SPSS korrelationsanalys Tutorial

Se även Pearson korrelationer – snabb introduktion.

• Korrelationstest – Vad är det?
• nollhypotes
• antaganden
• Korrelationstest i SPSS
• rapportering

Korrelationstest – Vad är det?

a (Pearson) korrelation är ett tal mellan -1 och +1 som anger i vilken utsträckning 2 kvantitativa variabler är linjärt relaterade. Det är bäst förstått genom att titta på några scatterplotter.,

kort sagt,

• en korrelation av -1 indikerar en perfekt linjär nedåtgående relation: högre poäng på en variabel innebär lägre poäng på den andra variabeln.
• en korrelation av 0 innebär att det inte finns någon linjär relation mellan 2 variabler som helst. Det kan dock finnas ett (starkt) icke-linjärt förhållande ändå.
• en korrelation av 1 indikerar en perfekt stigande linjär relation: högre poäng på en variabel är associerade med högre poäng på den andra variabeln.,

nollhypotes

ett korrelationstest (vanligtvis) testar nollhypotesen att populationskorrelationen är noll.Data innehåller ofta bara ett prov från en (mycket) större befolkning: jag undersökte 100 kunder (prov) men jag är verkligen intresserad av alla mina 100 000 kunder (befolkning). Provresultaten skiljer sig vanligtvis något från befolkningsresultaten. Så att hitta en icke noll korrelation i mitt prov bevisar inte att 2 variabler är korrelerade i hela min befolkning. om befolkningskorrelationen verkligen är noll kan jag enkelt hitta en liten korrelation i mitt prov., Att hitta en stark korrelation i detta fall är dock mycket osannolikt och föreslår att min befolkningskorrelation inte var noll trots allt.

Korrelationstest – antaganden

beräkning och tolkning korrelationskoefficienter själva kräver inga antaganden. Det statistiska signifikanstestet för korrelationer förutsätter emellertid

• oberoende observationer;
• normalitet: våra 2 variabler måste följa en bivariat normal fördelning i vår befolkning. Detta antagande behövs inte för provstorlekar på n = 25 eller mer.,För rimliga provstorlekar säkerställer den centrala gränssatsen att provtagningsfördelningen blir normal.

SPSS – Quick data Check

låt oss köra några korrelationstester i SPSS nu. Vi använder ungdomar.sav, en datafil som innehåller psykologiska testdata på 128 barn mellan 12 och 14 år. En del av dess variabla vy visas nedan.

nu, innan du kör några korrelationer, låt oss först se till att våra data är rimliga i första hand., Eftersom alla 5 variabler är metriska, kommer vi snabbt inspektera deras histogram genom att köra syntaxen nedan.

Histogramutgång

våra histogram berättar mycket: våra variabler har mellan 5 och 10 saknade värden. Deras medel är nära 100 med standardavvikelser runt 15 – vilket är bra eftersom det är hur dessa tester har kalibrerats. En sak stör mig dock, och det visas nedan.,

det verkar som om någon gjorde noll på vissa tester-vilket inte alls är rimligt. Om vi ignorerar detta kommer våra korrelationer att vara allvarligt partiska. Låt oss sortera våra fall, se vad som händer och ange några saknade värden innan du fortsätter.

om vi nu omdirigerar våra histogram ser vi att alla distributioner ser trovärdiga ut., Först nu ska vi fortsätta att köra de faktiska korrelationerna.

kör ett Korrelationstest i SPSS

låt oss först navigera för att analysera korrelera Bivariate som visas nedan.

Flytta alla relevanta variabler till variabelrutan. Du vill nog inte ändra något annat här.

genom att klicka på Klistra in resulterar i syntaxen nedan. Nu kör vi.

SPSS korrelationer Syntax

korrelation utgång

som standard skapar SPSS alltid en fullständig korrelationsmatris. Varje korrelation visas två gånger: över och under huvuddiagonalen. Korrelationerna på huvuddiagonalen är korrelationerna mellan varje variabel och sig själv-varför de är alla 1 och inte intressanta alls. De 10 korrelationerna under diagonalen är vad vi behöver., Som tumregel är en korrelation statistiskt signifikant om dess ”Sig”. (2-tailed)” < 0.05.Låt oss nu ta en närmare titt på våra resultat: den starkaste korrelationen är mellan depression och övergripande välbefinnande : r = -0.801. Den är baserad på N = 117 barn och dess 2-tailed betydelse, p = 0.000. Det betyder att det finns en 0.000 sannolikhet att hitta denna provkorrelation-eller en större – om den faktiska populationskorrelationen är noll.
Observera att IQ inte korrelerar med någonting. Dess starkaste korrelation är 0.152 med ångest men P = 0.,11 så det är inte statistiskt signifikant annorlunda än noll. Det vill säga, det finns en 0.11 chans att hitta den om befolkningskorrelationen är noll. Denna korrelation är för liten för att avvisa nollhypotesen.
som så visar våra 10 korrelationer i vilken utsträckning varje par variabler är linjärt relaterade. Slutligen notera att varje korrelation beräknas på en något annorlunda N-allt från 111 till 117. Detta beror på att SPSS använder parvis radering av saknade värden som standard för korrelationer.,

Scatterplots

strikt bör vi inspektera alla scatterplots bland våra variabler också. När allt kommer omkring kan variabler som inte korrelerar fortfarande vara relaterade på något icke-linjärt sätt. Men för mer än 5 eller 6 variabler exploderar antalet möjliga scatterplots så vi hoppar ofta över att inspektera dem. Men se SPSS-skapa alla Scatterplots verktyg.
syntaxen nedan skapar bara en scatterplot, bara för att få en uppfattning om hur vår relation ser ut. Resultatet visar dock inte något oväntat.

Rapportera ett Korrelationstest

figuren nedan visar det mest grundläggande format som APA rekommenderar för att rapportera korrelationer. Viktigt är att se till att tabellen anger vilka korrelationer som är statistiskt signifikanta vid p< 0,05 och kanske p< 0,01. Se även SPSS Korrelationer i APA-Formatet.

om möjligt, rapportera även konfidensintervallen för dina korrelationer., Märkligt, SPSS inkluderar inte dem. Se dock SPSS-konfidensintervall för Korrelationsverktyg.

Tack för att du läste!