带星号证明具备统计上的显著性意义
高于0.8证明变量有较强相关性
共线性问题是为了回答类似这样的问题: 富人群体经常在高档饭店吃饭，也经常去打高尔夫球。
在高档饭店吃饭和打高尔夫球有很强的相关性：经常去打高尔夫球的人也经常去高档饭店吃饭，但是两者无法互相解释。
真实的直接原因很简单，富人群体更有钱。有钱和打高尔夫和去高档饭店都是强正相关。
所以打高尔夫和去高档饭店一个是有钱的f函数一个是有钱的g函数，两者关于有钱共线
共线性问题使用(方差膨胀系数VIF来判断)

自变量之间显著相关可能存在多重共线性问题，影响回归结果，需要用VIF值判断解释变量是否存在多重共线性，文献里用到的VIF阈值4、5、8、10的都有，需视情况选择，言之成理即可。

在Stata中进行的相关性分析（通常是皮尔逊相关系数或者斯皮尔曼等级相关），结果中的星号（*）表示该相关的显著性。具体来说：

- 如果结果显示为`***`，通常意味着在0.1%的水平上是显著的；
- `**`则可能代表在1%的水平上显著；
- 而`*`一般指5%的显著水平。

这些星号是为了表明相关系数是否与零有统计学上的显著差异。换句话说，它们告诉你两个变量之间的关系不是偶然发生的，而是具有一定的可信度。

至于结果中的数字（即相关系数），它们的范围通常在-1到+1之间：

- 如果接近于+1，则表示两个变量正相关，即一个增加时另一个也倾向于增加；
- 接近于-1则为负相关，意味着一个增加时另一个减少；
- 而如果接近0，则两者之间可能没有线性关系。

当提到系数高于0.8（或有时是0.7）时要考虑共线性的问题，指的是在多元回归分析中，如果有两个或者更多的解释变量彼此高度相关（即它们之间的相关系数很高），那么这种现象被称为多重共线性。这可能会导致回归模型的参数估计不稳定，并增加标准误差。

要判断哪些变量之间存在共线性问题，你可以通过查看所有配对的相关系数来识别。如果发现某些变量间的相关系数特别高，则需要进一步处理（例如，考虑去除其中一个变量或者采用主成分分析等方法）以减少模型中的多重共线性影响。

希望这能帮助你理解Stata中相关性分析的基本解读方式！如果有更具体的数据或结果，可以提供详细信息以便获得更加针对性的建议。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用