首先，正态性检验、极端异常值的处理这些是再做具体分析前的数据清洗工作，做好了这些，才会有后面的工作；
   其次，方法的选择一般是基于你要做什么，要什么类型的变量去测度你想做的东西。变量类型确定了，选用何种方法一般就定了。如做相关分析的两个变量都是连续性变量，那直接用pearson相关系数即可；
   最后，结果的呈现有多种方式。有单独呈现相关分析结果的，有将描述性统计分析(Mean,SD)与相关分析结果结合的。具体用哪个看个人的习惯以及你想做的事情的特殊要求。比如你要投xx杂志，那建议看看xx杂志上文章这部分是如何呈现的，仿着做就行。祝好运~

谢回复。

数据清洗时还要做正态性检验吗？如果是连续性变量但不满足正态性，用pearson相关系数是否不妥当？

如果用pearson相关系数、spearman相关系数和偏相关分析系数符号或显著性不一致，对于满足正态性的连续型变量、不满足正态性的连续型变量和离散型变量，分别应该如何呈现结果？

只要有一个变量是离散的，做相关分析时就必须用spearman相关系数吗？

菜鸟一个，会好好看书，望先简单回复

    在我个人看来，正态性检验也是数据清洗工作中的一个额。连续变量看其分布趋势，其实不一定非要正态分布，近似正态分布也可以，主要是要剔除极端异常值对结果的影响。所以对于偏态分布的连续性变量，做相应的转化处理就行，如取对数。pearson相关系数就是用于连续性变量间的相关关系测度的。
   pearson相关系数、spearman相关系数和偏相关分析是适用于不同的变量情况的，如果你的变量是连续性变量那就只看pearson相关系数，如果用其它两种方法去做连续性变量的相关，这么比较没意思。PS：不满足正态分布的连续性变量可做相应的转换，使其近似服从正态分布，然后再做相关。