frågeställningen
du Kanske skulle vilja testa om det finns en statistiskt signifikant linjärt samband mellan två kontinuerliga variabler, vikt och höjd (och i förlängningen att dra slutsatsen om huruvida föreningen är betydande i befolkningen). Du kan använda en bivariat Pearson korrelation för att testa om det finns ett statistiskt signifikant linjärt samband mellan höjd och vikt och för att bestämma styrkan och riktningen för föreningen.,
före testet
i provdata kommer vi att använda två variabler: ”höjd” och ”vikt.”Variabeln” höjd ” är ett kontinuerligt mått på höjd i tum och uppvisar ett intervall av värden från 55.00 till 84,41 (analysera > beskrivande statistik > beskrivande). Variabeln ”vikt” är ett kontinuerligt mått på vikt i pounds och uppvisar ett intervall av värden från 101.71 till 350.07.
innan vi tittar på Pearson korrelationer, bör vi titta på scatterplots av våra variabler för att få en uppfattning om vad som väntar., I synnerhet måste vi bestämma om det är rimligt att anta att våra variabler har linjära relationer. Klicka på grafer >äldre dialogrutor> Scatter / Dot. I Scatter/Dot-fönstret klickar du på enkel Scatter och klickar sedan på Definiera. Flytta variabel höjd till rutan X-axeln och flytta variabel vikt till rutan Y-axeln. När du är klar klickar du på OK.
för att lägga till en linjär passform som den som avbildas, dubbelklicka på tomten i Utdatavisaren för att öppna Diagramredigeraren., Klicka på Elements > Fit Line totalt. I fönstret Egenskaper, se till att metoden Fit är inställd på linjär och klicka sedan på Apply. (Lägg märke till att lägga till linjär regression trendlinje kommer också att lägga till R-kvadrat värde i marginalen av tomten. Om vi tar kvadratroten av detta nummer ska det matcha värdet av Pearson-korrelationen vi får.)
från scatterplot kan vi se att när höjden ökar tenderar vikten också att öka. Det verkar finnas ett linjärt förhållande.,
kör testet
för att köra bivariate Pearson-korrelationen, klicka på Analysera > korrelera > Bivariate. Välj variablernas höjd och vikt och flytta dem till Variabelrutan. I korrelationskoefficienterna område, välj Pearson. I testet av betydelse område, Välj önskad betydelse test, två-tailed eller en-tailed. Vi kommer att välja ett tvåstjärtat signifikanstest i det här exemplet. Markera rutan bredvid flagga betydande korrelationer.
klicka på OK för att köra bivariate Pearson-korrelationen., Utdata för analysen visas i Utdatavisaren.
Syntax
CORRELATIONS /VARIABLES=Weight Height /PRINT=TWOTAIL NOSIG /MISSING=PAIRWISE.utgång
tabeller
resultaten visar korrelationerna i en tabell, märkta korrelationer.
en korrelation av höjd med sig själv (r=1) och antalet icke-felaktiga observationer för höjd (n=408).
b korrelation mellan höjd och vikt (r=0,513), baserat på N=354 observationer med parvisa icke-klyvande värden.
c korrelation mellan höjd och vikt (r=0.,513), baserat på N=354 observationer med parvisa icke-spridningsvärden.
d korrelation av vikt med sig själv (r = 1), och antalet nonmissing observationer för vikt (n=376).
de viktiga celler vi vill titta på är antingen B eller C. (cellerna B och C är identiska, eftersom de innehåller information om samma par variabler.) Celler B och C innehåller korrelationskoefficienten för korrelationen mellan höjd och vikt, dess p-värde och antalet fullständiga parvisa observationer som beräkningen baserades på.,
korrelationerna i huvuddiagonalen (cellerna A och D) är alla lika med 1. Detta beror på att en variabel alltid är perfekt korrelerad med sig själv. Observera dock att provstorlekarna är olika i cell a (n=408) jämfört med cell D (n=376). Detta beror på saknade data – Det finns fler saknade observationer för variabel vikt än det finns för variabel höjd.
om du har valt att flagga signifikanta korrelationer, kommer SPSS att markera en 0,05 signifikansnivå med en asterisk (*) och en 0,01 signifikansnivå med två asterisker (0,01)., I cell B (upprepad i cell C) kan vi se att Pearson korrelationskoefficienten för höjd och vikt är .513, vilket är signifikant (p < .001 för ett tvåsvansat test), baserat på 354 fullständiga observationer (dvs. fall med icke-felande värden för både höjd och vikt).
beslut och slutsatser
baserat på resultaten kan vi ange följande: