Johdanto
Pearson tuote-hetki korrelaatiokerroin (Pearsonin korrelaatio, lyhyen) on mitta vahvuus ja suunta yhdistys, joka on olemassa kahden muuttujat mitattu vähintään intervalliasteikolla.
esimerkiksi Pearsonin korrelaation avulla voisi ymmärtää, onko tentin suorituksen ja tarkistamiseen käytetyn ajan välillä yhteyttä., Pearsonin korrelaation avulla voisi myös ymmärtää, onko masennuksen ja työttömyyden pituuden välillä yhteyttä.
Pearsonin korrelaatio yrittää piirtää line of best fit kautta tiedot kahden eri muuttujan ja Pearsonin korrelaatiokerroin, r, ilmaisee, kuinka kaukana kaikki nämä tiedot kohdat ovat tämän line of best fit (eli sen, miten hyvin tiedot pistettä istuvuus tämän malli/line of best fit). Voit oppia lisää Pearsonin korrelaatiota käsittelevästä yleisemmästä oppaastamme, jota suosittelemme, jos et tunne tätä testiä.,
Huom: Jos toinen muuttuja on dikotominen voit käyttää point-biserial korrelaatio sen sijaan, tai jos sinulla on yksi tai useampia kontrollimuuttujia, voit ajaa Pearson on osittainen korrelaatio.
Tämä ”quick start” opas näyttää, miten suorittaa Pearsonin korrelaatiota käyttäen SPSS Statistics, sekä tulkita ja raportoida tuloksia tässä testissä. Kuitenkin, ennen kuin voimme esitellä sinulle tämän menettelyn, sinun täytyy ymmärtää, eri oletuksia, jotka tietojen on täytettävä, jotta Pearsonin korrelaatio antaa sinulle kelvollinen tulos., Seuraavaksi keskustelemme näistä oletuksista.
SPSS Statistics
Oletukset
Kun haluat analysoida tietoja käyttämällä Pearsonin korrelaatio, osa prosessissa tarkkailun varmistaa, että tiedot, joita haluat analysoida, voidaan analysoida käyttäen Pearsonin korrelaatiota. Sinun täytyy tehdä tämä, koska se on vain tarkoituksenmukaista käyttää Pearsonin korrelaatio jos data ”kulkee” neljä oletuksia, joita tarvitaan Pearsonin korrelaatio antaa sinulle kelvollinen tulos., Käytännössä tarkistaa nämä neljä oletuksia vain lisää hieman enemmän aikaa analyysi, joka vaatii sinua klikkaa muutamia painikkeita SPSS Statistics suorittaessaan analyysi, sekä ajatella vähän lisää tietoa, mutta se ei ole vaikea tehtävä.
Ennen kuin me esitellä sinulle nämä neljä oletukset, älä ylläty, jos, kun analysoidaan omia tietoja käyttämällä SPSS Tilasto, yksi tai useampi näistä oletuksista on rikottu (eli ei täyty)., Tämä ei ole harvinaista, kun työskentely todellisten tietojen sijaan oppikirja esimerkkejä, jotka usein vain näyttää, miten suorittaa Pearsonin korrelaatio, kun kaikki menee hyvin! Älä kuitenkaan huoli. Silloinkin, kun tietosi eivät tiettyjä oletuksia, on usein ratkaisu voittaa tämä. Ensimmäinen, katsotaanpa katsomaan näitä neljä oletukset:
- Oletus #1: kaksi muuttujia on mitattava välein tai suhde taso (eli ne ovat jatkuvia)., Esimerkkejä muuttujista, jotka täyttävät tämän arviointiperusteen, ovat revisioaika (tunteina mitattuna), älykkyys (älykkyysosamäärän perusteella mitattuna), tentin suorituskyky (mitattuna 0-100), paino (mitattuna kiloina) ja niin edelleen. Voit oppia lisää intervalli – ja suhdemuuttujista muuttujan oppaistyypeissämme.
- oletus #2: kahden muuttujan välillä on lineaarinen suhde., Vaikka on olemassa useita tapoja tarkistaa, onko lineaarinen suhde välillä teidän kaksi muuttujaa, suosittelemme luomaan scatterplot käyttämällä SPSS Tilasto, jossa voit piirtää yhden muuttujan vastaan muut muuttuja, ja sitten visuaalisesti tarkastaa scatterplot tarkistaa lineaarisuus., Sinun scatterplot voi näyttää yhden seuraavista:
Jos suhde näytetään scatterplot ei ole lineaarinen, sinun täytyy joko ajaa parametriset vastaa Pearsonin korrelaatio tai muuttaa tietojasi, jonka voit tehdä käyttämällä SPSS Tilasto., Meidän parannettu oppaita, me näytämme sinulle, miten: (a) luo scatterplot tarkistaa lineaarisuus suorittaessaan Pearsonin korrelaatiota käyttäen SPSS Statistics; (b) tulkita eri scatterplot tulokset; ja (c) muuttaa tietoja käyttämällä SPSS Tilasto jos ei ole lineaarinen suhde teidän kahden muuttujan.
Huomautus: Pearsonin korrelaatio määrittää, missä määrin suhde on lineaarinen. Toisin sanoen se määrittää, onko kahden jatkuvan muuttujan välillä lineaarinen assosiaatiokomponentti. Sinänsä lineaarisuus ei ole oikeastaan oletus Pearsonin korrelaatiosta., Kuitenkin, sinun ei yleensä halua jatkaa Pearsonin korrelaatio määrittää vahvuus ja suunta lineaarinen suhde, kun tiedät jo suhteen kaksi muuttujaa ei ole lineaarinen. Sen sijaan kahden muuttujan välistä suhdetta voitaisiin kuvata paremmin toisella tilastollisella mittarilla. Tästä syystä, se ei ole harvinaista katsella suhdetta kaksi muuttujat scatterplot nähdä, jos käynnissä Pearsonin korrelaatio on paras valinta mittana yhdistys tai onko toinen toimenpide olisi parempi.,
- oletus #3: merkittäviä poikkeamia ei pitäisi olla. Harha on yksinkertaisesti yksittäinen tiedot pistettä sisällä tietoja, jotka eivät noudata tavallista mallia (esim. tutkimus 100 opiskelijoiden IQ tulokset, jossa keskimääräinen pistemäärä oli 108 ja vain pieni vaihtelu opiskelijoiden välillä, yksi opiskelija oli pisteet 156, joka on hyvin epätavallista, ja voi jopa laittaa hänen top 1% IQ tulokset maailmanlaajuisesti)., Seuraavat scatterplots korostaa mahdollisia vaikutuksia harha:
Pearsonin korrelaatiokerroin, r, on herkkä poikkeaville havainnoille, joka voi olla erittäin suuri vaikutus line of best fit ja Pearsonin korrelaatiokerroin. Siksi joissakin tapauksissa, mukaan lukien poikkeamat analyysissasi, voi johtaa harhaanjohtaviin tuloksiin. Siksi on parasta, jos ei ole poikkeamia tai ne pidetään minimissä., Onneksi, kun käyttäen SPSS Statistics ajaa Pearsonin korrelaatio tietosi, voit helposti sisällyttää menettelyt näytön harha. Meidän parannettu Pearsonin korrelaatio opas, me: (a) näyttää, miten tunnistaa harha käyttäen scatterplot, joka on yksinkertainen prosessi kun käytät SPSS Statistics; ja (b) keskustella joitakin vaihtoehtoja sinulle, jotta käsitellä harha.
- oletus #4: muuttujien tulisi jakautua suunnilleen normaalisti., Jotta voidaan arvioida tilastollista merkitsevyyttä Pearsonin korrelaatio, sinun täytyy olla bivariate normaaliuden, mutta tämä oletus on vaikea arvioida, joten yksinkertaisempi menetelmä on yleisesti käytetty. Tämä yksinkertaisempi menetelmä edellyttää kunkin muuttujan normaaliuden määrittämistä erikseen. Normaaliuden testaamiseen voi käyttää Shapiro-Wilkin normaaliuden testiä, joka on helppo testata SPSS-tilastojen avulla. Lisäksi näytetään, miten tehdä tämän tehostettua Pearsonin korrelaatio opas, me myös selittää, mitä voit tehdä, jos data ei tätä oletusta.,
voit tarkistaa oletukset #2, #3 ja #4 SPSS-tilastojen avulla. Muista, että jos et testaa nämä oletukset oikein, tulokset saat, kun käynnissä Pearsonin korrelaatio ei ehkä ole voimassa. Siksi omistamme useita osia parannetusta Pearsonin korrelaatio-oppaasta, jotta saat tämän oikein. Voit selvittää tehostettua sisältöä meidän Ominaisuudet: – Yleiskatsaus-sivulla, tai tarkemmin sanottuna, oppia, miten voimme auttaa-testauksen oletukset meidän Ominaisuudet: Oletukset-sivulla.,
SPSS: n tilastoissa olevassa jaksossa testimenettely havainnollistetaan SPSS: n Tilastointimenettelyä Pearsonin korrelaation suorittamiseksi olettaen, ettei oletuksia ole rikottu. Ensinnäkin esitämme esimerkin, jota käytämme selittämään Pearsonin korrelaatiomenettelyä SPSS: n tilastoissa.