Problem Statement
talán szeretné kipróbálni, hogy van-e statisztikailag szignifikáns lineáris kapcsolat két folyamatos változó között, súly és magasság(és kiterjesztéssel, infer, hogy az egyesület jelentős a lakosság). A bivariate Pearson korreláció segítségével tesztelheti, hogy van-e statisztikailag szignifikáns lineáris összefüggés a magasság és a súly között, valamint meghatározhatja az asszociáció erősségét és irányát.,
A vizsgálat előtt
a mintaadatokban két változót használunk: “magasság” és ” súly.”A” magasság”változó a magasság folyamatos mérése hüvelykben, és 55.00-tól 84.41-ig terjedő értéktartományt mutat (Analyze > leíró statisztikák > Leírások). A “súly” változó a font súlyának folyamatos mérése, az értékek tartománya 101.71-től 350.07-ig terjed.
mielőtt megnéznénk a Pearson korrelációkat, meg kell vizsgálnunk a változók szórólapjait, hogy képet kapjunk arról, hogy mire számíthatunk., Különösen meg kell határoznunk, hogy ésszerű-e feltételezni, hogy változóink lineáris kapcsolatokkal rendelkeznek. Kattints grafikonok >Legacy Dialogs > Scatter/Dot. A Scatter / Dot ablakban kattintson az egyszerű Scatter gombra, majd kattintson a Define gombra. Mozgassa a változó magasságot az X tengely dobozba, majd mozgassa a változó súlyt az Y tengely dobozba. Ha kész, kattintson az OK gombra.
a Diagramszerkesztőhöz hasonló lineáris illesztés hozzáadásához kattintson duplán a kimeneti megjelenítőben lévő telken a Diagramszerkesztő megnyitásához., Kattintson elemek > Fit vonal összesen. A Tulajdonságok ablakban ellenőrizze, hogy az illesztési módszer lineáris-e, majd kattintson az Alkalmaz gombra. (Vegye figyelembe, hogy a lineáris regressziós trendvonal hozzáadása hozzáadja az R-négyzet értékét a telek margójához. Ha ennek a számnak a négyzetgyökét vesszük, akkor meg kell egyeznie a kapott Pearson-korreláció értékével.)
a szórófejből láthatjuk, hogy a magasság növekedésével a súly is növekszik. Úgy tűnik, hogy van valami lineáris kapcsolat.,
A
bivariate Pearson korreláció futtatásához kattintson az Analyze > Korrelate > Bivariate. Válassza ki a változók magasságát és súlyát, majd mozgassa őket a változók mezőbe. A korrelációs együtthatók területén válassza a Pearson lehetőséget. A szignifikancia teszt területén válassza ki a kívánt jelentési tesztet, Kétfarkú vagy egyfarkú. Ebben a példában kiválasztunk egy Kétfarkú szignifikancia tesztet. Jelölje be a jelentős korrelációk megjelölése melletti négyzetet.
kattintson az OK gombra a bivariate Pearson korreláció futtatásához., Az elemzés kimenete megjelenik a kimeneti megjelenítőben.
Syntax
CORRELATIONS /VARIABLES=Weight Height /PRINT=TWOTAIL NOSIG /MISSING=PAIRWISE.Output
Tables
Az eredmények a korrelációkat egy táblázatban, címkézett Korrelációkban jelenítik meg.
A magasság korrelációja önmagával (r=1), valamint a magasságra vonatkozó nem Missing megfigyelések száma (n=408).
b a magasság és a súly korrelációja (r=0,513), n=354 megfigyeléseken alapul, páronként nem sziszegő értékekkel.
c a magasság és a súly korrelációja (r = 0.,513), n=354 megfigyelések alapján, páros nem keverési értékekkel.
d a súly korrelációja önmagával (r=1), valamint a súlyra vonatkozó nem zavaró megfigyelések száma (n=376).
a fontos cellák, amelyeket meg akarunk nézni, vagy B vagy C. (A B és C cellák azonosak, mivel ugyanazon változópárra vonatkozó információkat tartalmaznak.) A B és C cellák tartalmazzák a magasság és a súly, a p-érték közötti korreláció korrelációs együtthatóját, valamint a számítás alapjául szolgáló teljes páronkénti megfigyelések számát.,
a fő átlóban (A és D cellában) a korrelációk mindegyike egyenlő 1-gyel. Ez azért van, mert egy változó mindig tökéletesen korrelál önmagával. Vegye figyelembe azonban, hogy a mintaméretek különböznek az a cellában (n=408), szemben a D cellával (n=376). Ennek oka a hiányzó adatok – több hiányzó megfigyelés van a változó súlyra, mint a változó magasságra.
ha jelentős korrelációk megjelölése mellett döntött, az SPSS egy csillaggal (*) 0,05 szignifikanciaszintet és két csillaggal (0,01) 0,01 szignifikanciaszintet jelöl., A B cellában (a C cellában megismételve )láthatjuk, hogy a Pearson-korrelációs együttható a magasság és a súly szempontjából.513, ami jelentős (p < .001 Kétfarkú vizsgálat esetén), 354 teljes megfigyelés alapján(azaz olyan esetek, amelyekben a magasság és a súly nem számít).
döntés és következtetések
Az eredmények alapján a következőket állíthatjuk: