Számítsa ki és értse meg a statisztikai összefüggést - egy példával
Feladta Valerie Benning 2019. április 5-én. Frissítve 2020. július 21-én.
Az összefüggés megadja a két változó kapcsolatának mértékét.
A pozitív korreláció azt jelenti, hogy a változók ugyanabba az irányba fejlődnek. Tehát, ha az egyik változó növekszik, akkor a másik változó is növekszik. Negatív korreláció esetén az ellenkezője igaz: az 1. változó növekedése a 2. változó csökkenését jelenti.
Megjegyzés A korreláció mindig irányítatlan, azaz. vagyis nem mondja meg, melyik változó okozza a másikat. Inkább használhatjuk az összefüggést annak megállapítására, hogy van-e kapcsolat és mennyire erős.
Tartalomjegyzék
Helyesen határozza meg és értelmezze az összefüggéseket
A korrelációt a korrelációs együtthatóval jelezzük. Ez mindig -1 és +1 közötti értéket vesz fel.
Példa Meg akarjuk határozni az emberek magassága (1. változó) és súlya (2. változó) közötti kapcsolatot.
- közel az 1. számhoz → erős pozitív korreláció,
z. Pl. A magasabb embereknek nagyobb a súlyuk. - közel a -1 számhoz → erős negatív korreláció
z. Pl. A magasabb emberek súlya könnyebb. - közel a 0 számhoz → A magasság és a súly változó között alig van kapcsolat.
A táblázat áttekintést nyújt a két változó fejlődéséről, attól függően, hogy pozitív vagy negatív korrelációt mutatnak-e.
| Pozitív korreláció | Az 1. változó növekszik → A 2. változó növekszik | A méret növekedésével a súly is növekszik. |
| Az 1. változó csökken → A 2. változó csökken | Ha a méret csökken, akkor csökken a súly is. | |
| A 2. változó növekszik → Az 1. változó növekszik | A súly növekedésével a méret is növekszik. | |
| A 2. változó csökken → Az 1. változó csökken | Ha csökken a súly, akkor csökken a méret is. | |
| Negatív összefüggés | Az 1. változó növekszik → a 2. változó csökken | Ha a méret növekszik, a súly csökken. |
| Az 1. változó csökken → a 2. változó növekszik | Ha a méret csökken, a súly nő. | |
| A 2. változó növekszik → az 1. változó csökken | Ha a súly nő, akkor a méret csökken. | |
| A 2. változó csökken → az 1. változó növekszik | Ha a súly csökken, akkor a méret nő. |
Korreláció kiszámítása - Pearson vagy Spearman?
A korreláció kiszámításához és feltüntetéséhez meghatározzuk a korrelációs együtthatót. Az adatok skálájától függ, hogy melyik korrelációs együttható a megfelelő.
Használja a Pearson-korrelációs együtthatót, ha az adat metrikus, és a Spearman-rang-korrelációs együtthatót, ha sorszámadata van.
Megjegyzés A névlegesen méretezett adatokhoz két változó közötti kapcsolat jelzésére meghatározzuk a kontingencia-együtthatót.
Mi a pontszámod?
Tudja meg belül 10 perc, akaratlanul is létrehozott-e plágiumot.
- 70+ milliárd internetes forrás
- 69+ millió publikáció
- Biztonságos adatvédelem
Értelmezze a korrelációt a szóródási ábrával
A korrelációs együttható kiszámításán kívül létrehozhat egy szórási diagramot is. Ez szemlélteti a két változó kapcsolatát.
Az ábra a példánkra vonatkozó szórási ábrát mutatja az emberek magasságával és súlyával. Látjuk, hogy pozitív összefüggés van, mert a megfigyelések (pontok) eloszlása inkább egy vonalra hasonlít.
Tehát a változók ugyanabba az irányba mozognak, és megállapíthatjuk, hogy a nagyobb méret együtt jár a nagyobb súlygal.
Megjegyzés: Ha a megfigyelések eloszlása jobban hasonlít egy vonalra, ez erősebb kapcsolatot mutat a két változó között, és így magasabb korrelációs együtthatót (r-értéket) mutat, mint ha a megfigyelések széles körben szóródnának.
Szórási diagram az SPSS, az Excel és a Google Táblázatokban
A következő lépésekkel hozhat létre szórási diagramot az SPSS, az Excel és a Google Táblázatok segítségével:
| Grafika → Diagram készítése → Szórás/pont diagram |
| Helyezze be → Ábra → Pont (X, Y) vagy szórási diagramot |
Összefüggés és okozati összefüggés
A korreláció meghatározásakor fontos megjegyezni, hogy a korreláció az ok-okozati összefüggés jelzése, de nem bizonyítéka.
Ezt mutatja a gólyák és a születési arány megfigyelésének példája:
Ha megnövekedett gólyák számát figyeljük meg, és a régióban magasabb születési arányt is regisztrálunk, akkor azt mondhatjuk, hogy van összefüggés, de nem ok-okozati összefüggés van (például, hogy a gólya hozza a babákat).
Ha meg akarja tudni, hogy van-e oksági összefüggés, akkor kísérleti kutatást vagy regressziós elemzést kell végeznie több kontroll változóval.
Gyakran Ismételt Kérdések
Az összefüggés megadja a két változó kapcsolatának mértékét.
Használja a Pearson-korrelációs együtthatót a metrikus adatokhoz és a Spearman-rang-korrelációs együtthatót azokhoz a sorszámadatokhoz, amelyekhez korrelációt határoz meg.
Nem, a korreláció a két változó közötti oksági kapcsolat jelzése, de nem bizonyítéka.