SPSS Korrelasjon Analyse Tutorial

Også se Pearson Korrelasjoner – Rask Innføring.

• Korrelasjon Test – Hva Er Det?
• nullhypotesen
• Forutsetninger
• Korrelasjon Test i SPSS
• Rapportere

Korrelasjon Test – Hva Er Det?

A (Pearson) korrelasjon er et tall mellom -1 og +1 som viser til hvilken grad 2 kvantitative variabler er lineært relatert. Det er best forstås ved å se på noen scatterplots.,

kort fortalt

• en korrelasjon på -1 indikerer en perfekt lineær synkende forhold: høyere score på en variabel innebærer lavere score på den andre variabelen.
• en korrelasjon på 0 betyr at det er ingen lineær sammenheng mellom 2 variabler overhodet. Imidlertid, det kan være en (sterk) ikke-lineære forhold likevel.
• en korrelasjon på 1 indikerer en perfekt stigende lineær relasjon: høyere score på en variabel er forbundet med høyere skårer på den andre variabelen.,

nullhypotesen

det er En sammenheng test (vanligvis) tester nullhypotesen at befolkningen korrelasjonen er lik null.Data inneholder ofte bare et eksempel fra en (mye) større befolkning: jeg undersøkte 100 kunder (eksempel) men jeg er veldig interessert i alle mine 100,000 kunder (populasjonen). Eksempel utfall vanligvis avviker noe fra befolkningen utfall. Så å finne en ikke null korrelasjon i mitt eksempel ikke bevise at 2 variabler som er korrelert i min hele befolkningen; hvis befolkningen korrelasjon er egentlig null, kan jeg lett finne en liten korrelasjon i mitt eksempel., Men, finne en sterk korrelasjon i dette tilfellet er svært usannsynlig, og antyder at min befolkningen korrelasjonen var ikke null etter alle.

Korrelasjon Test – Forutsetninger

Databehandling og tolke korrelasjon koeffisienter seg selv ikke krever noen forutsetninger. Imidlertid statistisk signifikans-test for sammenligning forutsetter

• uavhengige observasjoner;
• normalitet: våre 2 variabler må følge en bivariate normal fordeling i befolkningen. Denne antakelsen er ikke nødvendig, for eksempel størrelser av N = 25 eller mer.,For rimelig eksempel størrelser, sentralgrenseteoremet sikrer at prøvetaking distribusjon vil være normal.

SPSS – Rask Data, Sjekk

La oss kjøre noen korrelasjon tester i SPSS nå. Vi vil bruke unge.sav, en datafil som inneholder en psykologisk test data på 128 barn mellom 12 og 14 år gamle. En del av dens variable se er vist nedenfor.

Nå, før du kjører noen sammenhenger, la oss først sørge for at våre data er rimelig å anta i første omgang., Siden alle de 5 variablene er metrisk, vil vi raskt undersøke deres histogrammer ved å kjøre syntaksen nedenfor.

Histogram Utgang

Vår histogrammer fortelle oss mye: våre variabler har mellom 5 og 10 manglende verdier. Deres hjelp er nær 100 med standardavvik rundt 15 -noe som er bra fordi det er hvordan disse testene har blitt kalibrert. En ting som plager meg, skjønt, og det er vist nedenfor.,

Det virker som noen scoret null på noen tester, som ikke troverdige i det hele tatt. Hvis vi ignorerer dette, er vår sammenhenger vil være svært partisk. La oss sortere våre saker, se hva som skjer og sette noen manglende verdier før du fortsetter.

Dersom vi nå kjører vår histogrammer, vil vi se at alle distribusjoner se troverdig., Bare at nå skal vi gå videre til å kjøre den faktiske sammenhenger.

Kjører en Korrelasjon Test i SPSS

La oss først navigere til å Analysere Knyttet Bivariate som vist nedenfor.

Flytt alle relevante variabler inn variablene boksen. Du ønsker sannsynligvis ikke å endre noe annet her.

ved å Klikke Lim inn resultater i syntaksen nedenfor. La oss kjøre det.

SPSS SAMMENHENGER Syntaks

Korrelasjon Utgang

som standard, SPSS alltid skaper en full korrelasjon matrise. Hver sammenheng vises to ganger: over og under hoved-diagonalen. Korrelasjoner på hoved-diagonalen er sammenhenger mellom hver variabel og seg selv -og det er derfor de er alle 1 og ikke interessant i det hele tatt. 10 korrelasjoner under diagonalen er hva vi trenger., Som en tommelfingerregel,en korrelasjonen er statistisk signifikant hvis det «Sig. (2-tailed)» < 0.05.Nå la oss ta en nærmere titt på våre resultater: den sterkeste sammenhengen er mellom depresjon og generelle velvære : r = -0.801. Det er basert på N = 117 barn og sin 2-tailed betydning, p = 0.000. Dette betyr at det er en 0.000 sannsynligheten for å finne denne prøven korrelasjon -eller en større en – hvis den faktiske populasjonen er null korrelasjon.
Merk at IQ ikke korrelerer ikke med noe som helst. Dens sterkeste korrelasjonen er 0.152 med angst, men p = 0.,11 så det er ikke statistisk signifikant forskjellig fra null. Det vil si at det er en 0.11 sjanse til å finne det hvis populasjonen er null korrelasjon. Denne korrelasjonen er for liten til å forkaste nullhypotesen.
Som så, våre 10 korrelasjoner indikere hvilken grad hvert par av variabler er lineært relatert. Til slutt, legg merke til at hver korrelasjon er beregnet på en litt annen N -alt fra 111 til 117. Dette er fordi SPSS bruker parvis sletting av manglende verdier som standard for sammenligning.,

Scatterplots

Strengt, vi skal inspisere alle scatterplots blant våre variabler som godt. Tross alt, er variabler som ikke samsvarer, kan fortsatt være i slekt i noen ikke-lineær måte. Men for mer enn 5 eller 6 variabler, antall mulige scatterplots eksploderer, slik vi ofte hoppe over inspisere dem. Men, se SPSS – Lage Alle Scatterplots Verktøyet.
syntaksen nedenfor oppretter bare ett scatterplot, bare for å få en idé om hva vårt forhold ser ut som. Resultatet viser ikke noe uventet, skjønt.

Rapportering-en Korrelasjon Test

figuren nedenfor viser de mest grunnleggende formater som er anbefalt av TFO for rapportering av korrelasjoner. Viktigst, gjør at tabellen angir hvilke sammenhenger er statistisk signifikante på p < 0,05 og kanskje p < 0.01. Se også SPSS Korrelasjoner i APA-Format.

Hvis det er mulig, kan du rapportere konfidensintervaller for sammenhenger også., Merkelig, SPSS ikke inkluderer dem. Men, se SPSS konfidensintervaller for Sammenligning Verktøy.

Takk for at du leser!