SPSS Korrelációelemző bemutató

lásd a Pearson korrelációkat is-gyors bevezetés.

• korrelációs teszt – mi ez?
• Null hipotézis
• feltételezések
• korrelációs teszt SPSS
• jelentési

korrelációs teszt – mi ez?

a (Pearson) korreláció egy -1 és +1 közötti szám, amely jelzi, hogy a 2 kvantitatív változó mennyire lineárisan kapcsolódik egymáshoz. Ez a legjobb érteni nézi néhány scatterplots.,

röviden,

• A -1 korreláció tökéletes lineáris csökkenő kapcsolatot jelez: az egyik változó magasabb pontszámai alacsonyabb pontszámokat jelentenek a másik változón.
• a 0 korreláció azt jelenti, hogy nincs lineáris kapcsolat 2 változó között. Ennek ellenére lehet (erős) nemlineáris kapcsolat.
• az 1 korrelációja tökéletes növekvő lineáris összefüggést jelez: az egyik változó magasabb pontszámai a másik változó magasabb pontszámaihoz kapcsolódnak.,

Null hipotézis

korrelációs teszt (általában) azt a null hipotézist teszteli, hogy a populáció korrelációja nulla.Az adatok gyakran csak egy mintát tartalmaznak egy (sokkal) nagyobb népességből: 100 ügyfelet (mintát) vizsgáltam meg, de nagyon érdekel az összes 100 000 ügyfelem (népesség). A minta kimenetele általában kissé eltér a népesség eredményeitől. Tehát a nem nulla korreláció megtalálása a mintámban nem bizonyítja, hogy 2 a változók korrelálnak az egész populációban; ha a populáció korrelációja valóban nulla, könnyen találhatok egy kis korrelációt a mintámban., Azonban, találni egy erős korreláció ebben az esetben nagyon valószínűtlen, és azt sugallja, hogy a népesség korreláció nem volt nulla elvégre.

korrelációs teszt-feltételezések

a korrelációs együtthatók kiszámítása és értelmezése önmagában nem igényel feltételezéseket. A korrelációk statisztikai szignifikancia-tesztje azonban

• független megfigyeléseket feltételez;
• normalitás: 2 változóinknak egy bivariate normál eloszlást kell követniük populációnkban. Ez a feltételezés nem szükséges az N = 25 vagy annál nagyobb mintaméretekhez.,Ésszerű mintaméretek esetén a központi limit tétel biztosítja, hogy a mintavételi Eloszlás normális legyen.

SPSS – gyors Adatellenőrzés

futtassunk néhány korrelációs tesztet az SPSS-ben most. Serdülőket fogunk használni.sav, egy adatfájl, amely 128 12 és 14 év közötti gyermek pszichológiai vizsgálati adatait tartalmazza. A változó nézet egy része az alábbiakban látható.

most, mielőtt bármilyen korrelációt futtatnánk, először ellenőrizzük, hogy adataink hihetőek-e., Mivel mind az 5 változó metrikus, gyorsan megvizsgáljuk hisztogramjaikat az alábbi szintaxis futtatásával.

hisztogram kimenet

hisztogramjaink sokat elárulnak: változóinknak 5-10 hiányzó értéke van. Eszközeik közel vannak a 100-hoz, 15 körüli szórással-ami jó, mert így kalibrálták ezeket a teszteket. Egy dolog azonban zavar, és az alább látható.,

úgy tűnik, hogy valaki nullát ért el néhány teszten-ami egyáltalán nem hihető. Ha ezt figyelmen kívül hagyjuk, a korrelációnk súlyosan elfogult lesz. Rendezzük az ügyeinket, nézzük meg, mi folyik itt, és állítsunk be néhány hiányzó értéket, mielőtt folytatnánk.

Ha most megismételjük hisztogramjainkat, látni fogjuk, hogy minden disztribúció hihetőnek tűnik., Csak most kell folytatnunk a tényleges korrelációk futtatását.

korrelációs teszt futtatása SPSS-ben

először navigáljunk a korrelál Bivariate az alábbiak szerint.

mozgassa az összes releváns változót a változók mezőbe. Valószínűleg nem akar változtatni semmi mást itt.

Clicking Paste results in the syntax Low. Futtassuk le.

SPSS korrelációk szintaxis

korrelációs kimenet

alapértelmezés szerint az SPSS mindig teljes korrelációs mátrixot hoz létre. Minden korreláció kétszer jelenik meg: a fő átló felett és alatt. A fő átlón lévő korrelációk az egyes változók és önmaguk közötti korrelációk -ezért mind 1, és egyáltalán nem érdekesek. Az átló alatti 10 korreláció az, amire szükségünk van., Mint ökölszabály, a korreláció statisztikailag szignifikáns, ha a ” Sig. (2 farkú) “< 0, 05.Most vessünk egy pillantást az eredményeinkre: a legerősebb korreláció a depresszió és az általános jólét között van: r = -0.801. Alapja N = 117 gyermek és Kétfarkú jelentősége, p = 0,000. Ez azt jelenti, hogy 0.000 valószínűség van arra, hogy megtaláljuk ezt a minta korrelációt-vagy egy nagyobbat -, ha a tényleges populáció korreláció nulla.
vegye figyelembe, hogy az IQ nem korrelál semmivel. Legerősebb korrelációja 0,152 a szorongással, de p = 0.,11 tehát nem statisztikailag szignifikánsan különbözik a nullától. Vagyis 0,11 esély van arra, hogy megtaláljuk, ha a népesség korrelációja nulla. Ez a korreláció túl kicsi ahhoz, hogy elutasítsa a null hipotézist.
mint így, a 10 korreláció azt jelzi, hogy az egyes változók párjai lineárisan kapcsolódnak egymáshoz. Végül vegye figyelembe, hogy minden korrelációt kissé eltérő N-re számítunk-111-től 117-ig. Ennek oka az, hogy az SPSS alapértelmezés szerint a hiányzó értékek páronkénti törlését használja a korrelációkhoz.,

Scatterplots

szigorúan meg kell vizsgálnunk az összes scatterplotot a változóink között is. Végül is, azok a változók, amelyek nem korrelálnak, továbbra is összefügghetnek valamilyen nemlineáris módon. De több mint 5 vagy 6 változó esetén a lehetséges szórólapok száma felrobban, így gyakran kihagyjuk az ellenőrzést. Lásd azonban az SPSS-Create All Scatterplots eszközt.
az alábbi szintaxis csak egy szórólapot hoz létre, csak azért, hogy képet kapjon arról, hogy mi a kapcsolatunk. Az eredmény azonban nem mutat semmi váratlant.

korrelációs teszt jelentése

az alábbi ábra az APA által a korrelációk jelentésére ajánlott legalapvetőbb formátumot mutatja. Fontos, hogy győződjön meg arról, hogy a táblázat jelzi, mely korrelációk statisztikailag szignifikánsak a p < 0, 05 és talán p < 0, 01. Lásd még az SPSS korrelációkat APA formátumban.

ha lehetséges, jelentse a korrelációk konfidencia intervallumait is., Furcsa módon az SPSS nem tartalmazza azokat. Azonban, lásd SPSS konfidencia intervallumok korrelációk eszköz.

Köszönjük, hogy elolvasta!