背景：我读过一篇文章，作者从878样本中报告了Pearson相关系数0.754。相关检验的p值显着为“两颗星”（即p <0.01）。但是，我认为在如此大的样本量下，相应的p值应小于0.001（即三颗星）。
Answers:
是的，如果您使用Fisher的R到z转换，则可以完成。其他方法（例如引导程序）可以具有一些优点，但是需要原始数据。在R中（r是样本相关系数，n是观察数）：
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
另请参阅我的博客上的这篇文章。
就是说，无论是.01还是.001都没关系。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。合理的结论是，您甚至可能根本不需要测试（尤其是不需要对相关性为0的所谓“零”假设进行测试）。在N = 878的情况下，您可以对估计的精度非常有信心，并专注于直接对其进行解释（即，您所在领域的.75大吗？）。
但是，正式地，当您在Neyman-Pearson框架中进行统计检验时，需要预先指定错误级别。因此，如果测试的结果确实很重要，并且计划以.01作为阈值进行研究，则仅报告p <.01 是有意义的，并且您不应根据获得的p值将其设为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，更普遍地是社会科学中进行零假设重要性检验的方式。
参见Meehl，PE（1978）。理论风险和表格星号：卡尔爵士，罗纳德爵士，以及软心理学进展缓慢。咨询与临床心理学杂志， 46（4），806-834。（标题包含对这些“星星”的引用，但内容是对重要性测试的作用的广泛讨论。）
您使用Fisher的R到z转换。
还有另一种统计数据：
abs(r)*sqrt((n-2)/(1-r^2)) ~ t.dist(d.f.=n-2)
它的t分布具有n-2个自由度。例如，这是如何工作的：http : //www.danielsoper.com/statcalc3/calc.aspx?id=44