是的，如果您使用 Fisher 的 R-to-z 转换，它可以做到。其他方法（例如引导程序）可能有一些优势，但需要原始数据。在 R 中（r是样本相关系数，n是观察次数）：

z <- 0.5 * log((1+r)/(1-r))
zse <- 1/sqrt(n-3)
min(pnorm(z, sd=zse), pnorm(z, lower.tail=F, sd=zse))*2

另请参阅我博客上的这篇文章。

也就是说，它是 .01 还是 .001 并不重要。正如您所说，这主要是样本量的函数，并且您已经知道样本量很大。合乎逻辑的结论是，您甚至可能根本不需要测试（尤其不需要测试相关性为 0 的所谓“零”假设）。使用N = 878，您可以对估计的精度充满信心并专注于直接解释它（即在您的领域中是 0.75 大吗？）。

然而，正式地，当您在 Neyman-Pearson 框架中进行统计测试时，您需要提前指定错误级别。因此，如果测试结果确实很重要，并且研究计划以 0.01 作为阈值，则报告p < .01才有意义，您不应根据获得的p值机会性地将其设为p < .001。这种类型的未公开的灵活性甚至是批评小星星的主要原因之一，更普遍的是，在社会科学中实践无效假设显着性检验的方式。

另见 Meehl, PE (1978)。理论风险和表格星号：卡尔爵士、罗纳德爵士和软心理学的缓慢进展。咨询与临床心理学杂志， 46 (4), 806-834。（标题包含对这些“明星”的引用，但内容是对显着性检验作用的更广泛讨论。）

您使用 Fisher 的 R-to-z 转换。

有一个替代统计：

abs(r)*sqrt((n-2)/(1-r^2)) ~ t.dist(d.f.=n-2)

具有 n-2 个自由度的 t 分布。例如，这是如何工作的：http ://www.danielsoper.com/statcalc3/calc.aspx?id=44