- korrelaatioiden merkityksen testaus
- 1. Eri näytteistä haettujen korrelaatioiden vertailu toisistaan riippumattomista näytteistä
- 2. Korrelaatioiden vertailu riippuvaisista näytteistä
- 3. Testaamalla lineaarista riippumattomuutta (testi vastaan 0)
- 4. Testaamalla korrelaatioita kiinteään arvoon
- 5. Korrelaatioiden luottamusvälien laskeminen
- 6. Fisher-Z-transformaatio
- 7. Phi-korrelaatiokertoimen rPhi laskeminen binääridatalle
- 8. Korrelaatioiden luettelon painotetun keskiarvon laskeminen
- 9. Efektikokojen R, d, f, Odds Ratio ja eta square
- 10. Lineaaristen korrelaatioiden laskeminen
- kirjallisuus
korrelaatioiden merkityksen testaus
- riippumattomien näytteiden korrelaatioiden Vertailu
- riippuvaisten näytteiden korrelaatioiden Vertailu
- lineaarisen riippumattomuuden testaus (testaus 0: ta vastaan)
- korrelaatioiden luottamusvälien laskeminen
- Fisher-Z-transformaatio
- kategoristen tietojen Phi-korrelaatiokertoimen rPhi laskeminen
- luettelon painotetun keskiarvon laskeminen korrelaatiot
- vaikutuskokojen R, d, f, kertoimet Ratio ja eta-neliö
- lineaaristen korrelaatioiden laskeminen
1. Eri näytteistä haettujen korrelaatioiden vertailu toisistaan riippumattomista näytteistä
korrelaatioita voidaan testata keskenään. Esimerkki: Kuvittele, haluat testata, jos miehet lisäävät tulojaan huomattavasti nopeammin kuin naiset. Voit esimerkiksi kerätä 1 200 miehen ja 980 naisen ikä-ja tulotiedot. Korrelaatio voi olla R = .38 uroskohortissa ja r = .Naisissa 31. Onko molempien kohorttien korrelaatiossa merkittävä ero?
| korrelaatio 1 | ||
| korrelaatio 2 | ||
| testin tilastollinen z | ||
| todennäköisyys p | ||
(Calculation according to Eid, Gollwitzer & Schmidt, 2011, s. 547; single sided test)
2. Korrelaatioiden vertailu riippuvaisista näytteistä
jos samasta näytteestä on haettu useita korrelaatioita, tätä aineistossa olevaa riippuvuutta voidaan käyttää merkitsevyystestin tehon lisäämiseen. Tarkastellaan seuraavaa fiktiivistä esimerkkiä:
- 85 luokalla 3 olevia lapsia on testattu älykkyyttä (1), laskutaitoa (2) ja luetun ymmärtämistä (3) koskevilla testeillä. Älykkyyden ja aritmeettisten kykyjen välinen korrelaatio on R12 = .53, älykkyys ja lukeminen korreloivat R13=: n kanssa .41 ja aritmeettinen ja lukeminen R23 = .59. Onko älykkyyden korrelaatio aritmeettinen kyky suurempi kuin älykkyyden ja luetun ymmärtämisen välinen korrelaatio?
| r12 | r13 | r23 | |
| testin tilastollinen z | |||
| Propability p | |||
(Eid: n ja al: n mukainen laskenta, 2011, S. 548 f.; yksipuolinen testaus)
3. Testaamalla lineaarista riippumattomuutta (testi vastaan 0)
seuraavalla laskurilla voit testata, ovatko korrelaatiot eri kuin nolla. Testi perustuu opiskelijan t – jakaumaan N-2 vapausasteella. Esimerkki:18 miehen vasemman jalan ja nenän pituus määritetään. Pituus korreloi r=: n kanssa .69. Onko korrelaatio merkittävästi erilainen kuin 0?
| testin tilastollinen t | |
| Propability p (yksipuolinen) | |
| Propability p (kaksipuolinen) |
(Eid: n ja al: n mukainen laskenta, 2011, S. 542; kaksipuolinen testi)
4. Testaamalla korrelaatioita kiinteään arvoon
seuraavalla laskurilla voit testata, poikkeavatko korrelaatiot kiinteästä arvosta. Testissä käytetään Fisher-Z-muunnosta.
| n | r | ρ (arvo, korrelaatiota testataan) |
| testin tilastollinen z | ||
| Propability p | ||
(Eid: n ja al: n mukainen laskenta, 2011, S. 543f.; kaksipuolinen testi)
5. Korrelaatioiden luottamusvälien laskeminen
luottamusväli määrittää arvojen vaihteluvälin, johon sisältyy korrelaatio tietyn todennäköisyyden kanssa (luottamuskerroin). Mitä suurempi luottamuskerroin, sitä suurempi luottamusväli. Yleensä arvot ympärillä .Käytetään 9.
| n | r | luottamus kerroin |
|
| luottamusväli | |||
(laskenta Eid et al., 2011, S. 545f.; kaksipuolinen testi)
laskelma tulee epätarkaksi suurten otoskokojen ja äärimmäisten korrelaatioarvojen takia, koska liukulukujen tarkkuus Javascriptissä on rajallinen.
6. Fisher-Z-transformaatio
Fisher-Z-transformaatio muuntaa korrelaatiot lähes normaalisti jakautuneeksi mitaksi. Se on tarpeen monissa operaatioissa, joissa on korrelaatioita, esimerkiksi kun lasketaan keskimäärin korrelaatioiden luetteloa. Seuraava muunnin muuntaa korrelaatiot ja se laskee käänteisoperaatiot samoin. Huomaa, että Fisher-Z kirjoitetaan isoilla kirjaimilla.
| Arvo | Muunnos | Tulos |
7. Phi-korrelaatiokertoimen rPhi laskeminen binääridatalle
rPhi on mitta binääridatalle, kuten lukemille eri kategorioissa, esim. läpäisy/hylkäys miesten ja naisten kokeessa. Sitä kutsutaan myös varakertoimeksi tai Yulen Phi: ksi. Transformaatio dhoheniin tapahtuu efektikokolaskurin kautta.
| Ryhmä 1 | ryhmä 2 | |
| Luokka 1 | ||
| Luokka 2 | ||
| rPhi | ||
| Tehostekoko dhohen | ||
8. Korrelaatioiden luettelon painotetun keskiarvon laskeminen
johtuen korrelaatioiden askew-jakaumasta(katso Fisher-Z-muunnos), korrelaatioiden luettelon keskiarvoa ei voida laskea yksinkertaisesti rakentamalla aritmeettinen keskiarvo. Yleensä korrelaatiot muunnetaan Fisher-Z-arvoiksi ja painotetaan tapausten lukumäärällä ennen keskiarvon määrittämistä ja uudelleen muuntamista käänteisellä Fisher-Z: llä.vaikka tämä on tavanomainen lähestymistapa, Eid et al. (2011, s.544) ehdottaa sen sijaan olkin & Pratt (1958) – korjauksen käyttämistä, koska simulaatiot osoittivat sen arvioivan keskimääräistä korrelaatiota tarkemmin. Seuraava Laskin Laskee sekä sinulle, ”perinteinen Fisher-Z-lähestymistapa” ja algoritmi Olkin ja Pratt.
| rFisher Z | rOlkin & Pratt | |
täytä korrelaatiot sarakkeeseen A ja tapausten lukumäärä sarakkeeseen B. Voit myös kopioida arvot taulukkolaskentaohjelmasi taulukoista. Lopuksi klikkaa ”kunnossa” aloittaa laskennan. Joitakin arvoja on jo täytetty esittelytarkoituksessa.
9. Efektikokojen R, d, f, Odds Ratio ja eta square
korrelaatiot ovat efektikokojen mitta. Ne kvantifioivat empiirisen vaikutuksen suuruuden. On olemassa useita muita vaikutus koon mittoja sekä, jossa dhohen luultavasti on näkyvin yksi. Eri vaikutus koko mittoja voidaan muuntaa toiseen. Tutustu online laskimet sivulla laskenta vaikutus koot.
10. Lineaaristen korrelaatioiden laskeminen
Verkkolaskija laskee kahden muuttujan lineaariset pearsonit eli tuotemomenttikorrelaatiot. Merkitkää muuttujan 1 arvot sarakkeeseen A ja muuttujan 2 arvot sarakkeeseen B ja painakaa ”OK”. Osoituksena korkean positiivisen korrelaation arvot on jo oletusarvoisesti täytetty.
| tiedot | lineaarinen korrelaatio rPearson |
määritys kerroin r2 |
tulkinta |
kirjallisuus
monet hypoteesitestit tällä sivulla perustuvat Eid et al. (2011). jStat: ia käytetään tuottamaan oppilaan t-jakauma, jolla testataan korrelaatioita toisiinsa nähden. Taulukkolaskentaelementti perustuu Handsontable.
- Eid, M., Gollwitzer, M., & Schmitt, M. (2011). Statistik und Forschungsmethoden Lehrbuch. Beltz.
käytä seuraavaa viittausta: Lenhard, W. & Lenhard, A. (2014). Hypoteesitestit korrelaatioiden vertailua varten. saatavilla: https://www.psychometrica.de/correlation.html. Bibergau (Saksa): Psykometrica. DOI: 10.13140 / RG.2.1.2954.1367