我认为没有明显的理由不这样做。据我所知，我们通常会区分两种效应大小（ES）度量来限定观察到的关联的强度：ES 基于$d$（均值差异）和 ES 基于$r$（相关性）。后者包括培生的$r$, 也是斯皮尔曼的$\rho$, 肯德尔$\tau$，或多重相关系数。

至于他们的解释，我认为这主要取决于你所从事的领域：0.20 的相关性在心理与软件工程研究中肯定不会以同样的方式解释。不要忘记科恩的三向分类——小、中、大——是基于行为数据的，正如 Kraemer 等人所讨论的那样。（2003 年），第。1526. 在他们的表 1 中，他们没有区分属于$r$家庭。没有绝对的含义，应参考既定结果或文献综述来解释。

我想添加一些其他参考资料，这些参考资料对常见的 ES 措施及其解释提供了有用的评论。

参考

1. Helena C. Kraemer、George A. Morgan、Nancy L. Leech、Jeffrey A. Gliner、Jerry J. Vaske 和 Robert J. Harmon (2003)。临床意义的测量。J Am Acad Child Adolesc Psychiatry，42（12），1524-1529。
2. 克里斯托弗·J·弗格森 (Christopher J. Ferguson) (2009)。效果大小引物：临床医生和研究人员指南。专业心理学：研究与实践，40（5），532-538。
3. Edward F. Fern 和 Kent B. Monroe (1996)。效果大小估计：解释中的问题和问题。消费者研究杂志，23，89-105。
4. 丹尼尔·J·丹尼斯 (2003)。零假设显着性检验的替代方法。理论与科学，4（1）。
5. 保罗 D. 埃利斯 (2010)。效果大小的基本指南。剑桥大学出版社。-- 刚刚浏览了目录

随着样本量的增加$n$,$r_{z} = \sqrt{n-1} r_{S}$是渐近的$N(0, 1)$分布（标准正态分布）。在 R 中

rSz   <- sqrt(n-1) * rS
(pVal <- 1-pnorm(rSz))   # one-sided p-value, test for positive rank correlation