- testa betydelsen av korrelationer
- 1. Jämförelse av korrelationer från oberoende prover
- 2. Jämförelse av korrelationer från beroende prover
- 3. Testa linjärt oberoende (testa mot 0)
- 4. Testa korrelationer mot ett fast värde
- 5. Beräkning av konfidensintervall för korrelationer
- 6. Fisher-Z-Transformation
- 7. Beräkning av Phi-korrelationskoefficienten rPhi för binära data
- 8. Beräkning av det viktade medelvärdet av en lista över korrelationer
- 9. Omvandling av effektstorlekarna r, d, f, Odds Ratioand eta square
- 10. Beräkning av linjära korrelationer
- litteratur
testa betydelsen av korrelationer
- jämförelse av korrelationer från oberoende prover
- jämförelse av korrelationer från beroende prover
- testa linjärt oberoende (testa mot 0)
- testa korrelationer mot ett fast värde
- beräkning av konfidensintervall för korrelationer
- Fisher-Z-Transformation
- beräkning av Phi-korrelationskoefficienten rPhi för kategoridata
- beräkning av det vägda medelvärdet av en förteckning över korrelationer
- omvandling av effektstorlekarna r, d, f, Odds Ratioand eta square
- beräkning av linjära korrelationer
1. Jämförelse av korrelationer från oberoende prover
korrelationer, som har hämtats från olika prover kan testas mot varandra. Exempel: Tänk dig att du vill testa om män ökar sin inkomst betydligt snabbare än kvinnor. Du kan f. e. samla in uppgifter om ålder och inkomst från 1 200 män och 980 kvinnor. Korrelationen kan uppgå till r = .38 i den manliga kohorten och r = .31 kvinnor. Finns det en signifikant skillnad i korrelationen mellan båda kohorterna?
| n | r | |
| korrelation 1 | ||
| korrelation 2 | ||
| teststatistik z | ||
| Sannolikhet p | ||
(beräkning enligt Eid, Gollwitzer & Schmidt, 2011, s. 547; enkelsidigt test)
2. Jämförelse av korrelationer från beroende prover
om flera korrelationer har hämtats från samma prov kan detta beroende inom data användas för att öka kraften i signifikanstestet. Tänk på följande fiktiva exempel:
- 85 barn från klass 3 har testats med tester på intelligens (1), aritmetiska förmågor (2) och läsförståelse (3). Korrelationen mellan intelligens och aritmetiska förmågor uppgår till r12 = .53, intelligens och läsning korrelerar med r13 = .41 och aritmetik och läsning med r23 = .59. Är korrelationen mellan intelligens en aritmetisk förmåga högre än korrelationen mellan intelligens och läsförståelse?
| n | r12 | r13 | r23 |
| teststatistik z | |||
| Propabilitet p | |||
(beräkning enligt Eid et al., 2011, S. 548 f.; enkelsidig testning)
3. Testa linjärt oberoende (testa mot 0)
med följande kalkylator kan du testa om korrelationer skiljer sig från noll. Testet är baserat på studentens t – fördelning med N-2 frihetsgrader. Ett exempel: längden på vänster fot och näsan på 18 män kvantifieras. Längden korrelerar med r = .69. Är korrelationen väsentligt annorlunda än 0?
| n | r |
| teststatistik t | |
| Propabilitet p (enkelsidig) | |
| Propabilitet p (dubbelsidig) |
(beräkning enligt Eid et al., 2011, S. 542; tvåsidigt test)
4. Testa korrelationer mot ett fast värde
med följande kalkylator kan du testa om korrelationer skiljer sig från ett fast värde. Testet använder Fisher-Z-transformation.
| n | r | POV (värde, korrelationen testas mot) |
| teststatistik z | ||
| Propabilitet p | ||
(beräkning enligt Eid et al., 2011, S. 543f.; tvåsidigt test)
5. Beräkning av konfidensintervall för korrelationer
konfidensintervallet anger intervallet av värden som inkluderar en korrelation med en given Sannolikhet (konfidenskoefficient). Ju högre konfidenskoefficient, desto större konfidensintervall. Vanligtvis, värden runt .9 används.
| n | r | förtroende koefficient |
|
| konfidensintervall | |||
(beräkning enligt Eid et al., 2011, S. 545f.; tvåsidigt test)
beräkningen blir oprecis med stora provstorlekar och extrema korrelationsvärden på grund av den begränsade precisionen hos flyttal i Javascript.
6. Fisher-Z-Transformation
Fisher-Z-Transformation omvandlar korrelationer till ett nästan normalt fördelat mått. Det är nödvändigt för många operationer med korrelationer, f. E. när medelvärdet av en lista över korrelationer. Följande omvandlare omvandlar korrelationerna och beräknar också de inversa operationerna. Observera, att Fisher-Z skrivs versaler.
| Värde | Transformation | Resultat |
7. Beräkning av Phi-korrelationskoefficienten rPhi för binära data
rPhi är ett mått på binära data som räknas i olika kategorier, t. ex. godkänd/underkänd i en undersökning av män och kvinnor. Det kallas också beredskapskoefficient eller Yules Phi. Transformation till dCohen görs via effektstorlekskalkylatorn.
| Grupp 1 | Grupp 2 | |
| kategori 1 | ||
| Kategori 2 | ||
| rPhi | ||
| effekt storlek dcohen | ||
8. Beräkning av det viktade medelvärdet av en lista över korrelationer
på grund av den sneda fördelningen av korrelationer(se Fisher-Z-Transformation) kan medelvärdet av en lista över korrelationer inte bara beräknas genom att bygga det aritmetiska medelvärdet. Vanligtvis, korrelationer omvandlas till Fisher-Z-värden och viktas av antalet fall före genomsnitt och omformning med en invers Fisher-Z. även om detta är den vanliga metoden, Eid et al. (2011, s.544) föreslår att man använder korrigeringen av Olkin & Pratt (1958) istället, eftersom simuleringar visade det för att uppskatta den genomsnittliga korrelationen mer exakt. Följande kalkylator beräknar både för dig, den ”traditionella Fisher-Z-metoden” och algoritmen för Olkin och Pratt.
| rFisher z | rOlkin & Pratt | |
fyll i korrelationerna i kolumn A och antalet fall i kolumn B. Du kan också kopiera värdena från tabellerna i ditt kalkylprogram. Klicka slutligen på” OK ” för att starta beräkningen. Vissa värden har redan fyllts i för demonstrationsändamål.
9. Omvandling av effektstorlekarna r, d, f, Odds Ratioand eta square
korrelationer är ett effektstorleksmått. De kvantifierar storleken på en empirisk effekt. Det finns också ett antal andra effektstorleksmått, med dCohen förmodligen den mest framträdande. De olika effektstorleksmåtten kan omvandlas till en annan. Ta en titt på onlinekalkylatorerna på sidan beräkning av effektstorlekar.
10. Beräkning av linjära korrelationer
Online-Kalkylatorn beräknar linjära pearson-eller produktmoment-korrelationer av två variabler. Fyll i värdena för variabel 1 i kolumn A och värdena för variabel 2 i kolumn B och tryck på ’OK’. Som en demonstration fylls värden för en hög positiv korrelation redan som standard.
| Data | linjär korrelation rPearson |
bestämning koefficient r2 |
Tolkning |
litteratur
många hypotesprov på denna sida är baserade på Eid et al. (2011). jStat används för att generera Studentens t-distribution för att testa korrelationer mot varandra. Kalkylarkelementet är baserat på Handsontable.
- Eid, M., Gollwitzer, M., & Schmitt, M. (2011). Statistik und Forschungsmethoden Lehrbuch. Weinheim: Beltz.
använd följande citat: Lenhard, W. & Lenhard, A. (2014). Hypotesprov för att jämföra korrelationer. tillgänglig: https://www.psychometrica.de/correlation.html. Bibergau( Tyskland): Psychometrica. DOI: 10.13140/RG.2.1.2954.1367