Spearmans Correlazione utilizzando Stata Introduzione Il coefficiente di correlazione di Spearman rango-fine (abbreviato in spearmans correlazione di rango in Stata) è un test non parametrico che misura la forza e la direzione di associazione tra due variabili che sono misurati su un numero ordinale o di scala continua. Il coefficiente di correlazione di Spearman è spesso indicata con il simbolo R s (la lettera rho greco o, rho pronunciato). Si tratta di un test utile quando la correlazione Pearsons non può essere eseguito a causa di violazioni di normalità, una relazione non lineare o quando vengono utilizzati variabili ordinali. Ad esempio, è possibile utilizzare una correlazione spearmans per capire se esiste un'associazione tra prestazioni salto in alto e il tempo di formazione trascorso (vale a dire i tuoi due variabili sarebbero elevate prestazioni salto, misurata in altezza saltato, e il tempo di formazione trascorso, misurata in ore settimanali ). Se ci fosse un moderato, un'associazione positiva, potremmo dire che più il tempo di formazione trascorso è stato associato ad una migliore performance di salto in alto. In alternativa, è possibile utilizzare una correlazione spearmans per capire se esiste un'associazione tra la lunghezza della disoccupazione e della salute (vale a dire i tuoi due variabili sarebbe durata della disoccupazione, misurata in giorni, e la salute, misurata con una scala continua). Se ci fosse un forte, associazione negativa, potremmo dire che la più lunga è la durata della disoccupazione, minore è il livello di salute. In questa guida, vi mostriamo come effettuare una correlazione spearmans utilizzando Stata, così come interpretare e riportare i risultati di questo test. Tuttavia, prima che vi presentiamo a questa procedura, è necessario comprendere le diverse ipotesi che i dati devono soddisfare per una correlazione spearmans per darvi un risultato valido. Discutiamo questi presupposti prossimo. Ipotesi Ci sono due presupposti che stanno alla base di una correlazione spearmans. Se una di queste due ipotesi non sono soddisfatte, l'analisi dei dati utilizzando una correlazione spearmans non potrebbe portare ad un risultato valido. Dal presupposto 1 si riferisce alla vostra scelta delle variabili, non può essere testato per l'utilizzo di Stata. Tuttavia, si dovrebbe decidere se il vostro studio risponde a questa ipotesi prima di passare. Assunzione 1: Le due variabili devono essere misurati su una scala ordinale o continuo (intervallo cioè o la scala di rapporto). Esempi di variabili ordinali sono Likert scale (per esempio una scala a 7 punti da fortemente d'accordo con in disaccordo con forza), tra gli altri modi di categorie ranking (ad esempio una scala di 5 punti per la misurazione della soddisfazione nel lavoro, che vanno dai più soddisfatti a meno soddisfatti a 4 scala - punto determinare quanto fosse facile da navigare un nuovo sito web, che vanno da molto facile a molto difficile o una scala di 3 punti che spiega quanto un cliente è un prodotto, che vanno da Non molto su Sì, un sacco). Esempi di variabili continue includono altezza (misurata in piedi e pollici), la temperatura (misurata in ° C), lo stipendio (misurato in dollari USA), tempo di revisione (misurato in ore), intelligenza (misurata con QI), il tempo di reazione (misurato in millisecondi), prestazioni (misurato da 0 a 100), vendite (misurata in numero di transazioni al mese), e così via. È possibile saperne di più su variabili ordinali e continue nel nostro articolo: tipi di variabili. Fortunatamente, è possibile controllare ipotesi 2 utilizzando Stata. Quando si sposta a ipotesi 2, non stupitevi se i dati non riesce questa ipotesi dal momento che questo può accadere quando si lavora con i dati del mondo reale, piuttosto che esempi da manuale, che spesso mostrano solo il modo di effettuare una correlazione spearmans quando tutto va bene. Tuttavia, non ti preoccupare perché anche quando i dati non riesce questa ipotesi, vi è spesso una soluzione per superare questo (ad esempio trasformare i dati o utilizzando un altro test statistico, invece). Basta ricordare che se non controllare che i dati si riunisce questa ipotesi o non si prova per essa in modo corretto, i risultati che si ottengono quando si esegue una correlazione spearmans potrebbe non essere valido. Ipotesi 2: ci deve essere un rapporto monotona tra le due variabili. Esiste una relazione monotona quando sia le variabili aumentano di valore insieme, o come un aumento del valore variabile, l'altro valore della variabile diminuisce. Mentre ci sono un certo numero di modi per controllare se esiste una relazione monotona tra le due variabili, si consiglia di creare un grafico a dispersione utilizzando Stata in cui è possibile tracciare una variabile contro l'altro, e quindi ispezionare visivamente il grafico a dispersione per verificare la monotonia. Il tuo grafico a dispersione può essere simile a uno dei seguenti modi: Copyright copiare Laerd Statistiche 2014 Se il rapporto visualizzato nel grafico a dispersione non è monotona, si dovrà prendere in considerazione sia una trasformazione o di un altro tipo di test del tutto. In pratica, il controllo per l'assunzione 2 non è un compito difficile e Stata fornisce tutti gli strumenti necessari per farlo. E 'anche interessante notare che le variabili non hanno bisogno di essere distribuito normalmente per eseguire una correlazione spearmans. Inoltre, la correlazione spearmans non è molto sensibile ai valori anomali (osservazioni inusuali nei dati), per cui la presenza di questi punti di dati non invalida automaticamente i risultati che si ottengono da correre una correlazione spearmans. Nella sezione, Procedura di prova del Stata. illustriamo la procedura Stata necessario per eseguire una correlazione spearmans partendo dal presupposto che non ci ipotesi sono stati violati. In primo luogo, abbiamo deciso l'esempio che usiamo per spiegare la procedura di correlazione spearmans in Stata. Il valore di ricevere una formazione è sempre nelle notizie, soprattutto per quanto riguarda il miglioramento stipendio che può essere raggiunto con un lavoro di laurea. Come un modo molto semplice di studio, un ricercatore voleva sapere se il numero di anni che una persona è stato istruito è stato associato con il loro stipendio a 35 anni. Per effettuare questa analisi, il ricercatore ha reclutato un piccolo campione di 13 partecipanti di età compresa tra 35 anni. Hanno registrato il numero di anni di istruzione che avevano ricevuto (stipulato variabile, eduyears) e il loro stipendio attuale (inserito nella variabile, stipendio). Espresso in termini variabili, il ricercatore ha voluto correlare stipendio e eduyears. Nota: L'esempio e dati utilizzati per questa guida sono fittizi. Abbiamo semplicemente creato per gli scopi di questa guida. Inoltre, si è ipotizzato che i dati non sono riusciti i presupposti necessari per l'esecuzione di una correlazione Pearsons. Impostazione in Stata In Stata, abbiamo creato due variabili: (1) lo stipendio. che è uno stipendio partecipanti (in 1,000s all'anno) e (2) eduyears. che è il numero di anni di istruzione che un partecipante ha ricevuto. Nota: Non importa quale variabile si crea prima. Dopo la creazione di queste due variabili eduyears ndash e stipendio ndash siamo entrati i loro punteggi nelle due colonne del foglio di calcolo Data Editor (Edit), come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Procedura di prova in Stata In questa sezione, si mostrerà come analizzare i dati utilizzando una correlazione spearmans in Stata quando i due ipotesi descritte nel paragrafo precedente, le ipotesi. non sono stati violati. È possibile effettuare una correlazione spearmans utilizzando il codice o Statas interfaccia utente grafica (GUI). Dopo aver effettuato l'analisi, vi mostriamo come interpretare i risultati. In primo luogo, scegliere se si desidera utilizzare il codice o Statas interfaccia utente grafica (GUI). Il codice di base per eseguire una correlazione spearmans prende la forma: lanciere variabileA variabileB Usando questo codice, Stata riporterà: (a) il numero di osservazioni (cioè partecipanti) nell'analisi spearmans di correlazione (b) spearmans coefficiente di correlazione e (c) la sua significatività statistica (p es - value). Ci sono varie altre opzioni disponibili in Stata, ma ci si concentrerà sulle statistiche di base in questa guida. Sostituendo le due variabili nel nostro esempio ndash stipendio e eduyears ndash in rispettivamente variabileA e variabileB nel codice sopra indicato, si ottiene il seguente codice: Spearman eduyears stipendio Questo è il codice è necessario inserire in Stata per eseguire una correlazione spearmans su queste variabili . Codice deve essere immesso nella casella in Stata, che riportiamo di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Quindi, inserire il codice nella casella, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Ora premere il tasto ReturnEnter sulla tastiera per generare i risultati. L'uscita Stata che sarà prodotta viene mostrato qui. Interfaccia grafica utente (GUI) I tre passaggi necessari per effettuare una correlazione spearmans in Stata 12 e 13 sono riportati di seguito: Per Stata 13, fare clic su Statistiche gt test non parametrici analisi GT di ipotesi gt spearmans correlazione di rango nel menu principale, come mostrato qui sotto : Nota: per Stata 12 (ma valido anche per Stata 13), fare clic su Statistiche gt correlazione di rango Sintesi, tavoli, e test gt test non parametrici di ipotesi Gt spearmans nel menu principale. Pubblicato con il permesso scritto da parte StataCorp LP. Vi si presenterà con la seguente lanciere - finestra di dialogo spearmans correlazione di rango coefficienti: Pubblicato con il permesso scritto da parte StataCorp LP. Selezionare stipendio e eduyears dall'interno delle variabili: (lasciare vuoto per tutti) scatola, utilizzando il pulsante. Vi ritroverete con la seguente schermata: Pubblicato con il permesso scritto da parte StataCorp LP. Nota: Non importa in quale nell'ordine selezionato i vostri due variabili all'interno delle variabili: (lasciare vuoto per tutti) scatola. Inoltre, se si seleziona tutte le opzioni nella ndashList dell'area Statisticsndash, si finirà con la stessa uscita (cioè la dimensione del campione, spearmans coefficiente di correlazione e il livello di significatività statistica. Uscita di una correlazione spearmans in Stata Se passati i dati ipotesi 2 (cioè c'era una relazione monotona tra le due variabili), che abbiamo spiegato in precedenza nella sezione Ipotesi, si avrà solo bisogno di interpretare il seguente spearmans uscita di concordanza di stata: Pubblicato con il permesso scritto da parte StataCorp LP la prima linea (es. spearman eduyears stipendio) contiene il codice che Stata correva per generare una correlazione spearmans. Se avete seguito l'approccio codice (qui) si riconosce questo come il codice inserito in Stata. D'altra parte, gli utenti della GUI non riconoscerà questo codice, ma questo è il codice che è stato eseguito dietro le quinte quando si seleziona le varie opzioni del lanciere -. spearmans correlazione di rango coefficienti di dialogo la riga successiva (numero di OB 13) contiene il numero di osservazioni (cioè partecipanti) che sono stati analizzati. Ci sono stati 13 i partecipanti in questo esempio, quindi, 13 in uscita. La riga successiva (spearmans Rho 0,8583) presenta il valore effettivo per spearmans coefficiente di correlazione. Si può vedere che spearmans Rho (Rho) è 0,8583. I valori per spearmans coefficiente di correlazione sono generalmente meno che per Pearsons coefficiente di correlazione e un spearmans rho di 0,8583 indica una forte relazione monotona. Come coefficiente spearmans è positivo si può concludere che un maggior numero di anni di istruzione è associato con uno stipendio maggiore. L'ultima riga (Prob GT t 0,0002) dell'uscita presenta la due code significatività statistica (p cioè - value) del coefficiente di correlazione spearmans. Si può vedere che il coefficiente di correlazione spearmans è statisticamente significativa, perché p 0,0002, che è meno di p lt .05 (una soglia comune per la significatività statistica). Segnalazione una correlazione spearmans Quando si riporta l'uscita del correlazione spearmans, è buona pratica includere: A. Introduzione all'analisi voi effettuata. B. Informazioni sul vostro campione (comprese le eventuali valori mancanti). C. Il Spearman coefficiente di correlazione, r s. C. Il livello di significatività statistica (p cioè - value) del risultato. Sulla base dei risultati di cui sopra, si potrebbe riportare i risultati di questo studio come segue: una correlazione spearmans è stato eseguito per valutare il rapporto tra retribuzione e anni di istruzione con un piccolo campione di 13 partecipanti di età compresa tra 35 anni. C'è stata una forte correlazione positiva tra retribuzione e anni di istruzione, che era statisticamente significativa, r s 0,8583, p 0,0002. Oltre al riportare i risultati di cui sopra, un diagramma può essere utilizzato per presentare visivamente i risultati. Ad esempio, è possibile farlo utilizzando un grafico a dispersione. Questo può rendere più facile per gli altri a capire i risultati ed è facilmente prodotte in Stata. Pearsons Correlazione utilizzando Stata Introduzione L'Indice di correlazione di Pearson, spesso abbreviato in correlazione di Pearson o correlazione Pearsons, è una misura della forza e la direzione di associazione che esiste tra le due variabili continue. La correlazione di Pearson genera un coefficiente chiamato il coefficiente di correlazione di Pearson, indicato come r. Una correlazione Pearsons cerca di tracciare una linea di best fit attraverso i dati di due variabili, e il coefficiente di correlazione di Pearson, r. indica quanto lontano tutti questi punti di dati sono per questa linea di best fit (cioè quanto bene i punti dati si adattano a questa nuova modelline di best fit). Il suo valore può variare da -1 per un rapporto lineare negativa perfetto 1 per una relazione lineare positiva perfetta. Un valore pari a 0 (zero) indica l'assenza di relazione tra due variabili. Ad esempio, è possibile utilizzare una correlazione Pearson per capire se vi sia un'associazione tra le prestazioni e il tempo trascorso revisione esame (vale a dire i tuoi due variabili sarebbero le prestazioni esame, misurata da 0-100 marchi, e il tempo di revisione, misurato in ore). Se ci fosse un moderato, un'associazione positiva, potremmo dire che più il tempo trascorso la revisione è stata associata con una migliore performance esame. In alternativa, è possibile utilizzare una correlazione Pearson per capire se esiste un'associazione tra la lunghezza della disoccupazione e della felicità (vale a dire i tuoi due variabili sarebbe durata della disoccupazione, misurata in giorni, e la felicità, misurata con una scala continua). Se ci fosse un forte, associazione negativa, potremmo dire che la più lunga è la durata della disoccupazione, maggiore è l'infelicità. In questa guida, vi mostriamo come effettuare una correlazione Pearsons utilizzando Stata, così come interpretare e riportare i risultati di questo test. Tuttavia, prima che vi presentiamo a questa procedura, è necessario comprendere le diverse ipotesi che i dati devono soddisfare per una correlazione Pearsons per darvi un risultato valido. Discutiamo questi presupposti prossimo. Ipotesi Ci sono quattro ipotesi che stanno alla base di una correlazione Pearsons. Se una di queste quattro ipotesi non sono soddisfatte, l'analisi dei dati utilizzando una correlazione Pearsons non potrebbe portare ad un risultato valido. Dal presupposto 1 si riferisce alla vostra scelta delle variabili, non può essere testato per l'utilizzo di Stata. Tuttavia, si dovrebbe decidere se il vostro studio risponde a questa ipotesi prima di passare. Assunzione 1: Le due variabili devono essere misurati a livello continuo. Esempi di tali variabili continue includono altezza (misurata in piedi e pollici), la temperatura (misurata in ° C), lo stipendio (misurato in dollari USA), tempo di revisione (misurato in ore), intelligenza (misurata con QI), il tempo di reazione (misurato in millisecondi), prestazioni (misurato da 0 a 100), vendite (misurata in numero di transazioni al mese), e così via. Se non siete sicuri se le due variabili sono continue (cioè misurata durante l'intervallo o il livello di rapporto), vedere i nostri Tipi di guida variabile. Nota: Se uno dei tuoi due variabili sono stati misurati su una scala ordinale. è necessario utilizzare spearmans correlazione al posto di correlazione Pearsons. Esempi di variabili ordinali sono Likert scale (per esempio una scala a 7 punti da fortemente d'accordo con in disaccordo con forza), tra gli altri modi di categorie ranking (ad esempio una scala di 5 punti per la misurazione della soddisfazione nel lavoro, che vanno dai più soddisfatti a meno soddisfatti a 4 scala - punto determinare quanto fosse facile da navigare un nuovo sito web, che vanno da molto facile a molto difficile o una scala di 3 punti che spiega quanto un cliente è un prodotto, che vanno da Non molto, ad essa è OK, Sì, Un sacco). Fortunatamente, è possibile controllare le ipotesi 2, 3 e 4 utilizzando Stata. Quando si sposta a ipotesi 2, 3 e 4, li suggeriamo di testare in questo modo perché rappresenta un ordine in cui, se una violazione al presupposto non può essere corretta, non sarà più in grado di utilizzare una correlazione Pearsons. In realtà, non stupitevi se i dati non riesce una o più di queste ipotesi dal momento che questo è abbastanza tipico quando si lavora con i dati del mondo reale, piuttosto che esempi da manuale, che spesso mostrano solo il modo di effettuare una correlazione Pearsons quando tutto va bene . Tuttavia, non ti preoccupare perché anche quando i dati non riesce alcune ipotesi, vi è spesso una soluzione per superare questo (ad esempio trasformare i dati o utilizzando un altro test statistico, invece). Basta ricordare che se non controllare che i dati soddisfa queste ipotesi o non si prova per loro in modo corretto, i risultati che si ottengono quando si esegue una correlazione Pearsons potrebbe non essere valido. Ipotesi 2: ci deve essere una relazione lineare tra le due variabili. Mentre ci sono un certo numero di modi per controllare se esiste una correlazione Pearsons, si consiglia di creare un grafico a dispersione utilizzando Stata, dove è possibile tracciare i vostri due variabili uno contro l'altro. È quindi possibile ispezionare visivamente la dispersione per verificare la linearità. Il tuo grafico a dispersione può essere simile a una delle seguenti operazioni: Se il rapporto visualizzato nel grafico a dispersione non è lineare, si dovrà o trasformare i dati o forse eseguire una correlazione spearmans invece, che si può fare usando Stata. Assunzione 3: Non ci dovrebbero essere valori anomali significativi. I valori anomali sono punti dati semplicemente singoli all'interno dei dati che non seguono lo schema abituale (per esempio in uno studio di 100 punteggi studenti IQ, dove il punteggio medio è stato di 108, con solo una piccola variazione tra gli studenti, uno studente aveva un punteggio di 156, che è molto insolito, e può anche metterla nella top 1 di punteggi QI a livello globale). I seguenti grafici a dispersione evidenziano il potenziale impatto di valori anomali: Pearsons R è sensibile ai valori anomali, che possono avere un grande effetto sulla linea di misura migliore e il coefficiente di correlazione di Pearson, che porta a conclusioni molto difficili per quanto riguarda i dati. Pertanto, è meglio se non ci sono valori anomali o sono ridotti al minimo. Fortunatamente, è possibile usare Stata per rilevare eventuali valori anomali utilizzando grafici a dispersione. Assunzione 4: Le variabili dovrebbero essere di circa distribuiti normalmente. Al fine di valutare la significatività statistica della correlazione di Pearson, è necessario avere la normalità bivariata, ma questa ipotesi è difficile da valutare, in modo da un metodo più semplice è più comunemente usato. Questo è noto come test Shapiro-Wilk di normalità. che è possibile eseguire utilizzando Stata. In pratica, il controllo per le ipotesi 2, 3 e 4 saranno probabilmente occupano la maggior parte del vostro tempo nello svolgimento di una correlazione Pearsons. Tuttavia, non è un compito difficile, e Stata fornisce tutti gli strumenti necessari per farlo. Nella sezione, Procedura di prova del Stata. illustriamo la procedura Stata necessario per eseguire una correlazione Pearsons partendo dal presupposto che non ci ipotesi sono stati violati. In primo luogo, abbiamo deciso l'esempio che usiamo per spiegare la procedura di correlazione Pearson in Stata. Gli studi dimostrano che l'esercizio può aiutare a prevenire le malattie cardiache. Entro limiti ragionevoli, più ci si allena, minore è il rischio di avere di soffrire di malattie cardiache. Un modo in cui l'esercizio fisico riduce il rischio di soffrire di malattie cardiache è quello di ridurre un grasso nel sangue, chiamato colesterolo. Quanto più ci si allena, minore la concentrazione di colesterolo. Inoltre, è stato recentemente dimostrato che la quantità di tempo che passate a guardare la TV ndash un indicatore di un ndash di stile di vita sedentario potrebbe essere un buon predittore di malattia cardiaca (vale a dire che è, più TV si guarda, maggiore è il rischio di malattie cardiache ). Pertanto, un ricercatore ha deciso di determinare se la concentrazione di colesterolo è stata legata al tempo trascorso a guardare la TV in altrimenti sani da 45 a 65 anni gli uomini (una categoria a rischio di persone). Per esempio, come le persone hanno trascorso più tempo a guardare la TV, hanno fatto del loro concentrazione di colesterolo anche aumentare (un rapporto positivo) o è accaduto l'opposto Per effettuare l'analisi, il ricercatore ha reclutato 100 partecipanti sani di sesso maschile di età compresa tra 45 e 65 anni tra. La quantità di tempo trascorso a guardare la TV (vale a dire la variabile, timetv) e la concentrazione di colesterolo (cioè la variabile, colesterolo) sono stati registrati per tutti i 100 partecipanti. Espresso in termini variabili, il ricercatore ha voluto correlare colesterolo e timetv. Nota: L'esempio e dati utilizzati per questa guida sono fittizi. Abbiamo semplicemente creato per gli scopi di questa guida. Impostazione in Stata In Stata, abbiamo creato due variabili: (1) timetv. che è il tempo medio giornaliero speso a guardare la TV in pochi minuti e (2) il colesterolo. che è la concentrazione di colesterolo in mmolL. Nota: Non importa quale variabile si crea prima. Dopo la creazione di queste due variabili ndash timetv e colesterolo ndash siamo entrati i punteggi per ciascuna nelle due colonne della (Edit) foglio di calcolo Editor di dati (cioè il tempo in ore che i partecipanti guardato la TV nella colonna di sinistra (cioè timetv), ed i partecipanti concentrazione di colesterolo nel mmolL nella colonna di destra (cioè il colesterolo)), come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Procedura di prova in Stata In questa sezione, si mostrerà come analizzare i dati utilizzando una correlazione Pearsons in Stata quando le quattro assunzioni nella sezione precedente, le ipotesi. non sono stati violati. È possibile effettuare una correlazione Pearsons utilizzando il codice o Statas interfaccia utente grafica (GUI). Dopo aver effettuato l'analisi, vi mostriamo come interpretare i risultati. In primo luogo, scegliere se si desidera utilizzare il codice o Statas interfaccia utente grafica (GUI). Il codice di base per eseguire una correlazione Pearsons prende la forma: pwcorr variabileA variabileB Tuttavia, se si desidera anche Stata per la produzione di ap - value (vale a dire il livello di significatività statistica del risultato), è necessario aggiungere sig alla fine del codice, come illustrato di seguito: pwcorr variabileA variabileB, sig Se si desidera anche Stata per farvi sapere se il risultato è statisticamente significativo ad un livello particolare (ad esempio, dove p lt .05), è possibile impostare questo p - value aggiungendolo alla fine del codice (ad esempio, (05) dove p lt .05 o (.01) dove p lt .01), preceduta da ordine a stella (per esempio in ordine a stella (05)), che pone una stella vicino alla musica di correlazione, se il risultato è statisticamente significativo a questo livello. Il codice dovrebbe assumere la forma: pwcorr variabileA variabileB, stella SIG (.05) Infine, se si desidera Stata per visualizzare il numero di osservazioni (cioè la dimensione del campione, N), si può fare questo con l'aggiunta di OB fino alla fine del codice, come illustrato di seguito: pwcorr variabileA variabileB, in ordine a stella (.05) obs qualsiasi codice si sceglie di includere deve essere inserito nella casella qui sotto: Pubblicato con il permesso scritto da parte StataCorp LP. Utilizzando il nostro esempio in cui una variabile è il colesterolo e l'altra variabile è timetv. il codice richiesto sarebbe uno dei seguenti: pwcorr colesterolo timetv colesterolo pwcorr timetv, in ordine a pwcorr colesterolo timetv, in ordine a stella (05) colesterolo pwcorr timetv, in ordine a stella (.05) obs dato che abbiamo voluto includere (a) il coefficiente di correlazione , (b) il - value p al livello di .05 e (c) la dimensione del campione (cioè il numero di osservazioni), nonché (d) essendo notificato se il nostro risultato era statisticamente significativa al livello .05, siamo entrati il codice, pwcorr colesterolo timetv, in ordine a stella (.05) obs. e premuto il pulsante ReturnEnter sulla nostra tastiera, come illustrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. È possibile visualizzare l'output Stata che sarà prodotta qui. Interfaccia grafica utente (GUI) I tre passaggi necessari per effettuare una correlazione Pearsons in Stata 12 e 13 sono riportati di seguito: Fare clic su S TATISTICHE gt Sintesi, sintesi tavoli, e test GT e statistiche descrittive GT correlazioni a coppie nel menu principale, come mostrato di seguito: Pubblicato con il permesso scritto da parte StataCorp LP. Verrà presentato con la seguente pwcorr - correlazioni a coppie di variabili finestra di dialogo: Pubblicato con il permesso scritto da parte StataCorp LP. Selezionare il colesterolo e timetv dall'interno delle variabili: (lasciare vuoto per tutti) scatola, utilizzando il pulsante. Avanti, selezionare il numero di stampa di osservazioni per ogni voce. Stampa livello di significatività per ogni voce e Livello di significatività per la visualizzazione con i contenitori di stella. Vi ritroverete con la seguente schermata: Pubblicato con il permesso scritto da parte StataCorp LP. Nota: Non importa in quale nell'ordine selezionato i vostri due variabili all'interno delle variabili: (lasciare vuoto per tutti) scatola. Uscita di una correlazione Pearsons in Stata Se i dati passati ipotesi 2 (cioè c'è stata una relazione lineare tra le due variabili), assunzione 3 (ossia non ci sono stati valori anomali significativi) e assunzione 4 (vale a dire i tuoi due variabili sono state circa una distribuzione normale), che abbiamo spiegato in precedenza nella sezione Ipotesi, si avrà solo bisogno di interpretare il seguente Pearsons uscita di concordanza di Stata: Pubblicato con il permesso scritto da parte StataCorp LP. L'output contiene tre informazioni importanti: (1) il coefficiente di correlazione di Pearson (2) il livello di significatività statistica e (3) la dimensione del campione. Questi tre pezzi di informazioni sono spiegate in dettaglio di seguito: (1) Il coefficiente di correlazione di Pearson, r. che mostra la forza e la direzione dell'associazione tra le due variabili, colesterolo e timetv: questo è mostrato nella prima riga del riquadro rosso. Nel nostro esempio, il coefficiente di correlazione di Pearson, r. è 0,3709. Come il segno del coefficiente di correlazione di Pearson è positivo, si può concludere che esiste una correlazione positiva tra la concentrazione di colesterolo (colesterolo) e il tempo quotidiano trascorso a guardare la TV (timetv) che è, colesterolo concentrazione aumenta man mano che il tempo trascorso a guardare aumenta TV. Nota: alcuni si opporrebbe alla descrizione, aumenta la concentrazione di colesterolo come il tempo trascorso a guardare la TV aumenta. La ragione di questa obiezione è radicata nel senso di aumenti. L'uso di questo verbo potrebbe suggerire che l'effetto di questa variabile è causale Andor manipolabile in modo tale che si potrebbe aumentare il tempo trascorso a guardare la TV (timetv) nei vostri partecipanti e questo porterebbe ad un aumento della loro concentrazione di colesterolo (colesterolo). Questo non è per dire che questo potrebbe non essere possibile. Tuttavia, questa conoscenza non è contenuto nella correlazione, ma in teoria. Come tale, si potrebbe preferire di indicare il rapporto come, i valori più elevati di concentrazione di colesterolo sono associatedrelated ad una maggiore tempo trascorso a guardare la TV. La grandezza del coefficiente di correlazione di Pearson determina la forza della correlazione. Anche se non ci sono regole dure e veloci per l'assegnazione di forza di associazione a valori particolari, alcune linee guida generali sono forniti da Cohen (1988): Forza di associazione dove r indica il valore assoluto o r (ad esempio r gt .5 significa r gt .5 e R lt -.5). Pertanto, il coefficiente di correlazione di Pearson in questo esempio (r 0,371) suggerisce una correlazione media resistenza. Se invece, r -.371, si avrebbe anche avuto una correlazione forza media, anche se uno negativo. Il coefficiente di determinazione è la proporzione della varianza a una variabile che si spiega con l'altra variabile e viene calcolata come il quadrato del coefficiente di correlazione (r 2). In questo esempio, si ha un coefficiente di determinazione, R 2. pari a 0,371 2 0.14. Questo può anche essere espresso come percentuale (cioè 14). Ricordate che questo spiega riferisce a essere spiegato statisticamente, non causale. (2) Il livello di significatività statistica (cioè il p - value), e se il test è statisticamente significativa, una stella () accanto al coefficiente di correlazione Pearson: Questo è mostrato nella seconda riga della casella rossa. I risultati che hanno segnalato fino ad ora hanno utilizzato solo il coefficiente di correlazione di Pearson per descrivere la relazione tra le due variabili nel campione. Se si desidera verificare ipotesi circa la relazione lineare tra le variabili nella popolazione campione è da, è necessario testare il livello di significatività statistica. Il livello di significatività statistica (p - value) del coefficiente di correlazione in questo esempio è 0001, il che significa che vi è una relazione statisticamente significativa tra le due variabili: la concentrazione di colesterolo (colesterolo) e il tempo trascorso quotidianamente guardare la TV (timetv). (3) La dimensione del campione, n (cioè il numero di osservazioni): Questo è mostrato nella terza riga della scatola rossa, che indica che abbiamo 100 partecipanti al nostro studio. Nota: Vi presentiamo l'uscita dalla correlazione Pearsons sopra. Tuttavia, dal momento che si dovrebbe avere testato i dati per le ipotesi che abbiamo spiegato in precedenza nella sezione Ipotesi, sarà anche necessario per interpretare l'output Stata che è stato prodotto quando testato per queste ipotesi. Questo include: (a) i grafici a dispersione che hai utilizzato per controllare se ci fosse una relazione lineare tra le due variabili (cioè Assunzione 2) (b) le medesime dispersione che avrete utilizzato per verificare non vi erano valori anomali significativi (cioè Assunzione 3) e (c) il test di Shapiro-Wilk di normalità per verificare se i tuoi due variabili sono state circa una distribuzione normale (cioè Assunzione 4). Inoltre, ricorda che se i dati non sono riusciti qualsiasi di queste ipotesi, l'output che si ottiene dalla procedura di correlazione Pearsons (cioè l'uscita discutiamo sopra) non sarà più rilevanti, e potrebbe essere necessario effettuare un test statistico diverso da analizzare i tuoi dati. Segnalazione l'uscita di una correlazione Pearsons Quando si riporta l'uscita del correlazione Pearsons, è buona pratica includere: A. Introduzione all'analisi voi effettuata. B. Informazioni sul vostro campione (comprese le eventuali valori mancanti). C. Il coefficiente di correlazione di Pearson, r. e gradi di libertà, che è la dimensione del campione meno 2 (ad esempio per un campione di 100, i gradi di libertà sarebbero 98. come nel nostro esempio). D. Il livello di significatività statistica (p cioè - value) del risultato. E. Il coefficiente di determinazione, r 2 (cioè la percentuale della varianza a una variabile che si spiega con l'altra variabile). Sulla base dei risultati di cui sopra, si potrebbe riportare i risultati di questo studio come segue: Un Pearsons prodotto-momento di correlazione è stato eseguito per valutare la relazione tra concentrazione di colesterolo e il tempo quotidiano trascorso a guardare la TV in 100 maschi di età compresa tra 45 e 65 anni. C'era una correlazione positiva tra moderata tempo quotidiano trascorso a guardare la TV e la concentrazione di colesterolo, R (98) 0,371, p lt 0,0005, con il tempo trascorso a guardare la TV spiegare 14 della variazione di concentrazione di colesterolo. Oltre a riferire i risultati come sopra, uno schema può essere utilizzato per presentare visivamente i risultati. Ad esempio, è possibile farlo utilizzando un grafico a dispersione. Questo può rendere più facile per gli altri a capire i risultati ed è facilmente prodotto in Stata.
No comments:
Post a Comment