当您怀疑两个变量之间的关联可能受到第三个变量（如年龄、剂量或环境因素）影响时，请使用偏相关。它能为您剔除这些干扰，计算出两个核心指标在“排除外部干扰”后的纯粹关联强度，帮助您在复杂的数据背景中看清变量间的真实联系。
为什么需要偏相关分析
在数据分析中，两个变量看起来相关并不代表它们之间存在直接的联系。例如，冰淇淋销量与溺水人数相关，但这通常是因为气温升高同时推高了这两者。偏相关通过数学手段控制这些“第三变量”，让您能够量化在排除干扰项后，X 与 Y 是否依然保持着统计学意义上的关联。
这种分析在医学研究和严谨的科学实验中非常普遍。当您需要向审稿人证明“在控制了患者年龄、BMI 或给药剂量后，某种疗法与病情缓解之间依然存在关联”时，偏相关是您最可靠的工具。
理解净关联与零阶对比
Lattice 的偏相关工具会同时计算“零阶相关”（不控制变量时的原始状态）与“偏相关”（控制后的净状态）。这种对比能直观展示协变量在其中的权重。
如果控制协变量后，相关系数大幅下降，这通常意味着原始的相关性可能是一种假象或间接影响；如果偏相关依然强劲，则证明这两个变量之间的联系是稳健的，不依赖于所选的协变量。
如何解读分析结果
分析结果将直接返回偏相关系数（Partial r）及 95% 置信区间。如果结果显示偏相关系数在控制后依然显著，您可以认为这两个变量之间存在独立关联。
同时，我们会计算协变量的吸收百分比。若数值较低，说明协变量对原始关联的影响微乎其微；若数值极高，建议您在后续进行多元线性回归建模时，务必将这些协变量作为控制变量纳入模型，以获得更准确的效应估计。
严谨的统计边界
偏相关分析虽能剥离干扰，但它依然基于相关性原理。请始终记住：相关不等于因果。该方法可以帮助您过滤掉混淆因素，但并不能直接证明 X 导致了 Y。在完成偏相关分析后，若需深入探究效应大小，建议使用回归分析进行量化。
1 · Intent → method
An LLM picks partial_correlation from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
偏相关与普通相关系数有什么区别？
普通相关系数（零阶相关）反映的是两个变量整体的同步变动；而偏相关分析会通过数学方法剔除协变量的影响，仅提取两个变量之间那部分“净关联”，从而避免因存在共同干扰因素而产生的误判。
如何判断我的协变量是否重要？
在偏相关分析的结果中，关注“协变量吸收百分比”。如果该值超过 50%，说明原本观测到的相关性大部分是由这些协变量解释的，此时您应在后续的回归建模中将这些协变量纳入正式模型。
Tool 输入字段
Schema for partial_correlation not exported yet (run pnpm export:registry).