通常在回归分析时，如果是二分类变量可以直接当做连续性变量进行回归，而多分类时，则需要设置哑变量，即将每个类别转换成0,1的编码来表示，因此这里我们求相关系数时，也可以采用类似的设置哑变量，只不过是有几个类别就设置几个哑变量，这也相当于将多分类变量变成了多个0、1编码的二分类变量，然后再直接使用相关分析，选择所有的哑变量和连续性因变量进行普通的pearson相关，就可以得出每个分类与因变量的相关系数了。
)小样本数据：用二项分布进行确切概率法检验;
(2)大样本数据：用U检验;
2)多分类数据：用Pearson检验(又称拟合优度检验)。
2. 四格表(2×2表)数据
1)完全随机设计的四格表数据的分析
(1)当样本量n>40，并且4个格子理论数均大于5时，则用Pearson 检验;
(2)当样本量n>40，并且4个格子理论数均大于1且至少存在一个格子的理论数<5时，则用校正检验或用Fisher’s精确概率法检验;
(3)当样本量n£40或存在任一格子理论数<1，则用精确概率法检验;
2)配对设计的四格表数据的分析
(1)b+c≥40，则用McNemar配对检验;
(2)b+c<40，则用二项分布确切概率法检验;
3. 2×C表或R×2表数据的统计分析
1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则可以采用行平均得分差(Row Mean Scores Differ)的CMH 或成组的Wilcoxon秩和检验;
2)列变量为效应指标并且为二分类，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果总的'来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
3)行变量和列变量均为无序分类变量：
(1)当样本量n>40，并且理论数小于5的格子数少于行列表中格子总数的25%，则用Pearson 检验;
(2)当样本量n£40，或理论数小于5的格子数多于行列表中格子总数的25%，则用Fisher’s确切概率法检验;
4. R×C表数据的统计分析
1)完全随机设计的R×C表数据的统计分析
(1)列变量为效应指标，并且为有序多分类变量，行变量为分组变量，则CMH 或Kruskal Wallis的秩和检验;
(2)列变量为效应指标，并且为无序多分类变量，行变量为有序多分类变量，则采用普通的Pearson 检验比较各组之间有无差别，如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义;
(3)列变量和行变量均为有序多分类变量，可以作Spearman相关分析或者非零相关(none zero correlation)的CMH ;
