审稿人应该告诉你为什么 Spearman不合适。这是其中的一个版本：假设数据为，其中是测量变量，是性别指标，假设它是 0（男人），1（女人）。的秩计算Spearman 的。只有两个可能的值，因此会有很多联系，所以这个公式不合适。如果您将排名替换为平均排名，那么您将只得到两个不同的值，一个用于男性，另一个用于女性。然后$\rho$$(Z_i, I_i)$$Z$$I$$\rho$$Z, I$$I$$\rho$将基本上成为两组之间平均排名的一些重新调整的版本。简单地比较手段会更简单（更容易解释）！另一种方法如下。

令是男性中连续变量的观测值，在女性中相同。现在，如果和的分布相同，则将为 0.5（假设分布是纯粹绝对连续的，因此没有关系）。在一般情况下，定义 其中是男性随机抽取，是女性随机抽取。我们可以从我们的样本中估计形成所有对（假设没有关系）并计算我们有多少“人更大”（）（$X_1, \dots, X_n$$Y_1, \dots, Y_m$$X$$Y$$P(X>Y)$

我现在也有同样的问题。我还没有看到有人提到这个，但我正在研究基于 Pearson 相关系数的点双列相关。它是连续变量和二分变量的均值。

快速阅读： https ://statistics.laerd.com/spss-tutorials/point-biserial-correlation-using-spss-statistics.php

我使用 R，但我发现 SPSS 有很好的文档。

似乎最合适的比较是比较中位数（因为它是非正态的）和二元类别之间的分布。我建议使用非参数 Mann-Whitney 检验...

对于指定的问题，测量接收操作员特征曲线的曲线下面积可能会有所帮助。

我不是这方面的专家，所以我尽量保持简单。请对任何错误或错误解释发表评论，以便我进行更改。

$x$是你的连续变量。$y$是你的分类。如果你选择一个值，看看你得到多少真阳性和假阳性$x$作为正面和负面（或男性和女性）之间的阈值，您将其与真实标签进行比较。例如，您选择 7，然后在上面$x$=7 均为女性 (1) 及以下$x$=7 所有男性 (0)。将其与真实标签进行比较，并获得预测的真阳性和假阳性数。

重复上述过程，从 min($x$) 到最大值 ($x$) 您将生成真阳性率和假阳性率，然后您可以像下图那样绘制它们，您可以计算曲线下的面积。

这个想法是，如果变量之间没有相关性，那么对于所有值，您将获得相同的真阳性和真阴性比率$x$，然而，如果存在良好的相关性（同样代表反相关性），真阳性与真阴性的比率将变化很大$x$变化。

上述语句是用曲线下面积计算的。

良好相关性（右）和公平反相关性（左）的 示例。