线性相关分析评估 X 与 Y 的关系。X 与 Y 呈显著正相关（r = 0.87, 95% CI: 0.72 - 0.94, P < 0.0001, n = 28）。

线性回归

简单线性回归分析显示，X 可解释 Y 变异的 76%（R² = 0.76, n = 28）。回归方程为：Y = 0.089X - 1.234（斜率 P < 0.0001，截距 P = 0.003）。

决策树：选哪个方法？

开始
  │
  ├─> 数据是否正态分布？
  │     ├─> 是 → Pearson 线性相关
  │     └─> 否 → Spearman 秩相关
  │
  ├─> 不确定？→ 先做 Spearman 探索
  │
  └─> 需要建立预测方程？
        ├─> X 精确已知？→ 简单线性回归
        └─> X 有误差 → Deming 回归（GraphPad 9+ 支持）

总结

GraphPad Prism 的相关性分析模块功能强大，但选对方法比输出结果更重要。记住以下要点：

1. 先画图再计算，散点图是判断数据分布和关系模式的基础
2. Pearson 看线性，Spearman 看单调，回归看预测
3. r 值看大小，P 值看显著性，两者缺一不可
4. 小样本相关性解读要谨慎，建议 n ≥ 15
5. 相关性 ≠ 因果，生物学解读需要结合机制

正确使用这些工具，可以让你的实验数据从”看起来有点关系”变成”统计上确证的定量关系”。