a Pearson-féle Termék-Pillanat Korreláció segítségével SPSS Statistics

a Pearson-féle Termék-Pillanat Korreláció segítségével SPSS Statistics

Bevezető

A Pearson-féle termék-pillanat korrelációs együttható (Pearson korreláció, rövid) az intézkedés az erő irányát a szövetség, hogy létezik két mért változók legalább egy intervallum skála.

például egy korreláció segítségével meg lehet érteni, hogy van-e összefüggés a vizsga teljesítménye és a felülvizsgálatra fordított idő között., Jól jönne egy korreláció is ahhoz, hogy megértsük, van-e összefüggés a depresszió és a munkanélküliség között.

A Pearson korrelációs kísérlete két változó adatain keresztül a legjobban illeszkedő vonalat rajzol, és a Pearson korrelációs együttható, r, azt jelzi, hogy ezek az adatpontok milyen messze vannak a legjobban illeszkedő vonaltól (azaz mennyire illeszkednek az adatpontok ehhez a modellhez/a legjobban illeszkedő vonalhoz). Többet megtudhat a Pearson korrelációjáról szóló általánosabb útmutatónkban, amelyet javasoljuk, ha nem ismeri ezt a tesztet.,

Megjegyzés: Ha az egyik a két változó dichotomous akkor egy pont-biszeriális korreláció helyett, vagy ha van egy vagy több vezérlő változók, futtathatja a Pearson részleges korreláció.

Ez a “Gyorsindítás” útmutató megmutatja, hogyan kell elvégezni a Pearson korrelációját SPSS statisztikák segítségével, valamint értelmezni és jelenteni a vizsgálat eredményeit. Mielőtt azonban bemutatnánk ezt az eljárást, meg kell értenie azokat a különböző feltételezéseket, amelyeknek az adatoknak meg kell felelniük ahhoz, hogy a Pearson korrelációja érvényes eredményt adjon., Megvitatjuk ezeket a feltételezéseket.

SPSS statisztika

feltételezések

amikor úgy dönt, hogy az adatokat Pearson korrelációjával elemzi, a folyamat egy része ellenőrzi, hogy az elemezni kívánt adatok valóban elemezhetők-e a Pearson korrelációjával. Ezt meg kell tennie, mert csak akkor célszerű használni a Pearson korrelációját, ha adatai “átmennek” négy feltételezést, amelyek szükségesek a Pearson korrelációjához, hogy érvényes eredményt adjanak., A gyakorlatban ennek a négy feltételezésnek az ellenőrzése csak egy kicsit több időt ad az elemzéshez, amely megköveteli, hogy az SPSS statisztikákban még néhány gombot kattintson az elemzés elvégzése során, valamint gondoljon egy kicsit többet az adatairól, de ez nem nehéz feladat.

mielőtt bemutatnánk ezt a négy feltételezést, ne lepődj meg, ha a saját adatainak SPSS-statisztikákkal történő elemzésekor egy vagy több ilyen feltételezést megsértenek (azaz nem teljesülnek)., Ez nem ritka, ha valódi adatokkal dolgozunk, nem pedig tankönyvi példákkal, amelyek gyakran csak megmutatják, hogyan kell elvégezni Pearson korrelációját, amikor minden jól megy! Ne aggódjon azonban. Még akkor is, ha az adatok bizonyos feltételezéseket meghiúsulnak, gyakran van megoldás ennek leküzdésére. Először nézzük meg ezt a négy feltételezést:

  • 1.feltételezés: a két változót az intervallum vagy az arány szintjén kell mérni (azaz folyamatosak)., Az e kritériumnak megfelelő változók példái közé tartozik a felülvizsgálati idő (órákban mérve), az intelligencia (IQ pontszámmal mérve), a vizsga teljesítménye (0-tól 100-ig mérve), a súly (kg-ban mérve) stb. Az intervallum-és arányváltozókról többet is megtudhat a változó útmutató Típusainkban.
  • 2. feltételezés: lineáris kapcsolat van a két változó között., Bár számos módja van, hogy ellenőrizze, hogy a lineáris kapcsolat a két változó, javasoljuk létrehozása scatterplot segítségével SPSS Statistics, hogy hol lehet ábrázolni a változót, szemben a többi változót, majd vizuálisan vizsgálja meg a scatterplot, hogy ellenőrizze a linearitás., A scatterplot lehet valami, mint a következő:

    Ha a kapcsolat, megjelenik a scatterplot nem lineáris, akkor sem fut egy nemparaméteres egyenértékű a Pearson-féle korrelációs vagy átalakítani az adatok, ahol lehet tenni segítségével SPSS Statistics., A továbbfejlesztett útmutatóinkban megmutatjuk, hogyan: (a) hozzon létre egy szórólapot, hogy ellenőrizze a linearitást, amikor a Pearson korrelációját SPSS statisztikákkal végzi; (B) értelmezze a különböző szórási eredményeket; és (c) átalakítsa adatait SPSS statisztikák segítségével, ha nincs lineáris kapcsolat a két változó között.

    Megjegyzés: Pearson korrelációja határozza meg, hogy egy kapcsolat milyen mértékben lineáris. Más módon meghatározza, hogy van-e lineáris komponens a két folyamatos változó között. Mint ilyen, a linearitás valójában nem feltételezi Pearson korrelációját., A lineáris kapcsolat erősségének és irányának meghatározásához azonban általában nem kívánunk megfelelni, ha már tudjuk, hogy a két változó közötti kapcsolat nem lineáris. Ehelyett a két változó közötti kapcsolatot jobban leírhatja egy másik statisztikai intézkedés. Ezért nem ritka, hogy a két változó közötti kapcsolatot egy scatterplotban nézzük meg, hogy a Pearson korrelációjának futtatása a legjobb választás a társulás mértékeként, vagy hogy egy másik intézkedés jobb lenne-e.,

  • 3. feltételezés :nem lehet jelentős kiugró. Ismeretlenek, vagy egyszerűen csak egyetlen adatpontot belül az adatokat, hogy nem követi a szokásos mintát (pl. egy tanulmány 100 diákok IQ, ahol az átlagos pontszám 108, csak egy kis variáció diákok között, az egyik diák volt pontszám 156, ami nagyon szokatlan, sőt az is lehet, tedd a felső 1% – a az IQ pontszámok globálisan)., A következő szórólapok kiemelik a kiugró értékek potenciális hatását:

    Pearson korrelációs együtthatója, r, érzékeny a kiugró értékekre, ami igen nagy hatással lehet a legjobban illeszkedő vonalra és a Pearson korrelációs együtthatóra. Ezért bizonyos esetekben, beleértve a kiugró értékeket az elemzésben, félrevezető eredményekhez vezethet. Ezért a legjobb, ha nincsenek kiugrók, vagy azokat minimálisra tartják., Szerencsére, ha az SPSS statisztikákat használja az adatok Pearson korrelációjának futtatásához, akkor könnyen beillesztheti a kiugró értékek szűrésére szolgáló eljárásokat. A továbbfejlesztett Pearson korrelációs útmutatójában mi: (a) megmutatjuk, hogyan lehet észlelni a kiugró értékeket egy scatterplot segítségével, ami egy egyszerű folyamat az SPSS statisztikák használatakor; és (b) megvitassuk az Ön számára elérhető lehetőségeket a kiugró értékek kezelése érdekében.

  • Assumption #4: a változóknak körülbelül normálisan kell eloszlaniuk., A Pearson-korreláció statisztikai jelentőségének felmérése érdekében kétváltozatos normalitásra van szükség, de ezt a feltételezést nehéz felmérni, ezért egyszerűbb módszert alkalmaznak. Ez az egyszerűbb módszer magában foglalja az egyes változók normalitásának külön-külön történő meghatározását. A normalitás teszteléséhez használhatja a Shapiro-Wilk Normality tesztet, amelyet könnyen tesztelhet az SPSS statisztikák használatához. Amellett, hogy megmutatjuk, hogyan kell ezt megtenni a továbbfejlesztett Pearson korrelációs útmutatójában, azt is elmagyarázzuk, mit tehetünk, ha adatai ezt a feltételezést elmulasztják.,

az SPSS statisztikák segítségével ellenőrizheti a #2, #3 és #4 feltételezéseket. Ne feledje, hogy ha nem teszteli ezeket a feltételezéseket helyesen, akkor a Pearson korrelációjának futtatásakor kapott eredmények nem feltétlenül érvényesek. Ez az oka annak, hogy a továbbfejlesztett Pearson korrelációs útmutatójának számos szakaszát szenteljük annak érdekében, hogy ezt a jogot megszerezzük. Bővített tartalmunkról a Szolgáltatásainkban olvashat: Áttekintő oldal, vagy pontosabban, megtudhatja, hogyan segítünk a feltételezések tesztelésében a Szolgáltatásainkon: feltételezések oldal.,

az SPSS statisztikákban a vizsgálati eljárás szakaszban szemléltetjük az SPSS statisztikai eljárást, hogy elvégezzük a Pearson korrelációját, feltételezve, hogy nem sértették meg a feltételezéseket. Először azt a példát mutatjuk be, amelyet a Pearson korrelációs eljárásának magyarázatára használunk az SPSS statisztikáiban.

Vélemény, hozzászólás?

Az email címet nem tesszük közzé. A kötelező mezőket * karakterrel jelöltük