Разное

Корреляция спирмена в spss: Расчет коэффициента корреляции Спирмена в SPSS

Содержание

ЛБ_6

Дисциплина: Теоретические основы статистических исследований

Лабораторная работа №6

Корреляционный анализ

При проведении корреляционного анализа различают параметрические и непараметрические методы анализа наличия зависимости.

1. Параметрические методы оценки корреляции. Коэффициент линейной корреляции Пирсона

Коэффициент линейной корреляции отражает меру линейной зависимости между двумя переменными. Предполагается, что переменные измерены в интервальной или количественной шкале.

1.1. Реализация в SPSS

Для того, чтобы рассчитать коэффициент линейной корреляции Пирсона необходимо использовать следующую последовательность команд:

Analyze (Анализ) – Correlate (Корреляция) – Bivariate (Двумерная)

В результате чего, откроется диалоговое окно (рис.

1), в котором необходимо указать переменные, для которых будет рассчитан коэффициент корреляции Пирсона. И установить флажок в поле Pearson.

Рис.1. Диалоговое окно Bivariate Correlations

После нажатия на кнопку ОК на экран будет выведена матрица корреляций Пирсона для указанных переменных.

Пример расчета коэффициентов линейной корреляции Пирсона для переменных height, weight_1, index_1 приведен на рис.2.

Рис.2. Матрица коэффициентов корреляции Пирсона

Значимая положительная корреляция в этой таблице наблюдается для всех переменных. Например, коэффициент корреляции между переменными height и weight, равный 0,732 (уровень значимости р=0,001), говорит о тесной положительной связи между этими переменными. Т.е. Чем больше рост респондента, тем больше его вес.

1.

2. Реализация в STATISTICA

Для того, чтобы рассчитать коэффициент линейной корреляции Пирсона необходимо использовать следующую последовательность команд:

Statistics (Статистики) – Basic Statistics and Tables (Основные статистики и таблицы) – Correlation matrices (Корреляционные матрицы)

В результате откроется диалоговое окно (рис.3.), в котором необходимо указать переменные для расчета линейного коэффициента корреляции Пирсона

Рис.3. Диалоговое окно Product-Moment and Partial Correlations

После нажатия на кнопку Summary: Correlations на экран будет выведена корреляционная матрица.

Пример расчета коэффициентов линейной корреляции Пирсона для переменных height, weight_1, index_1 приведен на рис. 4.

Рис.4. Матрица коэффициентов корреляции Пирсона

2. Непараметрические методы оценки корреляции.

Коэффициенты Спирмена и Кенделла

Оба показателя, основаны на корреляции не самих значений рассматриваемых признаков, а их рангов. С их помощью можно изучать и измерять связь не только между количественными, но и качественными (атрибутивными) признаками, ранжированными определенным образом.

2.1. Реализация в SPSS

Для того, чтобы рассчитать коэффициенты ранговой корреляции Спирмена и Кенделла, необходимо использовать следующую последовательность команд:

Analyze (Анализ) – Correlate (Корреляция) – Bivariate (Двумерная)

В открывшемся диалоговом окне Bivariate Correlations (рис.1.) установить флажок в поле Kendalls tau-b и Spearman.

После нажатия на кнопку ОК на экран будет выведена матрица корреляций Спирмена и Кендалла для указанных переменных.

Пример расчета коэффициентов ранговой корреляции Спирмена и Кендалла для переменных sex, diet, weight_2, sport_2 приведен на рис.5.

Рис.5. Матрица корреляций Спирмена и Кенделла

Из полученной матрицы видно, что переменные diet и sport_2 имеют тесную обратную связь. Т.к. переменная diet принимает два значения: 1- соблюдает и 2-не соблюдает, то коэффициент корреляции равный -0,718 по Кендаллу и -0,79 по Спирмену можно трактовать так: если респондент при программе похудения придерживался диеты, то он чаще занимался спортом. Также обратную корреляцию имеет пара переменных sport_2 и weight_2, что можно трактовать так: чем больше респондент занимался спортом, участвуя в программе похудения, тем меньше стал вес после программы похудения.

Значительную прямую корреляцию имеют пары переменных: sex и diet (учитывая кодировку данных переменных это означает, что женщины соблюдают диету чаще, чем мужчины), weight_2 и diet (учитывая кодировку переменной diet – если респондент не соблюдал диету во время программы похудения, то его вес после программы похудения окажется выше).

2.2. Реализация в STATISTICA

Для того, чтобы рассчитать коэффициенты ранговой корреляции Спирмена и Кенделла, необходимо использовать следующую последовательность команд:

Statistics (Статистики) – Nonparametrics (Непараметрические) –

Correlations (Корреляции)

В результате чего откроется диалоговое окно (рис.6.), в котором необходимо указать переменные, для которых будут рассчитаны коэффициенты корреляции.

Рис.6. Диалоговое окно Correlations

После нажатия на кнопку Spearman rank R на экран будет выведена матрица корреляций Спирмена, а после нажатия кнопки Kendall Tau – матрица корреляций Кенделла.

Пример расчета коэффициентов ранговой корреляции Спирмена и Кендалла для переменных sex, diet, weight_2, sport приведен соответственно на рис.

7. и рис.8.

Рис.7. Матрица корреляций Спирмена

Рис.8. Матрица корреляций Кендалла

Полученные результаты схожи с результатами расчета коэффициентов ранговой корреляции в пакете SPSS.

3. Частные корреляции. Выявление ложных корреляций.

На практике иногда возникают ситуации, когда в результате корреляционного анализа обнаруживаются логически необъяснимые, противоречащие объективному опыту исследователя корреляции между двумя переменными (например, оказы­вается, что между уровнем дохода респондентов и количеством детей в семье сущес­твует статистически значимая зависимость). В этом случае говорят о так называе­мой ложной корреляции, исследовать которую помогают частные коэффициенты корреляции.

3.1. Реализация в SPSS

В SPSS коэффициент частной корреляции можно рассчитать используя следующую последовательность команд:

Analyze (Анализ) – Correlate (Корреляции) – Partial (Частные)

В результате откроется диалоговое окно (рис. 9.), в котором необходимо ввести в поле Variables переменные для которых нужно вычислить коэффициент корреляции, а в окно Controlling for – переменную, значение которой нужно исключить

Рис.9. Диалоговое окно Partial Correlations

После нажатия на кнопку ОК на экран будет выведена матрица частных коэффициентов корреляции.

Пример расчета коэффициентов частной корреляции для переменных height и index_1 за исключением переменной weight_1 приведен на рис.10.

Рис.10. Матрица коэффициентов частной корреляции.

Рассчитанный коэффициент корреляции с высокой точностью (p<0,001) говорит о том, что существует тесная обратная связь между переменными height и index_1 (за исключением переменной weight_1), т.е. чем выше рост респондента, тем ниже его индекс массы тела.

Заметим, что коэффициент линейной корреляции Пирсона для этих переменных с высокой точностью (p=0,001) давал значение 0,45 (рис.2.), что свидетельствует о прямой связи переменных.

3.2. Реализация в STATISTICA

Для того, чтобы рассчитать коэффициент частной корреляции необходимо использовать следующую последовательность команд:

Statistics (Статистики) – Basic Statistics and Tables (Основные статистики и таблицы) – Correlation matrices (Корреляционные матрицы)

В открывшемся диалоговом окне Product-Moment and Partial Correlations (рис.3.) необходимо перейти на вкладку Advanced

/ plot где, щелкнув на кнопку Partial correlations. В открывшемся окне, в поле First list указать переменные для которых нужно вычислить коэффициент корреляции, а в поле Second list - переменную, значение которой нужно исключить.

После нажатия на кнопку ОК на экран будет выведена матрица частных коэффициентов корреляции.

Пример расчета коэффициентов частной корреляции для переменных height и index_1 за исключением переменной weight_1 приведен на рис.11.

Рис.11. Матрица коэффициентов частной корреляции.

Индивидуальное задание:

Для имеющихся данных в пакетах MS Excel (или Mathcad), SPSS и Statistica рассчитать:

  • значение ковариации и коэффициента корреляции Пирсона,

  • коэффициенты корреляции Спирмена и Кенделла,

  • корреляционную матрицу,

  • коэффициент множественной корреляции ,

  • коэффициент частной корреляции,

  • коэффициент детерминации,

  • коэффициент конкордации.

Сделать выводы о наличии или отсутствии связи в каждом конкретном случае и о ее силе.

Факторный анализ с матрицей корреляций Спирмена на входе

*(Вопрос) Как выполнить факторный анализ с матрицей коэффициентов корреляции Спирмена на входе?.

*(Ответ) Размещён в SPSSX-L 05.02.2002. Автор: Marta Garcia-Granero.


* Во-первых, сгенерируем данные для примера.
INPUT PROGRAM.
- VECTOR X(10).
- LOOP #I = 1 TO 100.
- LOOP #J = 1 TO 10.
- COMPUTE X(#J) = UNIFORM(5).
- END LOOP.
- END CASE.
- END LOOP.
- END FILE.
END INPUT PROGRAM.
execute.

* Создание корреляционной матрицы, подходящей для команды FACTOR.
* Это гибрид из двух разных файлов.
* Если вы будете выполнять синтаксис шаг за шагом, легко увидите, что он делает.
* Директория temp на диске C: должна существовать.

* Исходные матрицы корреляций:
* Можно также использовать и корреляции Кендала
* (для порядковых переменных) вместо Спирмена.
CORRELATIONS
  /VARIABLES=x1 TO x10
  /MATRIX=OUT('c:\\temp\\corr1_.sav')
  /MISSING=PAIRWISE .
NONPAR CORR
  /VARIABLES=x1 TO x10
  /PRINT=SPEARMAN
  /MATRIX=OUT('c:\\temp\\corr2_.
sav') /MISSING=PAIRWISE . * Преобразования файлов. GET FILE='c:\\temp\\corr2_.sav'. EXECUTE . SELECT IF(rowtype_ ~= 'N'). EXECUTE . RECODE rowtype_ ('RHO'='CORR') . EXECUTE . SAVE OUTFILE='c:\\temp\\corr2_.sav'. GET FILE='c:\\temp\\corr1_.sav'. EXECUTE . SELECT IF($casenum<4). EXECUTE . ADD FILES /FILE=* /FILE='c:\\temp\\corr2_.sav'. EXECUTE. * Получили и сохраняем окончательную матрицу (пригодную для команды FACTOR). SAVE OUTFILE='c:\\temp\\c_matrix.sav'. * Теперь - факторный анализ. * Я указала опции, которые обычно использую * (метрика KMO, MSA, каменистая осыпь, проверка Бартлетта, * вращение Варимакс с отсортированными нагрузками; вывод малых нагрузок подавляется) * Modify them if needed. FACTOR /MATRIX=IN(cor='c:\\temp\\c_matrix.sav') /ANALYSIS x1 TO x10 /PRINT KMO AIC EXTRACTION ROTATION /FORMAT SORT BLANK(0.4) /PLOT EIGEN /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION PC /CRITERIA ITERATE(25) /ROTATION VARIMAX /METHOD=CORRELATION . * Разумеется, этот случайный набор данных некоррелирован и малопригоден для факторного анализа. * В частности, метрики KMO и MSA весьма низки, а проверка Бартлетта незначима.

Корреляция Спирмена. Частная корреляция.

Корреля́ция — статистическая взаимосвязь двух или нескольких случайных величин (либо величин, которые можно с некоторой допустимой степенью точности считать таковыми). При этом, изменения одной или нескольких из этих величин приводят к систематическому изменению другой или других величин. Математической мерой корреляции двух случайных величин служит коэффициент корреляции.

Коэффициент корреляции Спирмена (Spearman rank correlation coefficient) — мера линейной связи между случайными величинами. Корреляция Спирмена является ранговой, то есть для оценки силы связи используются не численные значения, а соответствующие им ранги. Коэффициент инвариантен по отношению к любому монотонному преобразованию шкалы измерения.

Коэффициент ранговой корреляции Спирмена - это непараметрический метод, который используется с целью статистического изучения связи между явлениями. В этом случае определяется фактическая степень параллелизма между двумя количественными рядами изучаемых признаков и дается оценка тесноты установленной связи с помощью количественно выраженного коэффициента.

Практический расчет коэффициента ранговой корреляции Спирмена включает следующие этапы:

1) Сопоставать каждому из признаков их порядковый номер (ранг) по возрастанию (или убыванию).

2) Определить разности рангов каждой пары сопоставляемых значений.

3) Возвести в квадрат каждую разность и суммировать полученные результаты.

4) Вычислить коэффициент корреляции рангов по формуле:.

Внимание!

Если вам нужна помощь в написании работы, то рекомендуем обратиться к профессионалам. Более 70 000 авторов готовы помочь вам прямо сейчас. Бесплатные корректировки и доработки. Узнайте стоимость своей работы.

где - сумма квадратов разностей рангов, а - число парных наблюдений.

При использовании коэффициента ранговой корреляции условно оценивают тесноту связи между признаками, считая значения коэффициента равные 0,3 и менее, показателями слабой тесноты связи; значения более 0,4, но менее 0,7 - показателями умеренной тесноты связи, а значения 0,7 и более - показателями высокой тесноты связи.

Мощность коэффициента ранговой корреляции Спирмена несколько уступает мощности параметрического коэффициента корреляции.

Коэффицент ранговой корреляции целесообразно применять при наличии небольшого количества наблюдений. Данный метод может быть использован не только для количественно выраженных данных, но также и в случаях, когда регистрируемые значения определяются описательными признаками различной интенсивности.

 Частная корреляция.Корреляция между двумя переменными, вычисленная после устранения влияния всех других переменных, называется частной корреляцией. Например, длина волос может коррелировать с ростом человека (чем выше человек, тем короче волосы), однако эта зависимость становится слабой или совсем исчезает, если устранить влияние пола наблюдаемых людей, поскольку женщины обычно ниже ростом и чаще имеют более длинные волосы, чем мужчины.

В случае статистической связи нескольких случайных переменных величин — выражение зависимости одной из этих величин (предиктанда) от одной из других величин (предикторов) при условии, что остальные предикторы сохраняют постоянные значения. Для простейшего случая трех случайных переменных величин Χ, Υ, Ζ, связанных линейной корреляцией, коэффициент частной корреляции rX, Y, Z между X и Υ выражается так:

где rX Z, rX Y и т. д. — коэффициенты линейной корреляции между парами соответствующих переменных, вычисленные независимо от третьей переменной.

Если исследовать достаточно большую совокупность мужчин и сопоставить размер их обуви с уровнем образованности, то между этими двумя переменными можно заметить хоть и небольшую, но в то же время значимую корреляцию. Это корреляция может послужить примером так называемой ложной корреляции. Здесь статистически значимый коэффициент корреляции является не проявлением некоторой причинной связи между двумя рассматриваемыми переменными, а в большей степени обусловлен некоторой третьей переменной.

В рассматриваемом примере такой переменной является рост. С одной стороны существует некоторая незначительная корреляция между ростом и уровнем образованности, а с другой — вполне объяснимая и логичная связь между ростом и размером обуви. Вместе эти две корреляции приводят к упоминавшейся ложной корреляции. Для исключения одной такой искажающей переменной необходим расчёт так называемой частной корреляции.

Если присвоить коррелирующим переменным индексы 1 и 2, а искажающей переменной — индекс 3, и попарно рассчитать корреляционный коэффициент (Пирсона) r12,r13, и r23 , то для частных корреляционных коэффициентов получим:

Достаточно давно в социологических исследованиях, проводимых в Германии, выяснялось отношение населения к приезжим рабочим-иностранцам. Для этого было сформулировано несколько отдельных вопросов. Ответы на вопросы суммировались. Сумма могла принимать значения от 0 до 30, причём большее значение соответствует более негативному отношению к приезжим рабочим.

Среди многочисленных дополнительных переменных учитывались: возраст опрашиваемых и частота посещения церкви. Последней характеристике были присвоены значения от 1 (никогда) до 6 (по меньшей мере, 2 раза в неделю). Небольшая выборка из оригинальных данных опроса (35 респондентов с этими тремя переменными) наводится в файле kirche.sav. Откройте этот файл, если Вы хотите самостоятельно провести следующие расчёты.

Если подсчитать корреляции между этими тремя переменными, то при выборе коэффициентов Пирсона для анализа взаимосвязи, получатся следующие результаты закроем глаза на то, что одна из переменных, а именно частота посещения церкви, имеет порядковую шкалу):

Correlations (Корреляции)

ALTER (Возраст)

GAST (Приезжий)

KIRCHE (Церковь)

ALTER (Возраст)

Pearson Correlation (Корреляция по Пирсону) Sig. (2-tailed) (Значимость (2-сторонняя)) N

1,000 35

,468" ,005 35

,779" ,000 35

GAST (Приезжий)

Pearson Correlation (Корреляция по Пирсону) Sig. (2-tailed) (Значимость (2-сторонняя)) N

,468" ,005 35

1,000 35

,432** ,010 35

KIRCHE (Церковь)

Pearson Correlation (Корреляция по Пирсону) Sig. (2-tailed) (Значимость (2-сторонняя)) N

,779" ,000 35

,432" ,010 35

1,000 35

"* Correlation is significant at the . 01 level (2-tailed). Корреляция является закономерной на уровне 0,01 (2-стороння).

Принимая во внимание полярность, полученные результаты можно трактовать, к примеру, таким образом, что частые посещения церкви коррелируют с отрицательным отношением к приезжим рабочим (r = 0,432). Прежде, чем поставить в упрёк церкви враждебность по отношению к иностранцам, нужно учесть влияние возраста. Он также коррелирует с враждебным отношением к иностранным рабочим (r = 0,468) и сильно коррелирует с частотой посещения церкви (r = 0.779). Таким образом, возникает подозрение, что возраст является искажающим признаком, виновным в ложной корреляции между частотой посещения церкви и отрицательным отношением к иностранным рабочим. Докажем это путём расчёта частных корреляционных коэффициентов.

  •  Откройте файл kirche.sav.
  •  Выберите в меню Analyse... (Анализ) Correlate... (Корреляция) Partial... (Частная)

Откроется диалоговое окно Partial Correlations (Частные корреляции).

  •  Перенесите переменные gast и kirche в поле признаков, а переменную alter в поле контрольных переменных и оставьте предварительную установку для двухстороннего теста значимости.

При помощи щелчка на кнопке Options... (Опции) наряду с традиционной обработкой пропущенных значений, Вы можете организовать расчёт среднего значения, стандартного отклонения и вывод «корреляций нулевого порядка» (то есть простых корреляционных коэффициентов).

В случае одной искажающей переменной, как в приведенном примере, возможен расчёт частной корреляции первого порядка, при наличии нескольких искажающих переменных, SPSS выдаёт корреляции высших порядков.

  •  Начните расчёт щелчком на кнопке ОК. Вязкие просмотра появится следующий результат:

Partial correlation coefficients (Частичные корреляционные коэффициенты)

Controlling for. .. A (Контрольная переменная) (

LTER Возраст)

GAST (Приезжий) 

GAST ( Приезжий)

1,0000 ( 0) P= ,

 KIRCHE (Церковь) ,1215 ( 32) P= ,494

KIRCHE (Церковь) 

,1215 ( 32) P= ,494

1,0000 ( 0)

P= ,

Вас, возможно, удивит, что в данном случае всё ещё выводится старый вариант таблицы результатов, соответствующий прежним версиям SPSS. Результаты включают: частный корреляционный коэффициент, число степеней свободы (число наблюдений минус 3) и уровень значимости. Исходя из полученных результатов, можно сделать вывод, что при исключении искажающей переменной alter больше не наблюдается существенной корреляции между частотой посещения церкви и отрицательным отношением к иностранным рабочим.

Рис. 15.3: Диалоговое окно Partial Correlations (Частичные корреляции)

 

Поможем написать любую работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту

Узнать стоимость

Анализ надежности

При помощи разнообразных критериев определяется, какие задания (переменные) можно считать надежными, а какие нет.

Ø        в список «переменные» вносим все переменные (метрические, порядковые), которые хотим проверить на надежность; Ø        в графе «модель» выбираем модель проверки на надежность – альфа: ·    Альфа – коэффициент внутренней согласованности, значения близкие «1» означает высокую внутреннюю согласованность, значения близкие «0» и отрицательным значениям – свидетельствуют о несогласованности данного вопроса с остальными вопросами теста. ·    Деление пополам – делит группу вопросов на 2 части и считает коэффициент корреляции между ними. ·    Гутман – определение нижней границы пригодности. ·    Параллельно – оценка максимального правдоподобия пригодности теста при условии наличия одинаковых дисперсий пунктов. ·    Строго параллельно – оценка максимального правдоподобия пригодности теста при условии наличия одинаковых средних значений пунктов и одинаковых дисперсий пунктов. ·    Метки объектов – вопросы будут отображены с метками. Ø       галочки в меню «статистика»: масштаб, масштабировать если пункт удален, средние, вариации, корреляции (в подгруппе «итоги»), корреляции (в подгруппе «между пунктами»).

 

Сводка обработки наблюдений

1.       N – количество респондентов.

Статистики пригодности

1.        Альфа Кронбаха – статистика надежности внутренней согласованности: ·    Больше 0,9 – отличная; ·    Больше 0,8 – хорошая; ·    Больше 0,7 – приемлемая; ·    Больше 0,6 – сомнительная; ·    Больше 0,5 – малопригодная; ·    Меньше 0,5 – недопустимая. 2.        Альфа Кронбаха, основанная на стандартизованных пунктах – статистика надежности с учетом стандартизации пунктов. 3.        Количество пунктов – количество заданий (переменных) проверяемых на надежность.

Матрица корреляций между пунктами

1.        Корреляция (r) – два органа считаются коррелируемые если изменение одного из них сопровождается большим или меньшим изменением другого в том же направлении – Ф.Гальтон. Коэффициент Пирсона всегда лежит в пределах от -1 (отрицательная корреляция) до 1 (положительная корреляция). Значения близкие 0 свидетельствует о том, что переменные практически не коррелируемы между собой.

Итоговые статистики пунктов

1.        Средние пунктов – средние арифметические значения всех пунктов. 2.        Дисперсии пунктов – вспомогательная величина для стандартного отклонения. 3.        Межпунктовые корреляции – см. выше. ·    Максимум. ·    Максимум / Минимум. ·    Дисперсия. ·    Количество пунктов.

Общие статистики пунктов

1.       Среднее шкалы при удалении пункта – величина, характеризующая надежность заданий, и ее повышение при удалении конкретной переменной. 2.       Дисперсия шкалы при удалении пункта – величина, характеризующая надежность заданий, и ее повышение при удалении конкретной переменной. 3.       Общая корреляция коррелированных пунктов – это главная в этой таблице величина, характеризующая надежность заданий, и ее повышение при удалении конкретной переменной. Нам необходимо удалить из списка «переменных» все те переменные, которые имеют в этом столбике значения меньше чем 0,2 (условно), включая все отрицательные значения. После чего повторить проверку заданий на надежность. 4.       Квадрат коэффициента множественной корреляции – величина, характеризующая надежность заданий, и ее повышение при удалении конкретной переменной. 5.       Альфа Кронбаха при удалении пункта – статистика надежности внутренней согласованности всех переменных при удалении конкретного задания.

Статистики шкалы

1.       Среднее (арифметическое) – сумма всех значений деленное на их количество.

2.       Дисперсия – вспомогательная величина для стандартного отклонения.

3.       Стд. отклонение (от среднего) – величина, характеризующая изменчивость (равняется квадратному корню из дисперсии).

4.       Количество пунктов – количество переменных.

 

Ø       в список «переменные» вносим все переменные (метрические, порядковые), которые в первом анализе дали корреляцию больше 0,2; Ø       в графе «модель» выбираем модель проверки на надежность – деление пополам; Ø       галочки в меню «статистика»: масштаб, масштабировать если пункт удален, средние, вариации, корреляции (в подгруппе «итоги»), корреляции (в подгруппе «между пунктами»).

Быстрый способ проверки надежности теста путем определения коэффициента корреляции между 2-мя частями теста. Стоит все же провести повторное тестирование и сделать проверку на ретестовую надежность (чаще всего используют при делении на четные и не четные вопросы).

Сводка обработки наблюдений (данная таблица уже была рассмотрена выше) 

 Статистики пригодности

1.        Альфа Кронбаха – статистика надежности внутренней согласованности: ·    Больше 0,9 – отличная; ·    Больше 0,8 – хорошая; ·    Больше 0,7 – приемлемая; ·    Больше 0,6 – сомнительная; ·    Больше 0,5 – малопригодная; ·    Меньше 0,5 – недопустимая. 2.        Количество пунктов – количество заданий (переменных) проверяемых на надежность. 3.        Корреляция между формами – приближенное значение надежности шкал, рассчитанное в предположении, что она содержит 5 элементов. 4.        Коэффициент Спирмена-Брауна – коэффициент показывает корреляцию между 2-мя частями теста (стоит обратить внимание на: равно ли количество вопросов или нет): ·    Больше 0,9 – отличная; ·    Больше 0,8 – хорошая; ·    Больше 0,7 – приемлемая; ·    Больше 0,6 – сомнительная; ·    Больше 0,5 – малопригодная; ·    Меньше 0,5 – недопустимая. 5.        Коэффициент половинного расщепления Гутмана – аналог выше наведенного коэффициента.

Матрица корреляций между пунктами (данная таблица уже была рассмотрена выше)

Итоговые статистики пунктов (данная таблица уже была рассмотрена выше)

Общие статистики пунктов (данная таблица уже была рассмотрена выше)

Меню статистики: ·    Элемент – средние значения и их стандартное отклонение. ·    Масштаб – общее среднее значение, дисперсия, стандартное отклонение и количество пунктов в сумме. ·    Масштаб если пункт удален – альфа для каждого из пунктов. ·    Средние – средние значения для всех пунктов. ·    Вариации – средние для дисперсий всех пунктов. ·    Ковариации – вычисления ковариаций между каждой переменной и суммой всех остальных. ·    Корреляции – вычисления корреляций между каждой переменной и суммой всех остальных. ·    Корреляции – корреляционная матрица для всех пунктов. ·    Ковариации – ковариационная матрица для всех пунктов. ·    Т квадрат – сравнения различий между средними значениями всех пунктов. ·    Тьюки тест – проверка линейности зависимости.

·    Меню АNOVA

★ Тест ранговой корреляции Спирмена

Пользователи также искали:

коэффициент ранговой корреляции спирмена, корреляция спирмена statistica, на чем основан тест ранговой корреляции спирмена, подсчет корреляции спирмена, ранговая корреляция спирмена, тест ранговой корреляции спирмена excel, тест ранговой корреляции спирмена онлайн, вычислите значение непараметрического коэффициента ранговой корреляции спирмена, Спирмена, спирмена, корреляции, ранговой, Тест, тест, коэффициента, корреляция, ранговая корреляция спирмена, подсчет корреляции спирмена, корреляция спирмена statistica, excel, онлайн, основан, коэффициент, ранговая, подсчет, вычислите, значение, непараметрического, statistica, Тест ранговой корреляции Спирмена, на чем основан тест ранговой корреляции спирмена, коэффициент ранговой корреляции спирмена, вычислите значение непараметрического коэффициента ранговой корреляции спирмена, тест ранговой корреляции спирмена онлайн, тест ранговой корреляции спирмена excel, тест ранговой корреляции спирмена,

23. 11.2020