《Nature》中的Pearson Coefficient是如何计算的？

dvd-hover

http://www.nature.com/nature/journal/v415/n6871/full/415530a.html

这篇《Nature》文章中，作者分析基因表达芯片数据中哪些基因与患者的5年内复发有关，基因表达数据是连续数值变量，5年内复发资料是二分类变量，作者通过‘Pearson Coefficient’在筛选出与5年复发有关的基因。据我所知，Pearson Coefficient是用来分析类似人的身高和体重之间关系的数据，请问这篇文章是如何做到的？

作者对分析方法描述如下：

Method of supervised classification

We calculated the correlation between the prognostic category (metastasis vs. no-metastasis) and the logarithmic expression ratio across all 78 samples for each individual gene in the 5,000 significant genes. The distribution of the correlation coefficients is shown in red in the histogram in Figure S1 (a). Genes with a greater correlation coefficient (Pearson Coefficient) are likely candidates for reporting prognosis, i.e., short interval to metastasis or no metastasis.

（见该文的附件Methods中http://www.nature.com/nature/journal/v415/n6871/suppinfo/415530a.html）

希望能够解答我的疑惑。万分感激。

mengchen

就是 Pearson Correlation Coefficient （皮尔森相关系数）

dvd-hover

回复第2楼的 mengchen：你好，谢谢你的答复。我的问题是，连续数值变量如何与二分类变量进行Pearson相关分析。例如知道一个班学生的身高和他们的性别，要求分析身高和性别的相关性，Pearson相关分析是否能够做到？

网上查到的pearson相关的定义是‘皮尔森相关系数是用来反映两个变量线性相关程度的统计量’。而我的例子中的变量是不太可能“线形相关”的。

zhaowh

使用列联表检验，如果检验不独立，则就是相关的

mengchen

回复第3楼的 dvd-hover：

不好意思，没有看清问题。读一下正文中的这一句 "The correlation coefficient of the expression for each gene with disease outcome was ..." 这里强调的是 disease outcome，应该不是二分变量，而是 time to metastasis，连续变量。