نحوه انجام تجزیه و تحلیل همبستگی پیرسون در SPSS

Home >چگونه می توان داده ها را در SPSS برای R و Scatterplots Pearson تفسیر کرد؟

جعبه همبستگی

نگاهی به اولین کادر موجود در پرونده خروجی خود به نام همبستگی ها بیندازید. نام های متغیر خود را در دو ردیف مشاهده خواهید کرد. در این مثال ، می توانید نام متغیر �water� را در ردیف اول و نام متغیر "sskin" در ردیف دوم مشاهده کنید. همچنین دو نام متغیر خود را در دو ستون مشاهده خواهید کرد. در ستون های سمت راست ، نام های متغیر "Water� و" Sskin "را مشاهده می کنید؟چهار جعبه را در سمت راست مشاهده خواهید کرد. این جعبه ها همه حاوی اعداد هستند که نشان دهنده گذرگاه های متغیر است. به عنوان مثال ، جعبه بالا در سمت راست نشان دهنده عبور بین متغیر �water� و متغیر "skin" است. جعبه پایین در سمت چپ نیز برای نشان دادن این گذرگاه اتفاق می افتد. این دو جعبه ای است که ما به آنها علاقه مند هستیم. آنها اطلاعات مشابهی خواهند داشت ، بنابراین ما واقعاً فقط باید از یکی بخوانیم. در این جعبه ها ، یک مقدار برای Pearson� R ، Sig خواهید دید.(2-دم) مقدار و مقدار (n) مقدار.

پیرسون r

می توانید آماری R Pearson را در بالای هر جعبه پیدا کنید. R برای همبستگی بین متغیرهای آب و پوست در مثال ما 0. 985 است.

وقتی پیرسون نزدیک به 1 است

این بدان معنی است که بین دو متغیر شما رابطه محکمی وجود دارد. این بدان معنی است که تغییرات در یک متغیر به شدت با تغییر در متغیر دوم ارتباط دارد. در مثال ما ، R Pearson's 0. 985 است. این تعداد بسیار نزدیک به 1 است. به همین دلیل می توان نتیجه گرفت که بین متغیرهای آب و پوست ما رابطه محکمی وجود دارد. با این حال ، ما نمی توانیم بر اساس این شماره نتیجه گیری دیگری در مورد این رابطه انجام دهیم.

وقتی پیرسون نزدیک به 0 است

این بدان معنی است که بین دو متغیر شما رابطه ضعیفی وجود دارد. این بدان معنی است که تغییرات در یک متغیر با تغییر در متغیر دوم ارتباط ندارد. اگر R پیرسون ما 0. 01 بود ، می توان نتیجه گرفت که متغیرهای ما به شدت با هم ارتباط ندارند.

وقتی پیرسون R مثبت است (+)

این بدان معنی است که با افزایش یک متغیر در مقدار ، متغیر دوم نیز در مقدار افزایش می یابد. به طور مشابه ، با کاهش یک متغیر در مقدار ، متغیر دوم نیز در مقدار کاهش می یابد. به این یک همبستگی مثبت گفته می شود. در مثال ما ، مقدار R Pearson's 0. 985 مثبت بود. ما می دانیم که این مقدار مثبت است زیرا SPSS نشانه منفی در مقابل آن قرار نداد. بنابراین ، مثبت است. از آنجا که نمونه ما Pearson� R مثبت است ، می توان نتیجه گرفت که وقتی مقدار آب افزایش می یابد (متغیر اول ما) ، رتبه خاصیت ارتجاعی پوست شرکت کننده (متغیر دوم ما) نیز افزایش می یابد.

وقتی پیرسون منفی است (-)

این بدان معنی است که با افزایش یک متغیر در مقدار ، متغیر دوم در مقدار کاهش می یابد. به این یک همبستگی منفی گفته می شود. در مثال ما ، مقدار R Pearson's 0. 985 مثبت بود. اما اگر SPSS مقدار R پیرسو ن-0. 985 تولید کند ، چه می شود؟اگر SPSS مقدار R Pearson را ایجاد کند ، می توان نتیجه گرفت که وقتی مقدار آب افزایش می یابد (متغیر اول ما) ، رتبه کشش پوستی شرکت کننده (متغیر دوم ما) کاهش می یابد.

مقدار سیگ (2 دم)

می توانید این مقدار را در کادر همبستگی پیدا کنید. این مقدار به شما می گوید اگر همبستگی آماری معنی داری بین دو متغیر شما وجود داشته باشد. به عنوان مثال ، سیگ ما.(2-دم) مقدار 0. 002 است.

می توانید نتیجه بگیرید که هیچ ارتباط آماری معنی داری بین دو متغیر شما وجود ندارد. این بدان معناست که افزایش یا کاهش در یک متغیر به طور قابل توجهی مربوط به افزایش یا کاهش در متغیر دوم شما نیست.

می توانید نتیجه بگیرید که بین دو متغیر شما ارتباط آماری معنی داری وجود دارد. این بدان معناست که افزایش یا کاهش در یک متغیر به طور قابل توجهی مربوط به افزایش یا کاهش در متغیر دوم شما است.

مثال ما

سیگ(2 دم) مقدار در مثال ما 0. 002 است. این مقدار کمتر از 0. 05 است. به همین دلیل می توان نتیجه گرفت که بین میزان آب مصرف شده در عینک و رتبه بندی شرکت کنندگان از خاصیت ارتجاعی پوست ، از نظر آماری معنی داری وجود دارد.

هشدار در مورد مقدار SIG (2-tailed)

هنگامی که شما در حال محاسبه R Pearson 'R هستید ، اهمیت موضوعی کثیف است. هنگامی که نمونه های کوچکی دارید ، به عنوان مثال فقط چند شرکت کننده ، همبستگی متوسط ممکن است به طور گمراه کننده به اهمیت نرسد. هنگامی که نمونه های بزرگی دارید ، به عنوان مثال بسیاری از شرکت کنندگان ، همبستگی های کوچک ممکن است به طور گمراه کننده قابل توجه باشد. برخی از محققان فکر می کنند که اهمیت باید گزارش شود اما شاید هنگام صحبت از Pearson ، تمرکز کمتری داشته باشد.

بنابراین در مورد ScatterPlot چیست؟

می توانید ScatterPlot خود را در پرونده خروجی خود پیدا کنید. چیزی شبیه به نمودار زیر خواهد بود. یک دسته از نقاط را خواهید دید. ScatterPlot شما می تواند در مورد رابطه بین متغیرها ، دقیقاً مانند R Pearson. با استفاده از آن می توانید قدرت و جهت رابطه بین متغیرها را تعیین کنید.

قدرت رابطه

سعی کنید خطی را تصور کنید که نقاط موجود در پراکندگی شما را به هم وصل کند. آیا این یک کار آسان یا دشوار است؟این کار می تواند به شما در تعیین قدرت رابطه بین دو متغیر کمک کند. اگر متغیرهای شما رابطه محکمی دارند ، تصور کردن خطی که همه نقاط را به هم وصل می کند ، آسان خواهد بود. به عنوان مثال ، در مثال پراکندگی ما ، نقاط به نظر می رسد که یک خط مستقیم تشکیل می دهند. با این حال ، برخی از پراکندگی ها به این شکل نیستند. با برخی از پراکندگی ها ، نقاط پراکنده هستند به گونه ای که تصور یک خط که آنها را به هم وصل می کند بسیار سخت است. نقاط در یک مکان متراکم قرار نمی گیرند. در عوض ، آنها در همه جا هستند. در این صورت ، متغیرهای شما ممکن است رابطه محکمی نداشته باشند.

جهت رابطه

می توانید از ScatterPlot خود برای درک جهت رابطه خود استفاده کنید. اگر همبستگی مثبت ، منفی یا صفر دارید ، می تواند به شما بگوید.

همبستگی مثبت در یک پراکندگی

اگر خطی که در نمودار خود تصور می کنید از صفر به سمت بالا بروید ، می توانید نتیجه بگیرید که بین متغیرهای خود ارتباط مثبت دارید. افزایش در یک متغیر با افزایش متغیر دیگر شما در ارتباط است. به طور مشابه ، کاهش در یک متغیر با کاهش متغیر دیگر شما در ارتباط است.

همبستگی منفی در یک پراکندگی

اگر خطی که در نمودار خود تصور می کنید از صفر شروع می شود و به تدریج دامنه به سمت پایین می رود ، می توانید نتیجه بگیرید که بین متغیرهای خود ارتباط منفی دارید. افزایش در یک متغیر با کاهش متغیر دیگر شما در ارتباط است.

همبستگی صفر در یک پراکندگی

اگر خطی که تصور می کنید شیب نمی یابد ، یا به هیچ وجه نمی توانید خطی را تصور کنید ، می توانید نتیجه بگیرید که بین متغیرهای خود ارتباط صفر دارید. این بدان معنی است که متغیرهای شما به یکدیگر مربوط نمی شوند. افزایش یا کاهش در یک متغیر هیچ تاثیری در افزایش یا کاهش متغیر دوم شما ندارد.