Indledning
Pearson product-moment korrelationskoefficient (Pearson’ s korrelation, for kort) er et mål for styrken og retningen af foreningen, der eksisterer mellem to variabler målt på mindst et interval skala.for eksempel kan du bruge en Pearsons korrelation til at forstå, om der er en sammenhæng mellem eksamensydelse og tidsforbrug til revision., Du kan også bruge en Pearson ‘ s korrelation til at forstå, om der er en sammenhæng mellem depression og længden af arbejdsløshed.
en Pearson ‘ s korrelation forsøger at tegne en linje af bedste pasform gennem dataene fra to variabler, og Pearson korrelationskoefficienten, r, angiver, hvor langt væk alle disse datapunkter er fra denne linje af bedste pasform (dvs.hvor godt datapunkterne passer til denne model/linje af bedste pasform). Du kan lære mere i vores mere generelle vejledning om Pearsons korrelation, som vi anbefaler, hvis du ikke er bekendt med denne test.,
Bemærk: Hvis en af dine to variabler er dikotom, kan du bruge en punkt-biserial korrelation i stedet, eller hvis du har en eller flere kontrolvariabler, kan du køre en Pearsons delvise korrelation.
denne “quickuick start” – guide viser dig, hvordan du udfører en Pearsons korrelation ved hjælp af SPSS-statistikker, samt fortolker og rapporterer resultaterne fra denne test. Men før vi introducerer dig til denne procedure, skal du forstå de forskellige antagelser, som dine data skal opfylde for at en Pearsons korrelation kan give dig et gyldigt resultat., Vi diskuterer disse antagelser næste.
SPSS statistik
forudsætninger
Når du vælger at analysere dine data ved hjælp af Pearsons korrelation, består en del af processen i at kontrollere, at de data, du vil analysere, rent faktisk kan analyseres ved hjælp af Pearsons korrelation. Du skal gøre dette, fordi det kun er hensigtsmæssigt at bruge Pearsons korrelation, hvis dine data “passerer” fire antagelser, der kræves for Pearsons korrelation for at give dig et gyldigt resultat., I praksis, kontrol for disse fire antagelser, tilføjer blot en lille smule mere tid til din analyse, der kræver, at du til at klikke på nogle flere knapper i SPSS Statistics, når du udfører din analyse, samt tænke lidt mere over dine data, men det er ikke en vanskelig opgave.
før vi introducerer dig til disse fire antagelser, skal du ikke blive overrasket, hvis en eller flere af disse antagelser overtrædes, når du analyserer dine egne data ved hjælp af SPSS-statistikker (dvs.ikke er opfyldt)., Dette er ikke ualmindeligt, når du arbejder med data i den virkelige verden snarere end lærebogeksempler, som ofte kun viser dig, hvordan du udfører Pearsons korrelation, når alt går godt! Men rolig. Selv når dine data fejler visse antagelser, er der ofte en løsning til at overvinde dette. Lad os først se på disse fire antagelser:
- antagelse #1: Dine to variabler skal måles på interval-eller forholdsniveauet (dvs.de er kontinuerlige)., Eksempler på variabler, der opfylder dette kriterium, inkluderer revisionstid (målt i timer), intelligens (målt ved hjælp af I. – score), eksamensydelse (målt fra 0 til 100), vægt (målt i kg) osv. Du kan lære mere om interval-og forholdsvariabler i vores Variabelvejledning.2: Der er et lineært forhold mellem dine to variabler., Selvom der er en række måder at kontrollere, om der findes et lineært forhold mellem dine to variabler, foreslår vi at oprette en scatterplot ved hjælp af SPSS-statistikker, hvor du kan plotte den ene variabel mod den anden variabel og derefter visuelt inspicere scatterplot for at kontrollere linearitet., Din scatterplot kan ligne en af følgende:
Hvis forholdet, der vises i din scatterplot, ikke er lineært, skal du enten køre en ikke-parametrisk ækvivalent med Pearsons korrelation eller omdanne dine data, hvilket du kan gøre ved hjælp af SPSS-statistikker., I vores forbedrede guider viser vi dig, hvordan du: (a) opretter en scatterplot for at kontrollere linearitet, når du udfører Pearsons korrelation ved hjælp af SPSS-statistikker; (B) fortolker forskellige scatterplot-resultater; og (C) omdanner dine data ved hjælp af SPSS-statistikker, hvis der ikke er et lineært forhold mellem dine to variabler.
Bemærk: Pearsons korrelation bestemmer, i hvilken grad et forhold er lineært. Sagt på en anden måde bestemmer det, om der er en lineær komponent af sammenhæng mellem to kontinuerlige variabler. Som sådan, linearitet er faktisk ikke en antagelse om Pearson ‘ s korrelation., Du vil dog normalt ikke forfølge en Pearsons korrelation for at bestemme styrken og retningen af et lineært forhold, når du allerede ved, at forholdet mellem dine to variabler ikke er lineært. I stedet kan forholdet mellem dine to variabler bedre beskrives ved en anden statistisk foranstaltning. Af denne grund er det ikke ualmindeligt at se forholdet mellem dine to variabler i en scatterplot for at se, om det at køre en Pearsons korrelation er det bedste valg som et mål for forening, eller om en anden foranstaltning ville være bedre.,3: Der bør ikke være nogen signifikante outliers. Outliers er simpelthen enkelte datapunkter i dine data, der ikke følger det sædvanlige mønster (F.i en undersøgelse af 100 studerendes i. – score, hvor den gennemsnitlige score var 108 med kun en lille variation mellem studerende, en studerende havde en score på 156, hvilket er meget usædvanligt, og kan endda sætte hende i top 1% af i. – score globalt)., Følgende scatterplots fremhæver den potentielle virkning af outliers:
Pearsons korrelationskoefficient, r, er følsom over for outliers, hvilket kan have en meget stor effekt på linjen med bedste pasform og Pearson-korrelationskoefficienten. Derfor, i nogle tilfælde, herunder outliers i din analyse kan føre til vildledende resultater. Derfor er det bedst, hvis der ikke er nogen outliers, eller de holdes på et minimum., Heldigvis, når du bruger SPSS statistik til at køre Pearson korrelation på dine data, du kan nemt medtage procedurer til at screene for outliers. I vores enhanced Pearson ‘ s correlation guide: (A) viser dig, hvordan du finder outliers ved hjælp af en scatterplot, som er en simpel proces, når du bruger SPSS-statistikker; og (B) diskuterer nogle af de muligheder, du har til rådighed for at håndtere outliers.4: dine variabler skal fordeles omtrent normalt., For at vurdere den statistiske betydning af Pearson-korrelationen skal du have bivariat normalitet, men denne antagelse er vanskelig at vurdere, så en enklere metode er mere almindeligt anvendt. Denne enklere metode indebærer bestemmelse af normaliteten af hver variabel separat. For at teste for normalitet kan du bruge Shapiro-.ilk test of normality, som let testes for brug af SPSS-statistikker. Ud over at vise dig, hvordan du gør dette i vores enhanced Pearsons korrelationsguide, forklarer vi også, hvad du kan gøre, hvis dine data fejler denne antagelse.,
Du kan kontrollere antagelserne #2, #3 og #4 ved hjælp af SPSS-statistikker. Husk, at hvis du ikke tester disse antagelser korrekt, er de resultater, du får, når du kører en Pearsons korrelation, muligvis ikke gyldige. Det er derfor, vi dedikerer en række sektioner af vores enhanced Pearson korrelation guide til at hjælpe dig med at få denne ret. Du kan finde ud af om vores forbedrede indhold på vores funktioner: oversigtsside, eller mere specifikt, lære, hvordan vi hjælper med at teste antagelser på vores funktioner: antagelser side.,
i afsnittet testprocedure i SPSS-statistikker illustrerer vi SPSS-Statistikproceduren for at udføre en Pearsons korrelation under forudsætning af, at ingen antagelser er blevet overtrådt. Først beskriver vi det eksempel, vi bruger til at forklare Pearsons korrelationsprocedure i SPSS-statistikker.