Přehled
Možná byste chtěli vyzkoušet, zda existuje statisticky významný lineární vztah mezi dvěma spojitými proměnnými, hmotnosti a výšky (a potažmo odvodit, zda sdružení je významné v populaci). Můžete použít dvěma proměnnými Pearsonův Korelační test, zda existuje statisticky významný lineární vztah mezi výškou a váhou, a určit sílu a směr sdružení.,
před testem
ve vzorkových datech použijeme dvě proměnné: „výška“ a “ hmotnost.“Proměnná „Výška“ je kontinuální měření výšky v palcích a exponáty rozsah hodnot od 55.00 do 84.41 (Analyzovat > Popisné Statistiky > Descriptives). Proměnné „Váha“ je kontinuální měření hmotnosti v kg a vykazuje rozsah hodnot od 101.71 na 350.07.
než se podíváme na pearsonovy korelace, měli bychom se podívat na rozptyly našich proměnných, abychom získali představu o tom, co očekávat., Zejména musíme určit, zda je rozumné předpokládat, že naše proměnné mají lineární vztahy. Klikněte na grafy > starší dialogy > Scatter / Dot. V okně Scatter / Dot klikněte na Simple Scatter a poté na definovat. Přesuňte proměnnou výšku do pole osy X a přesuňte proměnnou hmotnost do pole osy Y. Po dokončení klikněte na OK.
přidat lineární fit jako jeden líčil, poklepejte na pozemku ve Výstupu Prohlížeč pro otevření Grafu Editor., Klikněte na Elements > Fit Line at Total. V okně Vlastnosti se ujistěte, že metoda Fit je nastavena na lineární a potom klepněte na tlačítko Použít. (Všimněte si, že přidání lineárního regresního trendového řádku také přidá hodnotu R-squared do okraje grafu. Pokud vezmeme druhou odmocninu tohoto čísla, měla by odpovídat hodnotě pearsonovy korelace, kterou získáme.)
z scatterplotu vidíme, že jak se výška zvyšuje, hmotnost má také tendenci se zvyšovat. Zdá se, že existuje nějaký lineární vztah.,
spuštění testu
pro spuštění Bivariátní Pearsonovy korelace klikněte na analyzovat > korelovat > Bivariate. Vyberte proměnné výška a hmotnost a přesuňte je do pole proměnné. V oblasti korelačních koeficientů vyberte Pearson. V oblasti testu významnosti vyberte požadovaný test významnosti, dvouocasý nebo jednoocasý. V tomto příkladu vybereme dvouocasý test významnosti. Zaškrtněte políčko vedle vlajky významné korelace.
klepněte na tlačítko OK pro spuštění Bivariate Pearson korelace., Výstup pro analýzu se zobrazí ve výstupním prohlížeči.
Syntax
CORRELATIONS /VARIABLES=Weight Height /PRINT=TWOTAIL NOSIG /MISSING=PAIRWISE.Výstup
Tabulky
výsledky se zobrazí korelace v tabulce, označené Korelace.
Korelace Výšky s sebou (r=1), a počet nonmissing vyjádření výšky (n=408).
B korelace výšky a hmotnosti (r=0, 513), na základě pozorování n=354 s párovými hodnotami bez chyb.
C korelace výšky a hmotnosti (r=0.,513), na základě n=354 pozorování s dvojicovými hodnotami.
D korelace hmotnosti se sebou samým (r=1) a počet nepřímých pozorování hmotnosti (n=376).
důležité buňky, na které se chceme podívat, jsou buď B nebo C. (buňky B A C jsou identické, protože obsahují informace o stejném páru proměnných.) Buňky B a C obsahují korelační koeficient pro korelaci mezi výškou a váhou, její p-hodnotu, a počet úplných párového pozorování, že výpočet byl založen na.,
korelace v hlavní diagonále (buňky a A D) se rovnají 1. Je to proto, že proměnná je vždy dokonale korelována se sebou samým. Všimněte si však, že velikost vzorku se liší v buňce a (n=408) oproti buňce D (n=376). Je to kvůli chybějícím údajům – chybí více pozorování pro proměnnou hmotnost než pro proměnnou výšku.
Pokud jste se rozhodli označit významné korelace, SPSS označí úroveň významnosti 0.05 jednou hvězdičkou ( * ) a hodnotou významnosti 0.01 se dvěma hvězdičkami (0.01)., V buňce B (opakovaná v buňce C) vidíme, že Pearsonův korelační koeficient pro výšku a hmotnost je .513, což je významné (p < .001 pro dvouocasý test), založený na 354 úplných pozorováních (tj. případy s nemisingovými hodnotami pro výšku i hmotnost).
rozhodnutí a závěry
Na základě výsledků můžeme uvést následující: