在定量研究中，我们感兴趣的往往不仅是自变量能不能预测因变量，而且我们还想知道这种关系具体是怎样的，这就是所谓关系的“方向性”(directionality)。
如果你的变量是定比型变量、定距型变量或者有序变量中的一种，那么你就可以判断两个变量之间的关系到底是正相关、负相关，还是非线性相关。
(1)正向相关关系(positive relationship):也就是随着自变量的变量值的升高，因变量的变量值也会升高;反过来，当自变量的变量值降低，因变量的变量值也会降低，两个变量之间是“同进同退”的关系。正相关的变量在生活中随处可见，比如“身高”和“体重”——一个人的身高越高，体重通常就越重，反之亦然;再比如“学历”和“工资收入”——人的学历越高，通常收入也会越高，反之亦然。因此，这两对变量都是正向相关的关系。
图2－9 正向相关关系的可视化图示
(2)负向相关关系(negative relationship):随着自变量的变量值的升高，因变量的变量值会降低;反过来，当自变量的值降低，因变量的变量值会升高，两个变量之间是“此消彼长”的关系。这种关系在生活中也很常见，比如一个商品的“价格”和“销售量”之间的关系——商品价格越高，销售量通常就会越低，反之亦然;再比如“海拔”和“含氧量”之间的关系——随着海拔增高，空气中的含氧量通常会降低。
图2－10 负向相关关系的可视化图示(www.xing528.com)
(3)非线性相关关系(non-linear relationship):自变量和因变量之间不成线性关系，而可能是曲线或者抛物线的关系。比如，“运动量”跟“人的健康情况”多半就是非线性相关——一个人的运动量适当增加是能够有助于提升健康水平的，但是当运动量过了一定的临界点，过度的运动量可能就会导致健康情况的下降。
我们要注意的是，并不是所有变量之间的关系都可以找出方向性的。比如在我们刚才所举的“是什么影响了一个人的收入”的例子中，我们一共有四个自变量，其中以下两个自变量跟因变量的关系是有方向性的:
(1)自变量“年龄”:与因变量“个人收入”是正相关——通常随着年龄的增加，人的收入会增加(比如，通常50岁的人比30岁的人赚得多)。
(2)自变量“学历”:与因变量“个人收入”是正相关——通常学历越高，人的收入越高(比如，通常研究生文凭比高中文凭收入高)。
而另外两个自变量，“性别”和“职业”，就没办法画出正相关或负相关的关系——因为这两个变量是名义变量，而不是定比型变量、定距型变量或有序变量中的一种。(换句话说，我们没办法说，“人的性别越高，收入越高”，或者“人的职业越高，收入越高”。)
虽然关系“方向性”只能用于梳理一部分变量关系，但我们依然可以通过它来大大提升阅读或设计研究的思路。比如，针对“年龄”和“学历”这两个自变量跟因变量的关系图，就可以具体加入“方向性”的信息，用“加号”代表“正相关”，用“减号”代表“负相关”，可以让自变量与因变量之间的关系图更加清晰、具体，如图2-11所示。
图2－11 加入“方向性”信息后的变量梳理图示例
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
