分类变量分析方法的选取与数据状态有较大相关性，计数据样本量为n，两变量交叉单元格数据为T。

卡方检验 卡方检验科用于对二维列联表的行变量和列变量的相关性检验，只能反应相关统计学意义，无法分析相关性强度 · 当所有T≥5并且总样本量n≥40,用Pearson卡方进行检验 · 当T＜5但T≥1,并且n≥40,用连续性校正的卡方进行检验 「R语言」> chisq.test(x1,x2) 样本量不够会提示检测结果可能不准确（Chi-squared approximation may be incorrect）： 样本量够大后正常。p值小于0.05，str1与str2之间有显著相关关系。

Fisher精确检验 可以用于检验任何 R × C R\times C R×C 数据之间的相关关系（也可用于分析2*2数据）。与卡方检验只能拟合近似分布不同的是，Fisher精确检验可以分析精确分布，更适合分析小样本数据。 · T＜1或n＜40,则用Fisher’s检验 「R语言」> fisher.test(x1,x2) · R 中fisher.test()可以在任意行列数大于等于2的二维列联表中使用，但不能用于2×2的列联表，2(a/b)×2(s/t)报错如下： 2(a/b)×4(a/b/c/d)可以。p值小于0.05，str1与str3有显著相关性 2(a/b)×3(a/b/c)也行。p值大于0.05，str1和str4没啥关系

Cochran-Mantel-Haenszel检验 Cochran-Mantel-Haenszel检验的原假设为：两个名义变量(x1,x2)在第三个变量(x3)的每一层中都是条件独立的 「R语言」> mantelaen.test(x1,x2,x3)

（一）当有序分类不能认为是定距时（比如三等奖和二等奖的差异与二等奖和一等奖的差异一般不同）：

（二）当可以认为是定距时：

Pearson相关系数 Pearson相关系数度量了两个连续变量之间的线性相关程度 「R语言」> cor( x1,x2,method=‘pearson’)

Spearman相关系数 Spearman等级相关系数可以衡量非线性关系变量间的相关系数，是一种非参数的统计方法，可以用于定序变量或不满足正态分布假设的等间隔数据； 「R语言」> cor( x1,x2,method=‘spearman’)

KKendall秩相关系数 Kendall秩相关系数也是一种非参数的等级相关度量，类似于Spearman等级相关系数。 「R语言」> cor( x1,x2,method=‘kendall’)

（一）有序变量 X 1 X_1 X1​ & 二分类变量 X 2 X_2 X2​

无因果关系： 1.1 Biserial秩相关： Biserial秩相关可以用于分析二分类变量和有序分类变量之间的相关性。在用二分类变量预测有序分类变量时，该检验又称为Somers’ d检验。此外，Mann-Whitney U检验也可以输出Biserial秩相关结果。

有序变量为因变量： 2.1 有序Logistic回归 有序Logistic回归在本质上并不是为了分析二分类变量和有序分类变量之间的相关性。但我们仍可以用有序logistic回归及其对应的OR值判断这两类变量之间的统计学关联。

二分变量为因变量： 3.1 Cochran-Armitage 检验 Cochran-Armitage 检验又称Cochran-Armitage 趋势检验，常用于分析有序分类自变量和二分类因变量之间的线性趋势。该检验可以判断随着有序分类变量的增加，二分类因变量比例的变化趋势，是对其线性趋势的统计学分析。 3.2 Mantel-Haenszel卡方检验： Mantel-Haenszel卡方检验也称线性趋势检验（Test for Linear Trend）或定序检验（Linear by Linear Test）。要求一个变量是有序的，另一个变量可为二分类也可为多分类。 3.3 Cochran-Armitage趋势检验： Cochran-Armitage 趋势检验要求一个变量是有序分类变量，另一个变量是二分类变量。

（二）有序变量 X 1 X_1 X1​ & 多分类变量 X 2 X_2 X2​

（一）数值变量 X 1 X_1 X1​ & 二分类变量 X 2 X_2 X2​： t t t 检验等

（二）数值变量 X 1 X_1 X1​ & 多分类变量 X 2 X_2 X2​：单因素方差分析等

没有专门针对有序变量和数值变量相关性分析的方法，一般将连续变量视为有序变量，按照有序 & 有序的方法进行分析