Inledning
Pearsons produktmomentkorrelationskoefficient (Pearsons korrelation, för kort) är ett mått på styrkan och riktningen för föreningen som finns mellan två variabler uppmätta på minst en intervallskala.
Du kan till exempel använda Pearsons korrelation för att förstå om det finns en koppling mellan examensresultat och tid som spenderas på att revidera., Du kan också använda en Pearsons korrelation för att förstå om det finns ett samband mellan depression och arbetslöshet.
en Pearsons korrelation försöker dra en linje av bästa passform genom data för två variabler, och Pearson korrelationskoefficient, r, indikerar hur långt bort alla dessa datapunkter är från denna linje av bästa passform (dvs hur bra datapunkterna passar denna modell/linje av bästa passform). Du kan lära dig mer i vår mer allmänna guide om Pearsons korrelation, som vi rekommenderar om du inte är bekant med detta test.,
Obs: Om en av dina två variabler är dikotom kan du använda en punkt-biserial korrelation istället, eller om du har en eller flera kontrollvariabler, kan du köra en Pearsons partiella korrelation.
den här snabbstartsguiden visar hur du utför Pearsons korrelation med hjälp av SPSS-Statistik, samt tolkar och rapporterar resultaten från detta test. Men innan vi introducerar dig till denna procedur måste du förstå de olika antagandena som dina data måste uppfylla för att en Pearsons korrelation ska ge dig ett giltigt resultat., Vi diskuterar dessa antaganden nästa.
SPSS Statistik
antaganden
När du väljer att analysera dina data med Pearsons korrelation innebär en del av processen att kontrollera att de data du vill analysera faktiskt kan analyseras med Pearsons korrelation. Du måste göra detta eftersom det bara är lämpligt att använda Pearsons korrelation om dina data ”passerar” fyra antaganden som krävs för Pearsons korrelation för att ge dig ett giltigt resultat., I praktiken lägger kontrollen av dessa fyra antaganden bara lite mer tid till din analys, vilket kräver att du klickar på några fler knappar i SPSS-statistiken när du utför din analys, samt tänka lite mer om dina data, men det är inte en svår uppgift.
innan vi introducerar dig till dessa fyra antaganden, bli inte förvånad om en eller flera av dessa antaganden bryts när du analyserar dina egna data med hjälp av SPSS-Statistik (dvs. inte uppfylls)., Detta är inte ovanligt när man arbetar med verkliga data snarare än läroboksexempel, som ofta bara visar dig hur man utför Pearsons korrelation när allt går bra! Men oroa dig inte. Även när dina data misslyckas vissa antaganden, det finns ofta en lösning för att övervinna detta. Låt oss först ta en titt på dessa fyra antaganden:
- antagande #1: Dina två variabler ska mätas vid intervallet eller kvotnivån (dvs de är kontinuerliga)., Exempel på variabler som uppfyller detta kriterium är revisionstid (mätt i timmar), intelligens (mätt med IQ-poäng), provprestanda (mätt från 0 till 100), vikt (mätt i kg) och så vidare. Du kan läsa mer om intervallvariabler och kvotvariabler i våra typer av variabel guide.
- antagande #2: Det finns ett linjärt förhållande mellan dina två variabler., Även om det finns ett antal sätt att kontrollera om det finns ett linjärt förhållande mellan dina två variabler, föreslår vi att du skapar en scatterplot med hjälp av SPSS-Statistik, där du kan rita den ena variabeln mot den andra variabeln och sedan visuellt inspektera scatterplot för att kontrollera efter linearitet., Din scatterplot kan se ut som något av följande:
om förhållandet som visas i din scatterplot inte är linjärt måste du antingen köra en icke-parametrisk motsvarighet till Pearsons korrelation eller omvandla dina data, vilket du kan göra med SPSS-Statistik., I våra förbättrade guider visar vi dig hur du: (A) skapar en scatterplot för att kontrollera linearitet när du utför Pearsons korrelation med hjälp av SPSS-Statistik; (b) tolkar olika scatterplot-resultat; och (c) omvandlar dina data med hjälp av SPSS-Statistik om det inte finns ett linjärt förhållande mellan dina två variabler.
Obs! Pearsons korrelation avgör i vilken utsträckning ett förhållande är linjärt. Sätt ett annat sätt, det avgör om det finns en linjär komponent i samband mellan två kontinuerliga variabler. Som sådan är linearitet faktiskt inte ett antagande om Pearsons korrelation., Du skulle dock normalt inte vilja driva en Pearsons korrelation för att bestämma styrkan och riktningen för ett linjärt förhållande när du redan vet att förhållandet mellan dina två variabler inte är linjärt. I stället kan förhållandet mellan dina två variabler beskrivas bättre av en annan statistisk åtgärd. Av denna anledning är det inte ovanligt att se förhållandet mellan dina två variabler i en scatterplot för att se om att köra en Pearsons korrelation är det bästa valet som ett mått på förening eller om en annan åtgärd skulle vara bättre.,
- antagande #3: Det bör inte finnas några signifikanta avvikare. Outliers är helt enkelt enstaka datapunkter i dina data som inte följer det vanliga mönstret (t.ex. i en studie av 100 elevernas IQ-poäng, där medelvärdet var 108 med endast en liten variation mellan eleverna, en student hade en poäng på 156, vilket är mycket ovanligt, och kan till och med sätta henne i topp 1% av IQ-poäng globalt)., Följande scatterplots belyser den potentiella effekten av outliers:
Pearsons korrelationskoefficient, r, är känslig för avvikare, vilket kan ha en mycket stor effekt på linjen för bästa passform och Pearson korrelationskoefficienten. Därför kan i vissa fall, inklusive outliers i din analys, leda till vilseledande resultat. Därför är det bäst om det inte finns några avvikare eller de hålls till ett minimum., Lyckligtvis, när du använder SPSS-Statistik för att köra Pearsons korrelation på dina data, kan du enkelt inkludera procedurer för att Skärm för avvikare. I vår förbättrade Pearsons korrelationsguide visar vi: (a) hur du upptäcker avvikare med hjälp av en scatterplot, vilket är en enkel process när du använder SPSS-Statistik; och (B) diskutera några av de alternativ som är tillgängliga för dig för att hantera avvikare.
- antagande #4: Dina variabler ska vara ungefär normalt fördelade., För att bedöma den statistiska betydelsen av Pearson-korrelationen måste du ha bivariat normalitet, men detta antagande är svårt att bedöma, så en enklare metod används oftare. Denna enklare metod innebär att man bestämmer normaliteten för varje variabel separat. För att testa för normalitet kan du använda Shapiro-Wilk-testet av normalitet, som enkelt testas för att använda SPSS-Statistik. Förutom att visa dig hur du gör detta i vår förbättrade Pearsons korrelationsguide, förklarar vi också vad du kan göra om dina data misslyckas med detta antagande.,
Du kan kontrollera antaganden #2, #3 och #4 med hjälp av SPSS Statistics. Kom ihåg att om du inte testar dessa antaganden korrekt kan resultaten du får när du kör en Pearsons korrelation kanske inte vara giltiga. Det är därför vi ägnar ett antal delar av vår förbättrade Pearsons korrelation guide för att hjälpa dig att få detta rätt. Du kan läsa om vårt förbättrade innehåll på våra funktioner: översiktssida, eller mer specifikt, lära oss hur vi hjälper till med att testa antaganden om våra funktioner: antaganden sida.,
i avsnittet testprocedur i SPSS-Statistik illustrerar vi SPSS-Statistikproceduren för att utföra Pearsons korrelation, förutsatt att inga antaganden har kränkts. Först beskriver vi exemplet vi använder för att förklara Pearsons korrelationsprocedur i SPSS-statistiken.