Ongelma Julkilausuman
Ehkä haluat testata, onko tilastollisesti merkitsevä lineaarinen suhde kaksi jatkuvia muuttujia, paino ja korkeus (ja siten päätellä, onko yhdistys on merkittävä väestöstä). Voit käyttää kahden muuttujan Pearsonin Korrelaatio testi, onko tilastollisesti merkitsevä lineaarinen suhde pituus ja paino, ja määrittää vahvuus ja suunta ry.,
Ennen Testiä,
näytteen tiedot, käytämme kaksi muuttujaa: ”Korkeus” ja ”Paino.”Muuttuja ”Korkeus” on jatkuva mitta korkeus tuumaa ja esittelee erilaisia arvoja 55.00 84.41 (Analysoida > Kuvailevia Tilastoja > Descriptives). Muuttuja ”paino” on jatkuva painon mitta kiloina ja sen arvot vaihtelevat välillä 101,71-350,07.
ennen kuin katsomme Pearson-korrelaatioita, meidän pitäisi tarkastella muuttujiemme sirontaa saadaksemme käsityksen siitä, mitä odottaa., Erityisesti meidän on selvitettävä, onko järkevää olettaa, että muuttujillamme on lineaariset suhteet. Napsauta Kuvaajat > Legacy Dialogs > Scatter/Dot. Valitse Scatter / Dot-ikkunassa Simple Scatter ja valitse Define. Siirrä muuttuva korkeus x-akselin ruutuun ja siirrä muuttuva Paino Y-akselin ruutuun. Kun olet valmis, napsauta OK.
lisätä lineaarinen sovi kuin yksi kuvattu, tupla-klikkaa tontin Lähtö Viewer voit avata kartta Editori., Napsauta elementit > Fit Line yhteensä. Varmista Ominaisuudet-ikkunassa, että Fit-menetelmä on lineaarinen, napsauta Käytä. (Huomaa, että lisäämällä lineaarinen regressiosuuntaviiva lisää myös R-neliöisen arvon tontin marginaalissa. Jos otamme neliöjuuri tämän numeron, sen pitäisi vastata arvoa Pearson korrelaatio saamme.)
scatterplotista näemme, että korkeuden kasvaessa myös paino pyrkii kasvamaan. Näyttää siltä, että on olemassa jokin lineaarinen suhde.,
Testi
suorita bivariate Pearson Korrelaatio, napsauta Analysoi > Korreloi > Bivariate. Valitse muuttujat korkeus ja paino ja siirrä ne muuttujien ruutuun. Valitse Korrelaatiokertoimien alueella Pearson. Kokeen Merkitys alueen, valitse haluamasi merkitys testi, kaksisuuntainen tai yksisuuntainen. Valitsemme tässä esimerkissä kaksipyrstöisen merkitsevyystestin. Tarkista liputuksen vieressä olevasta laatikosta merkittävät korrelaatiot.
Klikkaa OK ajaa bivariate Pearson Korrelaatio., Lähtö analyysia varten näkyy Ulostulokatselmassa.
Syntax
CORRELATIONS /VARIABLES=Weight Height /PRINT=TWOTAIL NOSIG /MISSING=PAIRWISE.Lähtö
Taulukot
tulokset näkyvät korrelaatiot taulukossa, merkitty Korrelaatiot.
Korrelaatio Pituuden itsensä kanssa (r=1), ja määrä nonmissing havaintojen korkeus (n=408).
B-Korrelaatio pituuden ja painon (r=0.513), joka perustuu n=354 havaintojen kanssa pareittain nonmissing arvoja.
c korkeuden ja painon korrelaatio (r=0.,513), joka perustuu n=354 havaintoihin, joissa on pairwise nonmissing-arvot.
D Korrelaatio painon itsensä kanssa (r=1), ja määrä nonmissing havaintojen paino (n=376).
tärkeät solut haluamme tarkastella joko B tai C. (Solut, B ja C ovat samanlaisia, koska ne sisältävät tietoa sama pari muuttujaa. Solut ) B ja C sisältävät korrelaatio kertoimen korrelaatio pituuden ja painon, sen p-arvo, ja määrä täydellinen pareittain havaintoja, että laskelma perustui.,
päädiagonaalin korrelaatiot (solut A ja D) ovat kaikki yhtä suuret kuin 1. Tämä johtuu siitä, että muuttuja korreloi aina täydellisesti itsensä kanssa. Huomaa kuitenkin, että näytteen koot ovat erilaisia a-solussa (n=408) ja D-solussa (n=376). Tämä johtuu puuttuvista tiedoista — vaihtelevasta painosta puuttuu enemmän havaintoja kuin vaihtelevasta korkeudesta.
Jos olet valinnut lippu merkittäviä korrelaatioita, SPSS merkitsee 0,05 merkitsevyystaso yhdellä tähdellä (*) ja 0,01 merkitsevyystasolla kahdella tähdellä (0.01)., Solussa B (toistetaan solussa C) voidaan nähdä, että Pearsonin korrelaatiokerroin pituuden ja painon suhteen on .513, joka on merkittävä (p < .001 kaksi-tailed test), joka perustuu 354 täydellinen havaintoja (eli tapauksissa, joissa nonmissing arvot sekä pituus ja paino).
Päätös ja Johtopäätökset
tulosten Perusteella voimme todeta seuraavaa: