Site bölümleri
Editörün Seçimi:
- Kalka Nehri Savaşı (1223)
- Ahşap protezleri olan cüce Pinokyo Sanchez, bir masal kahramanının gerçek bir prototipi mi?
- Kalka Nehri üzerindeki savaş yıl içinde gerçekleşti.
- Yamyam sözde seçkinler neden insanlığı yok ediyor?
- Çok kültürlü surinam ülkesi Surinam eyaleti nerede
- Malzeme noktası. Açıklama. Kavram. Tanım. Maddi noktanın tanımı Maddi nokta kavramı
- "Düz dünya" fikrinin propagandası ve eşcinsel geçit törenleri aynı zincirin iki halkasıdır!
- Düz Dünya: Mit nerede biter ve gerçeklik nerede başlar?
- Düz dünyalılar aşağılanıyor ama inanmaya devam ediyorlar
- Güneş sistemi içinde yaşadığımız dünyadır
reklam
Korelasyon katsayısı. Pearson korelasyon testi Korelasyon katsayısı 1 şu anlama gelir: |
" İstatistik Psikolojide istatistik ve veri işleme
|
Tablo 1. Ölçüt değerleri TÖğrenci | |
H | 0,05 |
1 | 6,31 |
2 | 2,92 |
3 | 2,35 |
4 | 2,13 |
5 | 2,02 |
6 | 1,94 |
7 | 1,90 |
8 | 1,86 |
9 | 1,83 |
10 | 1,81 |
11 | 1,80 |
12 | 1,78 |
13 | 1,77 |
14 | 1,76 |
15 | 1,75 |
16 | 1,75 |
17 | 1,74 |
18 | 1,73 |
19 | 1,73 |
20 | 1,73 |
21 | 1,72 |
22 | 1,72 |
23 | 1,71 |
24 | 1,71 |
25 | 1,71 |
26 | 1,71 |
27 | 1,70 |
28 | 1,70 |
29 | 1,70 |
30 | 1,70 |
40 | 1,68 |
¥ | 1,65 |
Tablo 2. Kriterin değerleri χ 2 | |
H | 0,05 |
1 | 3,84 |
2 | 5,99 |
3 | 7,81 |
4 | 9,49 |
5 | 11,1 |
6 | 12,6 |
7 | 14,1 |
8 | 15,5 |
9 | 16,9 |
10 | 18,3 |
Tablo 3. Güvenilir Z değerleri | |
r | Z |
0,05 | 1,64 |
0,01 | 2,33 |
Tablo 4. r'nin güvenilir (kritik) değerleri | ||
h =(N-2) | p= 0,05 (5%) | |
3 | 0,88 | |
4 | 0,81 | |
5 | 0,75 | |
6 | 0,71 | |
7 | 0,67 | |
8 | 0,63 | |
9 | 0,60 | |
10 | 0,58 | |
11 | 0.55 | |
12 | 0,53 | |
13 | 0,51 | |
14 | 0,50 | |
15 | 0,48 | |
16 | 0,47 | |
17 | 0,46 | |
18 | 0,44 | |
19 | 0,43 | |
20 | 0,42 |
Tablo 5. r s'nin güvenilir (kritik) değerleri | |
h =(N-2) | p = 0,05 |
2 | 1,000 |
3 | 0,900 |
4 | 0,829 |
5 | 0,714 |
6 | 0,643 |
7 | 0,600 |
8 | 0,564 |
10 | 0,506 |
12 | 0,456 |
14 | 0,425 |
16 | 0,399 |
18 | 0,377 |
20 | 0,359 |
22 | 0,343 |
24 | 0,329 |
26 | 0,317 |
28 | 0,306 |
7.3.1. Korelasyon ve belirleme katsayıları. sayısallaştırılabilir iletişim yakınlığı faktörler arasında ve oryantasyon(doğrudan veya ters) aşağıdakileri hesaplayarak:
1) İki faktör arasında doğrusal bir ilişki belirlemek gerekirse, - çift katsayısı korelasyonlar: 7.3.2 ve 7.3.3'te, eşleştirilmiş doğrusal Bravais-Pearson korelasyon katsayısını hesaplama işlemleri ( r) ve Spearman'ın ikili sıra korelasyon katsayısı ( r);
2) İki faktör arasındaki ilişkiyi belirlemek istiyorsak, ancak bu ilişki açıkça doğrusal değilse, o zaman korelasyon ilişkisi ;
3) bir faktör ile diğer bir dizi faktör arasındaki ilişkiyi belirlemek istiyorsak - o zaman (veya eşdeğer olarak, "çoklu korelasyon katsayısı");
4) Bir faktörün, ilkini etkileyen bir faktör grubunun parçası olan ve bunun için diğer tüm faktörlerin etkisinin değişmediğini düşünmemiz gereken belirli bir diğeriyle ilişkisini tek başına belirlemek istiyorsak, o zaman özel (kısmi) korelasyon katsayısı .
Herhangi bir korelasyon katsayısı (r, r) mutlak değerde 1'i aşamaz, yani –1< r (r) < 1). Если получено значение 1, то это значит, что рассматриваемая зависимость не статистическая, а функциональная, если 0 - корреляции нет вообще.
Korelasyon katsayısındaki işaret, bağlantının yönünü belirler: “+” işareti (veya bir işaretin olmaması), bağlantının olduğu anlamına gelir. Düz (pozitif), “–” işareti - bağlantının tersi (olumsuz). İşaretin bağlantının sıkılığı ile ilgisi yoktur.
Korelasyon katsayısı istatistiksel ilişkiyi karakterize eder. Ancak çoğu zaman başka bir bağımlılık türünü belirlemek gerekir, yani: belirli bir faktörün başka bir ilgili faktörün oluşumuna katkısı nedir. Bu tür bir bağımlılık, belirli bir derecede geleneksellik ile karakterize edilir: belirleme katsayısı (D ) formül ile belirlenir D = r 2 ´100% (burada r, Bravais-Pearson korelasyon katsayısıdır, bkz. 7.3.2). Ölçümler yapılmış olsaydı sipariş ölçeği (sıra ölçeği), daha sonra güvenilirlik açısından bir miktar zararla, r değeri yerine r değeri (Spearman's korelasyon katsayısı, bkz. 7.3.3) formüle ikame edilebilir.
Örneğin, B faktörünün A faktörüne bağımlılığının bir özelliği olarak korelasyon katsayısı r = 0,8 veya r = –0,8 elde edersek, o zaman D = 0,8 2 ´100% = %64, yani yaklaşık 2 ½ 3. Dolayısıyla A faktörünün ve B faktörünün oluşumuna yaptığı değişikliklerin katkısı yaklaşık 2'dir. ½ 3, genel olarak tüm faktörlerin toplam katkısından.
7.3.2. Bravais-Pearson korelasyon katsayısı. Bravais-Pearson korelasyon katsayısını hesaplama prosedürü ( r ) yalnızca bağlantının normal frekans dağılımına sahip numuneler bazında değerlendirildiği durumlarda kullanılabilir ( normal dağılım ) ve aralık veya oran ölçeklerinde ölçümlerle elde edilir. Bu korelasyon katsayısı için hesaplama formülü:
å ( x Bence - )( y Bence-)
r = .
n×sx×sy
Korelasyon katsayısı neyi gösterir? İlk olarak, korelasyon katsayısındaki işaret, ilişkinin yönünü gösterir, yani: “-” işareti ilişkinin olduğunu gösterir. tersi, veya olumsuz(bir eğilim var: bir faktörün değerleri azaldıkça, diğer faktörün karşılık gelen değerleri artar ve arttıkça azalır) ve bir işaretin veya “+” işaretinin olmaması gösterir Düz, veya pozitif bağlantılar (bir eğilim var: bir faktörün değerlerinde bir artışla, diğerinin değerleri artar ve bir azalma ile azalırlar). İkinci olarak, korelasyon katsayısının mutlak (işaretten bağımsız) değeri bağlantının sıkılığını (kuvvetini) gösterir. Almak gelenekseldir (oldukça geleneksel olarak): r değerleri için< 0,3 корреляция çok zayıf, genellikle 0,3 £ r için dikkate alınmaz< 5 корреляция zayıf, 0,5 £ r için< 0,7) - ortalama, 0,7 £ r £ 0,9'da) - kuvvetli ve son olarak, r > 0.9 için - çok güçlü. Bizim durumumuzda (r » 0.83), ilişki ters (negatif) ve güçlüdür.
Korelasyon katsayısının değerlerinin -1 ile +1 arasında olabileceğini hatırlayın. r'nin değeri bu sınırların dışına çıkarsa, hesaplamalarda bir hata yapıldı . Eğer r= 1, bu, bağlantının istatistiksel değil, işlevsel olduğu anlamına gelir - bu, sporda, biyolojide, tıpta pratikte gerçekleşmez. Az sayıda ölçümle, işlevsel bir ilişkinin resmini veren rastgele bir değer seçimi mümkündür, ancak böyle bir durum daha az olasıdır, karşılaştırılan örneklerin hacmi (n) ne kadar büyükse, yani karşılaştırılan ölçüm çiftlerinin sayısı.
Hesaplama tablosu (Tablo 7.1) formüle göre oluşturulmuştur.
Tablo 7.1.
Bravais-Pearson hesaplaması için hesaplama tablosu
x ben | ben | (x Bence-) | (x ben – ) 2 | (y Bence-) | (y ben – ) 2 | (x Bence - )( y Bence-) |
13,2 | 4,75 | 0,2 | 0,04 | –0,35 | 0,1225 | – 0,07 |
13,5 | 4,7 | 0,5 | 0,25 | – 0,40 | 0,1600 | – 0,20 |
12,7 | 5,10 | – 0,3 | 0,09 | 0,00 | 0,0000 | 0,00 |
12,5 | 5,40 | – 0,5 | 0,25 | 0,30 | 0,0900 | – 0,15 |
13,0 | 5,10 | 0,0 | 0,00 | 0,00 | 0.0000 | 0,00 |
13,2 | 5,00 | 0,1 | 0,01 | – 0,10 | 0,0100 | – 0,02 |
13,1 | 5,00 | 0,1 | 0,01 | – 0,10 | 0,0100 | – 0,01 |
13,4 | 4,65 | 0,4 | 0,16 | – 0,45 | 0,2025 | – 0,18 |
12,4 | 5,60 | – 0,6 | 0,36 | 0,50 | 0,2500 | – 0,30 |
12,3 | 5,50 | – 0,7 | 0,49 | 0,40 | 0,1600 | – 0,28 |
12,7 | 5,20 | –0,3 | 0,09 | 0,10 | 0,0100 | – 0,03 |
åx ben \u003d 137 \u003d 13.00 | ey ben =56,1 =5.1 | å( x ben - ) 2 \u003d \u003d 1.78 | å( y ben – ) 2 = = 1.015 | å( x Bence - )( y ben – )= = –1.24 |
kadarıyla s x = ï ï = ï ï» 0.42, bir
s y= ï ï» 0,32, r" –1,24ï (11'0.42'0.32) » –1,24ï 1,48 » –0,83 .
Başka bir deyişle, korelasyon katsayısının çok kesin olarak bilmeniz gerekir. yapamamak mutlak değerde 1.0'ı aşıyor. Bu genellikle büyük hatalardan kaçınmayı veya daha doğrusu hesaplamalarda yapılan hataları bulup düzeltmeyi mümkün kılar.
7.3.3. Spearman korelasyon katsayısı. Daha önce de belirtildiği gibi, Bravais-Pearson korelasyon katsayısını (r) yalnızca analiz edilen faktörlerin frekans dağılımı açısından normale yakın olduğu ve varyantın değerlerinin zorunlu olarak ölçümlerle elde edildiği durumlarda uygulamak mümkündür. oranlar ölçeğinde veya fiziksel birimler olarak ifade edildiklerinde meydana gelen aralıklar ölçeğinde. Diğer durumlarda, Spearman korelasyon katsayısı bulunur ( r). Ancak bu oran Yapabilmek izin verildiği (ve arzu edildiği) durumlarda da geçerlidir. ! ) Bravais-Pearson korelasyon katsayısını uygulayın. Ancak, Bravais-Pearson katsayısını belirleme prosedürünün sahip olduğu akılda tutulmalıdır. daha fazla güç ("çözme Yetenek"), Bu yüzden r daha bilgilendirici r. Hatta büyük bir n sapma r±%10 düzeyinde olabilir.
Tablo 7.2 Katsayı için hesaplama formülü
x ben y ben R x R y |d R | d R 2 Spearman korelasyon katsayısı
13,2 4,75 8,5 3,0 5,5 30,25 r= 1 – . vos
13.5 4.70 11.0 2.0 9.0 81.00 Örneğimizi kullanıyoruz
12.7 5.10 4.5 6.5 2.0 4.00 hesaplama için r, ama hadi inşa edelim
12.5 5.40 3.0 9.0 6.0 36.00 diğer tablo (Tablo 7.2).
13,0 5,10 6,0 6,5 0,5 0,25 Değerleri değiştirin:
13,2 5,00 8,5 4,5 4,0 16,00 r = 1– =
13,1 5,00 7,0 4,5 2,5 6,25 =1– 2538:1320 » 1–1,9 » – 0,9.
13.4 4.65 10.0 1.0 9.0 81.00 Görüyoruz: r biraz olduğu ortaya çıktı
12.4 5,60 2,0 11,0 9,0 81.00 daha fazla r, ama bu farklı
12.3 5.50 1.0 10.0 9.0 81,00 çok büyük değil. Sonuçta,
12,7 5,20 4,5 8,0 3,5 12,25 çok küçük n değerler r ve r
åd R 2 = 423 çok yaklaşık değerlerdir, çok güvenilir değildir, gerçek değerleri büyük ölçüde dalgalanabilir, dolayısıyla aradaki fark r ve r 0.1'de önemsizdir. Genellikleranalog olarak kabulr , ancak daha az doğru. İşaretler r ve r bağlantı yönünü gösterir.
7.3.4. Korelasyon katsayılarının uygulanması ve doğrulanması.İhtiyacımız olan faktörün gelişimini kontrol etmek için faktörler arasındaki korelasyon derecesini belirlemek gereklidir: bunun için onu önemli ölçüde etkileyen diğer faktörleri etkilememiz ve bunların etkinliğinin ölçüsünü bilmemiz gerekir. Hazır testler geliştirmek veya seçmek için faktörlerin ilişkisini bilmek gerekir: Bir testin bilgi içeriği, sonuçlarının bizi ilgilendiren bir özelliğin veya özelliğin tezahürleriyle korelasyonu ile belirlenir. Korelasyon bilgisi olmadan, herhangi bir seçim şekli imkansızdır.
Yukarıda, sporda ve genel olarak pedagojik, tıbbi ve hatta ekonomik ve sosyolojik uygulamalarda, bunların olup olmadığını belirlemenin büyük ilgi gördüğü belirtilmişti. katkı , hangisi bir faktör diğerinin oluşumuna katkıda bulunur. Bunun nedeni, dikkate alınan faktör-nedenlerine ek olarak hedef(bizi ilgilendiren) faktör yasası, her biri ona şu veya bu katkıyı ve diğerleri.
Her bir faktör-nedenin katkısının ölçüsünün olabileceğine inanılmaktadır. determinasyon katsayısı D ben = r 2 ´100%. Yani, örneğin, eğer r = 0.6 ise, yani. A ve B faktörleri arasındaki ilişki ortalama, o zaman D = 0,6 2 ´100% = %36. Bu nedenle, A faktörünün B faktörünün oluşumuna katkısının yaklaşık 1 olduğunu bilmek ½ 3, örneğin, yaklaşık 1 ayırmak mümkündür. ½ 3 antrenman zamanı. Korelasyon katsayısı r \u003d 0.4 ise, o zaman D \u003d r 2 %100 \u003d %16 veya yaklaşık 1 ½ 6 - iki kattan daha az ve bu mantığa göre gelişimine sadece 1 verilmelidir. ½ Eğitim süresinin 6 kısmı.
Çeşitli önemli faktörler için D i değerleri, aslında diğer faktörler üzerinde çalıştığımız iyileştirme uğruna, bizi ilgilendiren hedef faktör üzerindeki etkilerinin nicel ilişkisi hakkında yaklaşık bir fikir verir ( örneğin, uzun atlamacı, atlayışlarda sonucun oluşumuna en önemli katkıyı yapan faktör olduğu için sprintinin hızını artırmaya çalışıyor).
tanımlayarak hatırla D onun yerine r koymak r, elbette, tespitin doğruluğu daha düşük olmasına rağmen.
Temelli seçici(örnek verilerden hesaplanan) korelasyon katsayısının genel olarak ele alınan faktörler arasında bir bağlantı olduğu sonucuna varmak imkansızdır. Değişken derecelerde geçerlilik ile böyle bir sonuç çıkarmak için standardı kullanın. korelasyon önem kriterleri. Uygulamaları, faktörler arasında doğrusal bir ilişki olduğunu varsayar ve normal dağılım her birindeki frekanslar (seçici değil, genel temsilleri anlamına gelir).
Örneğin, Student t-testlerini uygulayabilirsiniz. onun ırkı
eşit formül: tp= –2 , burada k, çalışılan örnek korelasyon katsayısıdır, a n- karşılaştırılan örneklerin hacmi. Elde edilen t-kriterinin (tp) hesaplanan değeri, seçtiğimiz önem düzeyindeki tablo değeri ve n = n - 2 serbestlik derecesi sayısı ile karşılaştırılır. Hesaplama çalışmasından kurtulmak için kullanabilirsiniz. özel bir masa örnek korelasyon katsayılarının kritik değerleri(yukarıya bakın), faktörler arasında önemli bir ilişkinin varlığına karşılık gelen (göz önünde bulundurularak n ve a).
Tablo 7.3.
Örnek korelasyon katsayısının güvenilirliğinin sınır değerleri
Korelasyon katsayılarının belirlenmesinde serbestlik derecesi sayısı 2'ye eşit alınır (yani. n= 2) Tabloda belirtilmiştir. 7.3 değerlerinin güven aralığında bir alt sınırı vardır doğru korelasyon katsayısı 0'dır, yani bu tür değerlerle korelasyonun hiç gerçekleştiği söylenemez. Örnek korelasyon katsayısının değeri tabloda belirtilenden yüksekse, gerçek korelasyon katsayısının sıfıra eşit olmadığı uygun anlamlılık düzeyinde kabul edilebilir.
Ancak, incelenen faktörler arasında gerçek bir bağlantı olup olmadığı sorusunun cevabı, başka bir soruya yer bırakıyor: hangi aralıkta? gerçek değer korelasyon katsayısı, gerçekte olabileceği gibi, sonsuz büyük n? Herhangi bir belirli değer için bu aralık r ve n karşılaştırılan faktörler hesaplanabilir, ancak bir grafik sistemi kullanmak daha uygundur ( nomogram), yukarıda belirtilenlerden bazıları için oluşturulan her bir eğri çifti n, aralığın sınırlarına karşılık gelir.
Pirinç. 7.4. Örnek korelasyon katsayısının güven sınırları (a = 0.05). Her eğri, üstündekine karşılık gelir. n.
Şekil 2'deki nomograma atıfta bulunarak. 7.4, örnek korelasyon katsayısının hesaplanan değerleri için gerçek korelasyon katsayısının değer aralığını a = 0.05 olarak belirlemek mümkündür.
7.3.5. korelasyon ilişkileri. Eğer çift korelasyonu doğrusal olmayan, korelasyon katsayısını hesaplamak imkansız, belirlemek korelasyon ilişkileri . Zorunlu gereksinim: özellikler bir oran ölçeğinde veya bir aralık ölçeğinde ölçülmelidir. Faktörün korelasyon bağımlılığını hesaplayabilirsiniz. x faktörden Y ve faktörün korelasyon bağımlılığı Y faktörden x- onlar farklı. Küçük bir hacim ile n faktörleri temsil eden dikkate alınan örnekler, korelasyon ilişkilerini hesaplamak için formülleri kullanabilirsiniz:
korelasyon oranı h x ½ y= ;
korelasyon oranı h y ½ x= .
Burada ve X ve Y örneklerinin aritmetik ortalamaları ve - sınıf içi aritmetik ortalamalar. Yani, faktör X örneğindeki bu değerlerin aritmetik ortalaması, eşlenik eşit değerler Y faktörü örneğinde (örneğin, faktör X, 4, 6 ve 5 değerlerine sahipse, aynı değerde 9 olan 3 seçenek Y faktörü örneğinde ilişkilendirilirse, o zaman = (4+6+) 5) ½ 3 = 5). Buna göre, - X faktörü örneğinde aynı değerlerle ilişkilendirilen Y faktörü örneğindeki bu değerlerin aritmetik ortalaması. Bir örnek verelim ve hesaplayalım:
X: 75 77 78 76 80 79 83 82 ; Y: 42 42 43 43 43 44 44 45 .
Tablo 7.4
Hesaplama tablosu
x ben | ben | x y | x ben - x | (x ben - x) 2 | x ben - x y | (x ben–x y) 2 |
–4 | –1 | |||||
–2 | ||||||
–3 | –2 | |||||
–1 | ||||||
–3 | ||||||
x=79 | y=43 | S=76 | S=28 |
Bu nedenle h y½ x= » 0.63.
7.3.6. Kısmi ve çoklu korelasyon katsayıları. 2 faktör arasındaki ilişkiyi değerlendirmek için, korelasyon katsayılarını hesaplayarak, varsayılan olarak bu ilişki üzerinde başka hiçbir faktörün etkisinin olmadığını varsayıyoruz. Gerçekte, durum böyle değil. Dolayısıyla kilo ve boy arasındaki ilişki kalori alımı, sistematik fiziksel aktivite miktarı, kalıtım vb. faktörlerden çok önemli ölçüde etkilenir. Gerektiğinde 2 faktör arasındaki ilişki değerlendirilirken önemli etkiyi hesaba katmak diğer faktörler ve aynı zamanda kendilerini onlardan nasıl izole edecekleri, onları değişmemiş olarak kabul etmek, hesaplamak özel (aksi halde - kısmi ) korelasyon katsayıları.
Örnek: 3 temel faktör X, Y ve Z arasındaki eşleştirilmiş bağımlılıkları değerlendirmeniz gerekir. r XY (Z) X ve Y faktörleri arasındaki özel (kısmi) korelasyon katsayısı (bu durumda Z faktörünün değeri değişmemiş olarak kabul edilir), r ZX (Y) - Z ve X faktörleri arasındaki kısmi korelasyon katsayısı (Y faktörünün sabit değeri ile), r YZ (X) - Y ve Z faktörleri arasındaki kısmi korelasyon katsayısı (faktör X'in sabit değeri ile). Hesaplanmış basit eşleştirilmiş (Bravais-Pearson'a göre) korelasyon katsayılarını kullanma r xy, r XZ ve r YZ, m
Özel (kısmi) korelasyon katsayılarını aşağıdaki formülleri kullanarak hesaplayabilirsiniz:
rXY- r XZ' r YZ r XZ- r XY' r ZY r ZY –r ZX ´ r YZ
r XY(Z) = ; r XZ(Y) = ; r ZY(X) =
Ö(1– r 2XZ)(1– r 2 YZ) Ö(1– r 2XY)(1– r 2 ZY) Ö(1– r 2ZX)(1– r 2YX)
Kısmi korelasyon katsayıları ise -1 ile +1 arasında değerler alabilir. Bunların karesini alarak karşılık gelen bölümleri elde ederiz. belirleme katsayıları olarak da adlandırılır özel kesinlik önlemleri(100 ile çarpılarak %% olarak ifade edilir). Kısmi korelasyon katsayıları, 3. faktörün onlar üzerindeki etkisinin gücüne (değişmemiş gibi) bağlı olan basit (tam) çift katsayılarından az çok farklıdır. Sıfır hipotezi (H 0), yani X ve Y faktörleri arasında bağlantı (bağımlılık) olmadığı hipotezi (toplam özellik sayısı ile) test edilir. k) aşağıdaki formüle göre t-testini hesaplayarak: T P = r XY (Z) ´ ( n–k) 1 ½ 2 ´ (1– r 2XY(Z)) –1 ½ 2 .
Eğer T r< T a n , hipotez kabul edilir (bağımlılık olmadığını varsayıyoruz), eğer T P³ T a n - hipotez reddedilir, yani bağımlılığın gerçekten gerçekleştiğine inanılır. T tablodan bir n alınır T-Öğrenci kriteri ve k- dikkate alınan faktör sayısı (örneğimiz 3'te), serbestlik derecesi sayısı n= n - 3. Diğer kısmi korelasyon katsayıları benzer şekilde kontrol edilir (bunun yerine formüle r XY (Z) buna göre değiştirilir r XZ (Y) veya r ZY(X)).
Tablo 7.5
İlk veri
X (yıl) | Y (kez) | Z (kez) | X (yıl) | Y (kez) | Z (kez) | |||||||||||||||||
Özellik 1 Özellik 2 | içe dönüklük | Dışadönüklük |
Spor Oyunları | a | B |
Jimnastik | İle | D |
Açıkçası, burada elimizdeki sayılar sadece dağıtım frekansları olabilir. Bu durumda hesaplayın ilişki katsayısı (diğer adı " olasılık katsayısı "). En basit durumu düşünün: iki özellik çifti arasındaki ilişki, hesaplanan beklenmedik durum katsayısı olarak adlandırılır. tetrakorik (tabloya bakınız).
Tablo 7.7.
bir = 20 | b = 15 | a + B = 35 |
c =15 | d=5 | C + D = 20 |
a + C = 35 | B + D = 20 | n = 55 |
Aşağıdaki formüle göre hesaplamalar yapıyoruz:
ad-bc 100-225-123
Daha fazla sayıda özellikle birliktelik katsayılarının (konjugasyon katsayıları) hesaplanması, karşılık gelen sıradaki benzer bir matris kullanılarak yapılan hesaplamalarla ilişkilendirilir.
Pearson korelasyon testi, iki nicel gösterge arasında doğrusal bir ilişkinin varlığını veya yokluğunu belirlemenize ve bunun yakınlığını ve istatistiksel önemini değerlendirmenize olanak tanıyan parametrik bir istatistik yöntemidir. Başka bir deyişle Pearson korelasyon testi, iki değişkenin değerlerindeki değişimler arasında doğrusal bir ilişki olup olmadığını belirlemenizi sağlar. İstatistiksel hesaplamalarda ve çıkarımlarda, korelasyon katsayısı genellikle şu şekilde gösterilir: rxy veya Rxy.
1. Korelasyon kriterinin gelişim tarihi
Pearson korelasyon testi, liderliğindeki İngiliz bilim adamlarından oluşan bir ekip tarafından geliştirildi. Karl Pearson(1857-1936), 19. yüzyılın 90'larında, iki rastgele değişkenin kovaryansının analizini basitleştirmek için. Karl Pearson'a ek olarak Pearson korelasyon testi de yapıldı. Francis Edgeworth ve Raphael Weldon.
2. Pearson korelasyon testi ne için kullanılır?
Pearson korelasyon kriteri, nicel bir ölçekte ölçülen iki gösterge arasındaki korelasyonun yakınlığının (veya gücünün) ne olduğunu belirlemenizi sağlar. Ek hesaplamalar yardımıyla, belirlenen ilişkinin istatistiksel olarak ne kadar önemli olduğunu da belirleyebilirsiniz.
Örneğin, Pearson korelasyon kriteri kullanılarak, akut solunum yolu enfeksiyonlarında vücut sıcaklığı ile kandaki lökosit içeriği arasında, hastanın boyu ve kilosu arasında, flor içeriği arasında bir ilişki olup olmadığı sorusuna cevap verilebilir. içme suyunda ve nüfusta çürük insidansında.
3. Pearson'ın ki-kare testinin kullanımına ilişkin koşullar ve kısıtlamalar
- Karşılaştırılabilir göstergeler şu şekilde ölçülmelidir: nicel ölçek(örneğin, kalp hızı, vücut ısısı, 1 ml kandaki lökosit sayısı, sistolik kan basıncı).
- Pearson korelasyon kriteri ile sadece doğrusal bir ilişkinin varlığı ve gücü miktarlar arasında. Yönü (doğrudan veya ters), değişikliklerin doğası (doğrusal veya eğrisel) ve bir değişkenin diğerine bağımlılığı dahil olmak üzere ilişkinin diğer özellikleri, regresyon analizi kullanılarak belirlenir.
- Karşılaştırılacak değer sayısı ikiye eşit olmalıdır. Üç veya daha fazla parametrenin ilişkisini analiz etmeniz durumunda, yöntemi kullanmalısınız. faktor analizi.
- Pearson korelasyon kriteri parametrik, başvuru koşuluyla bağlantılı olarak normal dağılım eşleşen değişkenler Sıralı ölçekte ölçülenler de dahil olmak üzere, dağılımı normal olandan farklı olan göstergelerin korelasyon analizinin yapılması gerekiyorsa, Spearman's rank korelasyon katsayısı kullanılmalıdır.
- Bağımlılık ve korelasyon kavramlarını açıkça ayırt etmek gerekir. Değerlerin bağımlılığı, aralarında bir korelasyonun varlığını belirler, ancak bunun tersi olmaz.
Örneğin, bir çocuğun büyümesi yaşına bağlıdır, yani çocuk ne kadar büyükse, o kadar uzun olur. Farklı yaşlardaki iki çocuğu alırsak, büyük olasılıkla büyük çocuğun büyümesi küçük olandan daha büyük olacaktır. Bu fenomene denir bağımlılık, göstergeler arasında nedensel bir ilişki olduğunu ima eder. tabiki de var korelasyon yani bir göstergedeki değişikliklere başka bir göstergedeki değişiklikler eşlik eder.
Başka bir durumda, çocuğun büyümesi ile kalp hızı (HR) arasındaki ilişkiyi düşünün. Bildiğiniz gibi, bu değerlerin her ikisi de doğrudan yaşa bağlıdır, bu nedenle çoğu durumda, daha uzun boylu çocukların (ve dolayısıyla daha büyük olanların) kalp atış hızı değerleri daha düşüktür. Yani, korelasyon görülecektir ve yeterince yüksek bir sıkılığa sahip olabilir. Ancak, çocukları alırsak aynı yaş, Ancak farklı yükseklik, o zaman, büyük olasılıkla, kalp atış hızları, şu sonuca varabileceğimiz ile bağlantılı olarak, önemsiz bir şekilde farklı olacaktır. bağımsızlık Büyümeden kalp atış hızı.
Yukarıdaki örnek, istatistikte temel kavramları ayırt etmenin ne kadar önemli olduğunu göstermektedir. bağlantılar ve bağımlılıklar Doğru sonuçlara varmak için göstergeler.
4. Pearson korelasyon katsayısı nasıl hesaplanır?
Pearson korelasyon katsayısı aşağıdaki formül kullanılarak hesaplanır:
5. Pearson korelasyon katsayısının değeri nasıl yorumlanır?
Pearson korelasyon katsayısının değerleri mutlak değerlerine göre yorumlanır. Korelasyon katsayısının olası değerleri 0 ile ±1 arasında değişmektedir. r xy'nin mutlak değeri ne kadar büyükse, iki nicelik arasındaki ilişkinin yakınlığı da o kadar yüksek olur. r xy = 0, tam bir bağlantı eksikliğini gösterir. r xy = 1 - mutlak (işlevsel) bir bağlantının varlığını gösterir. Pearson korelasyon kriterinin değeri 1'den büyük veya -1'den küçük çıkarsa hesaplamalarda hata yapılmıştır.
Korelasyonun yakınlığını veya gücünü değerlendirmek için, r xy'nin mutlak değerlerine göre genel kabul görmüş kriterler kullanılır.< 0.3 свидетельствуют о zayıf bağlantı, 0,3 ile 0,7 arasındaki r xy değerleri - bağlantı hakkında orta sızdırmazlık, r xy değerleri > 0.7 - o kuvvetli bağlantılar.
Korelasyonun gücünün daha doğru bir tahmini, kullanılarak elde edilebilir. Chaddock masası:
Seviye İstatistiksel anlamlılık korelasyon katsayısı r xy, aşağıdaki formülle hesaplanan t-testi kullanılarak gerçekleştirilir:
Elde edilen t r değeri, belirli bir önem düzeyindeki kritik değer ve n-2 serbestlik derecesi sayısı ile karşılaştırılır. Eğer t r, t kriti aşarsa, tanımlanan korelasyonun istatistiksel önemi hakkında bir sonuca varılır.
6. Pearson korelasyon katsayısının hesaplanmasına bir örnek
Çalışmanın amacı, kandaki testosteron seviyesi (X) ve vücuttaki kas kütlesi yüzdesi (Y) arasındaki iki kantitatif gösterge arasındaki ilişkinin sıkılığını ve istatistiksel önemini belirlemek, belirlemekti. 5 denekten oluşan bir örnek için (n = 5) ilk veriler tabloda özetlenmiştir.
korelasyon katsayıları
Şimdiye kadar, yalnızca iki özellik arasında istatistiksel bir ilişkinin varlığının gerçeğini bulduk. Daha sonra, bu bağımlılığın gücü veya zayıflığı ile şekli ve yönü hakkında hangi sonuçların çıkarılabileceğini bulmaya çalışacağız. Değişkenler arasındaki ilişkiyi ölçmek için kriterlere korelasyon katsayıları veya bağlantı ölçüleri denir. Aralarında doğrudan, tek yönlü bir ilişki varsa, iki değişken pozitif olarak ilişkilidir. Tek yönlü bir ilişkide, bir değişkenin küçük değerleri diğer değişkenin küçük değerlerine karşılık gelir, büyük değerler büyüklerine karşılık gelir. Aralarında ters bir ilişki varsa, iki değişken negatif olarak ilişkilidir. Çok yönlü bir ilişki ile, bir değişkenin küçük değerleri, diğer değişkenin büyük değerlerine karşılık gelir ve bunun tersi de geçerlidir. Korelasyon katsayılarının değerleri her zaman -1 ile +1 arasındadır.
ait değişkenler arasında bir korelasyon katsayısı olarak sıralı uygulanan ölçek Spearman katsayısı, ve ait değişkenler için Aralıkölçek - Pearson korelasyon katsayısı(çalışma anı). Unutulmamalıdır ki her bir ikili değişken, yani nominal ölçeğe ait ve iki kategoriye sahip bir değişken olarak kabul edilebilir. sıralı.
İlk olarak, studium.sav dosyasından cinsiyet ve psyche değişkenleri arasında bir korelasyon olup olmadığını kontrol edeceğiz. Bu durumda ikili değişken seks sıralı olarak kabul edilebilir. Aşağıdakileri yapın:
Komut menüsünden seçin Analiz Et (Analiz) Tanımlayıcı İstatistikler (Tanımlayıcı istatistikler) Çapraz tablolar... (Olumsuzluk tabloları)
Değişkeni taşı seks bir dizi listesine ve bir değişkene ruh- sütun listesine.
Düğmeye bas İstatistik... (İstatistik). Çapraz Tablolar: İstatistikler iletişim kutusunda, Korelasyonlar kutusunu işaretleyin. Devam butonu ile seçiminizi onaylayın.
diyalogda çapraz tablolar Tabloları bastır onay kutusunu işaretleyerek tabloların görüntülenmesini durdurun. Tamam düğmesini tıklayın.
Spearman ve Pearson korelasyon katsayıları hesaplanacak ve önemleri test edilecektir:
Simetrik Ölçüler
değer | asimpt. Std. Hata(a) (Asimptotik standart hata) | Yaklaşık. T (b) (Yaklaşık T) | Yaklaşık. imzala. (Yaklaşık önem) | ||
Aralığa Göre Aralık (Aralık - Aralık) | Pearson'ın R'si (R Pearson) |
,441 | ,081 | 5,006 | .000 (s) |
Sıraya Göre Sıra (Sıra - Sıra) | Mızrakçı Korelasyonu (Spearman Korelasyonu) | ,439 | ,083 | 4,987 | .000 (s) |
Geçerli Vaka Sayısı | 106 |
Burada aralık ölçekli değişkenler olmadığından Spearman korelasyon katsayısını dikkate alacağız. 0.439'dur ve en önemlisidir (p<0,001).
Korelasyon katsayısının değerlerini sözlü olarak açıklamak için aşağıdaki tablo kullanılır:
Yukarıdaki tabloya dayanarak, aşağıdaki sonuçlar çıkarılabilir: Cinsiyet ve psişe değişkenleri arasında zayıf bir korelasyon vardır (bağımlılığın gücü hakkında sonuç), değişkenler pozitif olarak ilişkilidir (bağımlılığın yönü hakkında sonuç).
Psişe değişkeninde, daha küçük değerler olumsuz bir zihinsel duruma, daha büyük değerler ise olumlu bir duruma karşılık gelir. Cinsiyet değişkeninde, sırayla, "1" değeri kadın cinsiyetine ve "2" - erkek değerine karşılık gelir.
Sonuç olarak, tek yönlü ilişki şu şekilde yorumlanabilir: Kız öğrenciler, erkek meslektaşlarına göre zihinsel durumlarını daha olumsuz değerlendirirler veya büyük olasılıkla, bir anket yaparken böyle bir değerlendirmeye katılma olasılıkları daha yüksektir. iki özellik arasındaki korelasyonun, onların işlevsel veya nedensel ilişkileriyle mutlaka aynı olmadığını hesaba katarsanız, bununla ilgili daha fazla bilgi için Bölüm 15.3'e bakın.
Şimdi alter ve dönem değişkenleri arasındaki korelasyonu kontrol edelim. Yukarıda anlatılan yöntemi uygulayalım. Aşağıdaki katsayıları alacağız:
Simetrik Ölçüler
asimpt. Std. hata(a) |
|||||
Aralığa Göre Aralık |
|||||
Sıra ile Sıra |
Mızrakçı Korelasyonu |
||||
Geçerli Vaka Sayısı |
a. Boş hipotezi varsaymamak (Boş hipotez kabul edilmez).
e. Sıfır hipotezi varsayarak asimptotik standart hatayı kullanma.
İle. Normal yaklaşıma dayalıdır.
Alter ve sömestr metrik değişkenler olduğundan, Pearson katsayısını (çarpımların momenti) dikkate alacağız. 0.807'dir. Alter ve dönem değişkenleri arasında güçlü bir ilişki vardır. Değişkenler pozitif olarak ilişkilidir. Sonuç olarak, daha büyük öğrenciler, aslında beklenmedik bir sonuç olmayan son sınıflarda eğitim görürler.
Korelasyon için sozial (sosyal konumun değerlendirilmesi) ve psişe değişkenlerini kontrol edelim. Aşağıdaki katsayıları alacağız:
Simetrik Ölçüler
asimpt. Std. hata(a) |
|||||
Aralığa Göre Aralık |
|||||
Sıra ile Sıra |
Mızrakçı Korelasyonu |
||||
Geçerli Vaka Sayısı |
a. Boş hipotezi varsaymamak (Boş hipotez kabul edilmez).
B. Sıfır hipotezi varsayarak asimptotik standart hatayı kullanma.
İle. Normal yaklaşıma dayalıdır.
Bu durumda Spearman korelasyon katsayısını ele alacağız; -0.703. Sozial ve psişe arasında orta ila güçlü bir korelasyon vardır (kesim 0.7). Değişkenler negatif ilişkilidir, yani birinci değişkenin değeri ne kadar büyükse, ikincisinin değeri o kadar düşüktür ve bunun tersi de geçerlidir. Sozial değişkeninin küçük değerleri olumlu bir durumu karakterize ettiğinden (1 = çok iyi, 2 = iyi) ve büyük psişe değerleri olumsuz bir durumu karakterize ettiğinden (1 = aşırı kararsız, 2 = kararsız), bu nedenle psikolojik zorluklar büyük ölçüde sosyal sorunlardan kaynaklanmaktadır.
Korelasyon katsayısı, iki değişken arasındaki ilişkinin derecesidir. Hesaplaması, iki veri seti arasında bir ilişki olup olmadığı hakkında fikir verir. Regresyondan farklı olarak korelasyon, değerlerin tahmin edilmesine izin vermez. Ancak katsayının hesaplanması, ön istatistiksel analizde önemli bir adımdır. Örneğin, doğrudan yabancı yatırım düzeyi ile GSYİH büyümesi arasındaki korelasyon katsayısının yüksek olduğunu bulduk. Bu bize, refahı sağlamak için özellikle yabancı girişimciler için uygun bir iklim yaratmanın gerekli olduğu fikrini veriyor. İlk bakışta çok açık olmayan bir sonuç!
Korelasyon ve nedensellik
Belki de hayatımızda bu kadar sağlam bir şekilde kurulacak tek bir istatistik alanı yoktur. Korelasyon katsayısı, kamu bilgisinin tüm alanlarında kullanılır. Başlıca tehlikesi, insanları ikna etmek ve bazı sonuçlara inanmalarını sağlamak için genellikle yüksek değerlerinin tahmin edilmesinde yatmaktadır. Bununla birlikte, aslında, güçlü bir korelasyon, miktarlar arasında nedensel bir ilişki olduğunu hiç göstermez.
Korelasyon katsayısı: Pearson ve Spearman formülü
İki değişken arasındaki ilişkiyi karakterize eden birkaç ana gösterge vardır. Tarihsel olarak, ilki Pearson'ın lineer korelasyon katsayısıdır. Okulda geçilir. K. Pearson ve J. Yule tarafından Fr. Galton. Bu katsayı, rasyonel olarak değişen rasyonel sayılar arasındaki ilişkiyi görmenizi sağlar. Her zaman -1'den büyük ve 1'den küçüktür. Negatif bir sayı ters orantılı bir ilişkiyi gösterir. Katsayı sıfır ise, değişkenler arasında ilişki yoktur. Pozitif bir sayıya eşittir - incelenen miktarlar arasında doğrudan orantılı bir ilişki vardır. Spearman'ın sıra korelasyon katsayısı, değişken değerler hiyerarşisi oluşturarak hesaplamaları basitleştirmeyi mümkün kılar.
Değişkenler arasındaki ilişkiler
Korelasyon iki soruyu yanıtlamaya yardımcı olur. Birincisi, değişkenler arasındaki ilişkinin pozitif mi yoksa negatif mi olduğudur. İkincisi, bağımlılığın ne kadar güçlü olduğu. Korelasyon analizi, bu önemli bilgiyi elde etmek için güçlü bir araçtır. Hanehalkı gelir ve giderlerinin orantılı olarak arttığını ve düştüğünü görmek kolaydır. Böyle bir ilişki olumlu olarak kabul edilir. Aksine, bir ürünün fiyatı yükseldiğinde, o ürüne olan talep düşer. Böyle bir ilişkiye olumsuz denir. Korelasyon katsayısının değerleri -1 ile 1 arasındadır. Sıfır, çalışılan değerler arasında ilişki olmadığı anlamına gelir. Gösterge uç değerlere ne kadar yakınsa, ilişki (olumsuz veya pozitif) o kadar güçlüdür. Bağımlılığın yokluğu, -0.1 ila 0.1 arasında bir katsayı ile kanıtlanır. Böyle bir değerin yalnızca doğrusal bir ilişkinin olmadığını gösterdiği anlaşılmalıdır.
Uygulama özellikleri
Her iki göstergenin kullanımı belirli varsayımlara tabidir. Birincisi, güçlü bir ilişkinin varlığı, bir değerin diğerini belirlediği gerçeğini belirlemez. Her birini tanımlayan üçüncü bir nicelik olabilir. İkinci olarak, yüksek bir Pearson korelasyon katsayısı, çalışılan değişkenler arasında nedensel bir ilişki olduğunu göstermez. Üçüncüsü, yalnızca doğrusal bir ilişki gösterir. Korelasyon, cinsiyet veya favori renk gibi kategoriler yerine anlamlı nicel verileri (örn. barometrik basınç, hava sıcaklığı) değerlendirmek için kullanılabilir.
Çoklu korelasyon katsayısı
Pearson ve Spearman, iki değişken arasındaki ilişkiyi araştırdı. Ama üç veya daha fazlası varsa ne yapmalı. Çoklu korelasyon katsayısının geldiği yer burasıdır. Örneğin gayri safi milli hasıla sadece doğrudan yabancı yatırımlardan değil, devletin para ve maliye politikaları ile ihracat düzeyinden de etkilenmektedir. Büyüme oranı ve GSYİH hacmi, bir dizi faktörün etkileşiminin sonucudur. Ancak, çoklu korelasyon modelinin bir takım basitleştirmelere ve varsayımlara dayandığı anlaşılmalıdır. İlk olarak, miktarlar arasındaki çoklu doğrusallık hariç tutulur. İkinci olarak, bağımlı değişken ile onu etkileyen değişkenler arasındaki ilişkinin doğrusal olduğu varsayılır.
Korelasyon ve regresyon analizinin kullanım alanları
Miktarlar arasındaki ilişkiyi bulmanın bu yöntemi istatistikte yaygın olarak kullanılmaktadır. En sık üç ana durumda başvurulur:
- İki değişkenin değerleri arasındaki nedensel ilişkileri test etmek için. Sonuç olarak, araştırmacı doğrusal bir ilişki bulmayı ve nicelikler arasındaki bu ilişkileri tanımlayan bir formül türetmeyi ummaktadır. Ölçü birimleri farklı olabilir.
- Değerler arasındaki ilişkiyi kontrol etmek için. Bu durumda, hiç kimse hangi değişkenin bağımlı olduğunu belirleyemez. Her iki niceliğin değerinin başka bir faktörü belirlediği ortaya çıkabilir.
- Bir denklem elde etmek için. Bu durumda, sayıları basitçe değiştirebilir ve bilinmeyen değişkenin değerlerini öğrenebilirsiniz.
Nedensel bir ilişki arayan bir adam
Bilinç öyle düzenlenmiştir ki, çevremizde meydana gelen olayları mutlaka açıklamamız gerekir. İnsan her zaman yaşadığı dünyanın resmi ile aldığı bilgiler arasında bir bağlantı arar. Çoğu zaman beyin kaostan düzen yaratır. Hiçbirinin olmadığı yerde nedensel bir ilişkiyi kolayca görebilir. Bilim adamları bu eğilimin üstesinden gelmeyi özellikle öğrenmelidir. Veriler arasındaki ilişkileri değerlendirme yeteneği, akademik bir kariyerde nesnel olarak önemlidir.
Medya önyargı
Bir korelasyonun varlığının nasıl yanlış yorumlanabileceğini düşünün. Bir grup huysuz İngiliz öğrenciye, ebeveynlerinin sigara içip içmediği soruldu. Ardından test gazetede yayınlandı. Sonuç, ebeveynlerin sigara içmesi ile çocuklarının suçluluğu arasında güçlü bir ilişki olduğunu gösterdi. Hatta bu çalışmayı yapan profesör, sigara paketlerinin üzerine bu konuda bir uyarı koymayı bile önerdi. Ancak, bu sonuca ilişkin bir takım sorunlar vardır. İlk olarak, korelasyon niceliklerden hangisinin bağımsız olduğunu göstermez. Bu nedenle, ebeveynlerin zararlı alışkanlığının, çocukların itaatsizliğinden kaynaklandığını varsaymak oldukça mümkündür. İkincisi, her iki sorunun da üçüncü bir faktörden dolayı ortaya çıkmadığını kesin olarak söylemek mümkün değildir. Örneğin, düşük gelirli aileler. Çalışmayı yürüten profesörün ilk sonuçlarının duygusal yönüne dikkat edilmelidir. Sigaranın ateşli bir rakibiydi. Bu nedenle, çalışmasının sonuçlarını bu şekilde yorumlaması şaşırtıcı değildir.
sonuçlar
Korelasyonu iki değişken arasındaki nedensel ilişki olarak yanlış yorumlamak, utanç verici araştırma hatalarına yol açabilir. Sorun şu ki, insan bilincinin tam merkezinde yatıyor. Birçok pazarlama hilesi bu özelliğe dayanmaktadır. Nedensellik ve korelasyon arasındaki farkı anlamak, hem günlük yaşamda hem de profesyonel kariyerinizde bilgileri rasyonel bir şekilde analiz etmenizi sağlar.
Okumak: |
---|
Popüler:
Kovulmaktan nasıl hayatta kalınır |
Yeni
- Sınavda konu seçimi. Sınav nasıl geçilir. Çocuğum engelli ise sınava girmeyebilir.
- Hücre zarı: tanımı, zarların işlevleri, fiziksel özellikleri
- Minecraft'ta Kendi Şehrinizi Nasıl Yapabilirsiniz?
- Ok neden tam olarak kuzeyi gösteriyor?
- En büyük mucitler ve icatları
- Düzenli altıgen
- Rusya'da serflik nasıl ortaya çıktı?
- Kısa bir biyografik ansiklopedide Schilder Karl Andreevich'in anlamı 19. yüzyılda Denizaltı
- Köylerle birlikte Kirov bölgesinin ayrıntılı bir haritasını indirin
- Ursa Minor - takımyıldızın tanımı ve fotoğrafı Ursa Minor takımyıldızı hangi yıldızlardan oluşur?