- Teste de Significância das Correlações
- 1. A comparação das correlações de amostras independentes
- 2. Comparação de correlações de amostras dependentes
- 3. Testando a independência linear (testando contra 0)
- 4. Testando correlações contra um valor fixo
- 5. Cálculo dos intervalos de confiança das correlações
- 6. Fisher-Z-transformação
- 7. O cálculo do coeficiente de correlação de Phi rPhi para dados binários
- 8. Cálculo da média ponderada de uma lista de correlações
- 9. A transformação dos tamanhos de efeito r, d, f, Odds Ratio and eta square
- 10. Calculation of Linear Correlations
- Literatura
Teste de Significância das Correlações
- Comparação de correlações a partir de amostras independentes
- Comparação das correlações de amostras dependentes
- Teste de independência linear (Teste contra 0)
- Teste de correlações contra um valor fixo
- Cálculo de intervalos de confiança das correlações
- Fisher-Z-a Transformação
- Cálculo do coeficiente de correlação Phi rPhi para categorial de dados
- Cálculo da média ponderada de uma lista de correlações
- transformação das dimensões dos efeitos r, d, f, Odds Ratio e eta square
- cálculo das correlações Lineares
1. A comparação das correlações de amostras independentes
correlações, obtidas de diferentes amostras, pode ser testada uma contra a outra. Exemplo: Imagine, você quer testar, se os homens aumentam sua renda consideravelmente mais rápido do que as mulheres. Pode, por exemplo, recolher os dados sobre a idade e o rendimento de 1 200 homens e 980 mulheres. A correlação pode ser de r = .38 na coorte masculina e r = .31 em mulheres. Existe uma diferença significativa na correlação de ambas as coortes?
| n | r | |
| Correlação 1 | ||
| Correlação 2 | ||
| Teste Estatístico z | ||
| Probabilidade p | ||
(Cálculo de acordo com Eid, Gollwitzer & Schmidt, 2011, pp. 547; face única de teste)
2. Comparação de correlações de amostras dependentes
se várias correlações tiverem sido obtidas da mesma amostra, esta dependência dentro dos dados pode ser usada para aumentar a potência do teste de significância. Considere o seguinte exemplo fictício:
- 85 crianças de grau 3 foram testadas com testes de inteligência (1), habilidades aritméticas (2) e compreensão de leitura (3). A correlação entre inteligência e habilidades aritméticas é de r12 = .53, intelligence and reading correlates with r13 = .41 e aritmética e leitura com r23 = .59. A correlação entre inteligência é uma habilidade aritmética superior à correlação entre inteligência e compreensão de leitura?
| n | r12 | r13 | r23 |
| Teste Estatístico z | |||
| Propability p | |||
(Cálculo de acordo com Eid et al., 2011, s. 548 f.; teste unilateral)
3. Testando a independência linear (testando contra 0)
com a seguinte calculadora, você pode testar se as correlações são diferentes de zero. O teste é baseado na distribuição t do aluno com n – 2 graus de liberdade. Um exemplo: o comprimento do pé esquerdo e o nariz de 18 homens é quantificado. O comprimento está correlacionado com r = .69. A correlação é significativamente diferente de 0?
| n | r |
| Teste Estatístico t | |
| Propability p (de um único lado) | |
| Propability p (de duas faces) |
(Cálculo de acordo com Eid et al., 2011, S. 542; two sided test)
4. Testando correlações contra um valor fixo
com a seguinte calculadora, você pode testar se correlações são diferentes de um valor fixo. O teste utiliza a transformação Fisher-Z.
| n | r | ρ (valor, a correlação é testado contra) |
| Teste Estatístico z | ||
| Propability p | ||
(Cálculo de acordo com Eid et al., 2011, S. 543f.; two sided test)
5. Cálculo dos intervalos de confiança das correlações
o intervalo de confiança especifica a gama de valores que inclui uma correlação com uma dada probabilidade (coeficiente de confiança). Quanto maior o coeficiente de confiança, maior o intervalo de confiança. Normalmente, os valores à volta .9 são utilizados.
| n | r | Confiança Coeficiente de |
|
| intervalo de Confiança | |||
(Cálculo de acordo com Eid et al., 2011, S. 545f.; two sided test)
The calculation becomes imprecise with large sample sizes and extreme correlation values due to the restricted precision of floating point numbers in Javascript.
6. Fisher-Z-transformação
a transformação Fisher-Z converte correlações numa medida quase normalmente distribuída. É necessário para muitas operações com correlações, por exemplo, quando se faz uma média de uma lista de correlações. O Conversor a seguir transforma as correlações e calcula as operações inversas também. Por favor, note que o Fisher-Z é dactilografado em maiúsculas.
| Valor | Transformação | Resultado |
7. O cálculo do coeficiente de correlação de Phi rPhi para dados binários
rPhi é uma medida para dados binários, como contagens em diferentes categorias, por exemplo, passagem/falha em um exame de machos e fêmeas. Também é chamado coeficiente de contingência ou Phi de Yule. A transformação para dCohen é feita através da calculadora do tamanho do efeito.
| Grupo 1 | Grupo de 2 | |
| Categoria 1 | ||
| Categoria 2 | ||
| rPhi | ||
| Tamanho de Efeito dcohen | ||
8. Cálculo da média ponderada de uma lista de correlações
Devido ao abalo de distribuição de correlações(ver Fisher-Z-Transformação), a média de uma lista de correlações não pode simplesmente ser calculado através da construção de média aritmética. Normalmente, as correlações são transformadas em valores Fisher-Z e ponderadas pelo número de casos antes da média e retransformação com um Fisher-Z. inversa, enquanto esta é a abordagem habitual, Eid et al. (2011, pp. 544) sugerem o uso da correção de Olkin & Pratt (1958), como simulações mostraram para estimar mais precisamente a correlação média. A seguinte calculadora calcula ambos para si, a “abordagem tradicional Fisher-Z” e o algoritmo de Olkin e Pratt.
| rFisher Z | rOlkin & Pratt | |
por Favor, preencha as correlações na coluna A e o número de casos na coluna B. Você pode também copiar os valores das tabelas do seu programa de folha de cálculo. Finalmente clique em ” OK ” para iniciar o cálculo. Alguns valores já preenchidos para fins de demonstração.
9. A transformação dos tamanhos de efeito r, d, f, Odds Ratio and eta square
correlações são uma medida de tamanho de efeito. Quantificam a magnitude de um efeito empírico. Há uma série de outras medidas de tamanho efeito também, com dCohen provavelmente sendo o mais proeminente. As diferentes medidas de tamanho efeito podem ser convertidas em outra. Por favor, dê uma olhada nas calculadoras online na computação de páginas de tamanhos de efeito.
10. Calculation of Linear Correlations
The Online-Calculator computes linear pearson or product moment correlations of two variables. Preencha os valores da variável 1 na coluna A e os valores da variável 2 na coluna B e carregue em “OK”. Como demonstração, os valores para uma alta correlação positiva já são preenchidos por padrão.
| Dados | linear Correlação rPearson |
Determinação coeficiente r2 |
Interpretação |
Literatura
Muitos testes de hipóteses nesta página são baseados em Eid et al. (2011). a jStat é usada para gerar a distribuição t do aluno para testar correlações entre si. O elemento da folha de cálculo é baseado no Handsontable.
- Eid, M., Gollwitzer, M., & Schmitt, M. (2011). Statistik und Forschungsmethoden Lehrbuch. Weinheim: Beltz.
Please use the following citation: Lenhard, W. & Lenhard, A. (2014). Testes de hipótese para comparar correlações. disponível: https://www.psychometrica.de/correlation.html. Bibergau (Germany): Psychometrica. DOI: 10.13140 / RG.2.1.2954.1367