Korrelation - Statistische Techniken, Rating Scales, Korrelationskoeffiz und mehr - Kreative

Die Korrelation ist ein statistisches Verfahren, ob und wie stark Paare von Variablen beziehen sich zeigen kann. Beispielsweise Größe und Gewicht beziehen; größere Menschen neigen dazu, als kürzere Menschen schwerer zu sein. Die Beziehung ist nicht perfekt. Die Leute von der gleichen Höhe variieren in Gewicht, und Sie können Sie von zwei Leute wissen einfach denken, wo die kürzere schwerer als der größere der beiden ist. Dennoch ‚ist kleiner als das durchschnittliche Gewicht der Menschen 5'6‘ das durchschnittliche Gewicht der Menschen 5'5 ‚‘, und ihr durchschnittliches Gewicht ist geringer als die von Menschen 5'7 ‚‘, usw. Der Korrelation können Ihnen sagen, wie ein großer Teil der Veränderung in den Menschen Gewichte auf ihre Höhen bezogen.

Techniken bei der Bestimmung Correlation

Es gibt verschiedene Korrelationstechniken. Das optionale Statistik des Moduls Survey System beinhaltet die häufigste Art, die Pearson oder Produkt-Moment-Korrelation bezeichnet. Das Modul enthält auch eine Variante dieses Typs Teilkorrelation bezeichnet. Letzteres ist nützlich, wenn man sich die Beziehung zwischen zwei Variablen aussehen will, während die Wirkung von einer oder zwei anderen Variablen zu entfernen.

Wie alle statistischen Techniken ist Korrelation nur geeignet für bestimmte Arten von Daten. Korrelation arbeitet für quantifizierbare Daten, in denen Zahlen sind sinnvoll, in der Regel Mengen von einer Art. Es kann nicht für rein kategorische Daten wie Geschlecht verwendet werden, Marken erworben hat, oder Lieblingsfarbe.

Bewertungsskalen

Rating-Skalen sind ein umstrittenes Mitte Fall. Die Zahlen in der Rating-Skalen haben eine Bedeutung, aber diese Bedeutung ist nicht sehr präzise. Sie sind nicht Mengen mögen. Mit einer Menge (zB Dollar), die Differenz zwischen 1 und 2 ist genau die gleiche wie zwischen 2 und 3 mit einer Bewertungsskala, das ist nicht wirklich der Fall. Sie können sicher sein, dass die Befragten der Meinung eine Bewertung von 2 zwischen einer Bewertung von 1 und einer Bewertung von 3, aber man kann nicht sicher sein, sie denken, dass es genau in der Mitte zwischen ist. Dies gilt insbesondere, wenn man die Mittelpunkte Ihrer Skala markiert (nicht „gut“ annehmen können, ist genau auf halbem Weg zwischen „sehr gut“ und „fair“).

Die meisten Statistiker sagen Sie nicht Korrelationen mit Rating-Skalen verwenden, da die Mathematik der Technik sind die Unterschiede zwischen den Zahlen annehmen, genau gleich sind. Dennoch, in der Regel viele Umfrage Forscher tun Verwendung Korrelationen mit Rating-Skalen, weil die Ergebnisse der realen Welt widerspiegeln. Unsere eigene Position ist, dass man Korrelationen mit Rating-Skalen verwenden kann, aber man sollte so vorsichtig tun. Wenn die Mengen arbeiten, liefern Korrelationen präzise Messungen. Wenn mit Rating-Skalen arbeiten, bieten Korrelationen allgemeine Hinweise.

Korrelationskoeffizient

Das wichtigste Ergebnis einer Korrelation der Korrelationskoeffizient (oder „R“) genannt. Es reicht von -1,0 bis +1,0. Je näher r +1 oder -1, je näher die beiden Variablen in Beziehung stehen.

Wenn r nahe bei 0 ist, bedeutet dies, gibt es keine Beziehung zwischen den Variablen. Wenn r positiv ist, bedeutet dies, dass als eine Variable größer wird die andere größer wird. Wenn r negativ ist bedeutet dies, dass als eine größer wird, der andere kleiner wird (oft eine „inverse“ Korrelation genannt).

Eine wichtige Sache zu erinnern, wenn sie mit Korrelationen Arbeit ist nie eine Korrelation zu übernehmen bedeutet, dass eine Änderung in einer Variablen eine Änderung in einem anderen verursacht. Der Verkauf von Personal Computern und Sportschuhe sind beide stark in den letzten Jahren gestiegen, und es gibt eine hohe Korrelation zwischen ihnen, aber man kann nicht davon ausgehen, dass Computer verursacht Menschen kaufen Sportschuhe (oder umgekehrt) zu kaufen.

Der zweite Nachteil ist, dass die Pearson-Korrelationstechnik funktioniert am besten mit linearen Beziehungen: als eine Variable größer wird, der andere wird größer (oder kleiner) in direktem Verhältnis. Es funktioniert nicht gut mit gekrümmten Beziehungen (in dem die Beziehung folgt nicht einer gerade Linie). Ein Beispiel für eine gekrümmte Beziehung ist das Alter und das Gesundheitswesen. Sie sind verwandt, aber die Beziehung folgt nicht eine gerade Linie. Kleine Kinder und ältere Menschen, beide sind in der Regel viel mehr Gesundheitsversorgung als Jugendliche oder junge Erwachsene zu verwenden. Multiple Regression (auch im Statistik-Modul enthalten) können krummlinige Beziehungen verwendet werden, um zu prüfen, aber es geht über den Rahmen dieses Artikels sprengen.