相关分析（示例：未来时间洞察力 × 睡眠拖延 × 自我控制 × 手机虚拟依恋）
方法说明
pearson 相关分析
数据来源
数据文件：/home/tester/nurse_student/data/data_ready.csv（用同份数据 + 上述方法可复现结果）
模型设定
下表为本次分析实际使用的设定（由分析程序自动原样列出，非 AI 转述）。解读数字前请先核对设定与你的研究假设一致——尤其路径方向与变量角色；质量门控只检查统计前提，发现不了「设定对不对」。
| 设定项 | 内容 |
|---|---|
| 分析变量 | FTP条目均分、SP条目均分、SC条目均分、SVA条目均分 |
| 相关系数 | Pearson 积差相关 |
方法
样本量 n = 584，pearson 相关系数，双尾检验。
相关矩阵
表 1 各变量间的相关系数（N = 584）
| 变量 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|
| 1 FTP条目均分 | 1 | |||
| 2 SP条目均分 | -0.33*** | 1 | ||
| 3 SC条目均分 | 0.39*** | -0.58*** | 1 | |
| 4 SVA条目均分 | -0.21*** | 0.48*** | -0.69*** | 1 |
注：* p<.05，** p<.01，*** p<.001（双尾）；对角线为 1，上三角留白。
相关矩阵热图
Fig. 1. Correlation heatmap of the study variables (pearson coefficients). Note: cells show r with significance stars; shading depth maps to |r|.
说明：相关矩阵热图：格子内为相关系数 r 及显著性星标，色深对应 |r| 大小。
散点图矩阵
Fig. 2. Scatter plot matrix for pairwise relationships. Note: diagonal panels show variable distributions (density scale); off-diagonal panels show raw scatter with OLS fit lines.
说明：对角线为各变量分布（密度标度），非对角为两两散点并附 OLS 拟合线。
📄 复现代码⬇ SPSS⬇ R
SPSS 语法
* 相关分析（示例：未来时间洞察力 × 睡眠拖延 × 自我控制 × 手机虚拟依恋）. * 数据来源: /home/tester/nurse_student/data/data_ready.csv. * 方法: pearson 相关系数. GET DATA /TYPE=TXT /FILE='/home/tester/nurse_student/data/data_ready.csv' /ENCODING='UTF8' /DELCASE=LINE /DELIMITERS="," /QUALIFIER='"' /ARRANGEMENT=DELIMITED /FIRSTCASE=2 /IMPORTCASE=ALL /VARIABLES= 序号 F8.2 提交答卷时间 A64 所用时间 A64 来源 A64 来源详情 A64 来自IP A64 1、性别 A64 2、年龄（岁） A64 3、年级 A64 4、户口所在地 A64 5、民族 A64 6、第一志愿是否为护理专业 A64 7、是否担任学生干部 A64 8、是否独生子女 A64 9、家庭结构 A64 10、未来职业规划是否打算从事护理行业？ A64 11、家庭经济状况（月收入/元） A64 12、母亲受教育程度（最高学历） A64 13、父亲受教育程度（最高学历） A64 14、近一周，平均每天手机使用时长约为？ A64 15、其中，使用短视频app(抖音、快手、微信视频等）的时长大约多少小时 A64 16、过去一周，你有几天出现“原本只想看几分钟手机，结果看了很久”的情况？ A64 17、日均睡眠时长 A64 18、睡前1小时手机使用频率 A64 19、自评睡眠质量 A64 20、上学期平均成绩 A64 21、因学业成绩感到的压力程度 A64 FTP1 F8.2 FTP2 F8.2 FTP3 F8.2 FTP4 F8.2 FTP5 F8.2 FTP6 F8.2 FTP7 F8.2 FTP8 F8.2 FTP9 F8.2 FTP10 F8.2 FTP11 F8.2 FTP12 F8.2 FTP13 F8.2 FTP14 F8.2 FTP15 F8.2 FTP16 F8.2 FTP17 F8.2 FTP18 F8.2 FTP19 F8.2 FTP20 F8.2 SP1 F8.2 SP2 F8.2 SP3 F8.2 SP4 F8.2 SP5 F8.2 SP6 F8.2 SP7 F8.2 SP8 F8.2 SP9 F8.2 SC1 F8.2 SC2 F8.2 SC3 F8.2 SC4 F8.2 SC5 F8.2 SC6 F8.2 SC7 F8.2 SC8 F8.2 SC9 F8.2 SC10 F8.2 SC11 F8.2 SC12 F8.2 SC13 F8.2 SC14 F8.2 SC15 F8.2 SC16 F8.2 SC17 F8.2 SC18 F8.2 SC19 F8.2 SVA1 F8.2 SVA2 F8.2 SVA3 F8.2 SVA4 F8.2 SVA5 F8.2 SVA6 F8.2 SVA7 F8.2 SVA8 F8.2 SVA9 F8.2 SVA10 F8.2 SVA11 F8.2 SVA12 F8.2 SVA13 F8.2 SVA14 F8.2 FTP行为承诺条目均分 F8.2 FTP远目标定向条目均分 F8.2 FTP未来意象条目均分 F8.2 FTP目的意识条目均分 F8.2 FTP未来效能条目均分 F8.2 FTP条目均分 F8.2 SP睡眠拖延条目均分 F8.2 SP条目均分 F8.2 SC健康习惯条目均分 F8.2 SC抵制诱惑条目均分 F8.2 SC冲动抑制条目均分 F8.2 SC节制娱乐条目均分 F8.2 SC专注工作条目均分 F8.2 SC条目均分 F8.2 SVA戒断性条目均分 F8.2 SVA逃避性条目均分 F8.2 SVA失控性条目均分 F8.2 SVA低效性条目均分 F8.2 SVA条目均分 F8.2. CACHE. EXECUTE. CORRELATIONS /VARIABLES=FTP条目均分 SP条目均分 SC条目均分 SVA条目均分 /PRINT=TWOTAIL NOSIG.
R 代码
# 相关分析（示例：未来时间洞察力 × 睡眠拖延 × 自我控制 × 手机虚拟依恋）
# 数据来源: /home/tester/nurse_student/data/data_ready.csv
# 方法: pearson 相关系数
library(readr)
library(psych)
# 读取数据
data <- read_csv("/home/tester/nurse_student/data/data_ready.csv")
# 选择变量
vars_to_analyze <- c("FTP条目均分", "SP条目均分", "SC条目均分", "SVA条目均分")
data_subset <- data[, vars_to_analyze]
# 相关矩阵
cat("\n=== 相关矩阵 (pearson) ===\n\n")
# adjust="none"：输出原始 p 值（corr.test 默认 holm 校正，会与 Python 口径不一致）
corr_matrix <- corr.test(data_subset, method="pearson", adjust="none")
print(corr_matrix$r)
# 显著性矩阵
cat("\n=== 显著性矩阵 (p 值) ===\n\n")
print(corr_matrix$p)
# 详细相关检验（逐对）
cat("\n=== 逐对相关检验 ===\n\n")
n_vars <- length(vars_to_analyze)
for (i in 1:(n_vars-1)) {
for (j in (i+1):n_vars) {
var1 <- vars_to_analyze[i]
var2 <- vars_to_analyze[j]
cat("\n", var1, " vs ", var2, ":\n", sep="")
test_result <- cor.test(data[[var1]], data[[var2]], method="pearson")
cat(" r =", round(test_result$estimate, 4), "\n")
cat(" p =", format.pval(test_result$p.value), "\n")
cat(" 95% CI: [", round(test_result$conf.int[1], 4), ",",
round(test_result$conf.int[2], 4), "]\n")
}
}