همبستگی محصول پیرسون با استفاده از آمار SPSS

ضریب همبستگی محصول پیرسون (همبستگی پیرسون ، به طور خلاصه) اندازه گیری قدرت و جهت ارتباط است که بین دو متغیر حداقل در یک مقیاس بازه اندازه گیری می شود.

به عنوان مثال ، شما می توانید از همبستگی پیرسون استفاده کنید تا بفهمید که آیا بین عملکرد امتحان و زمان صرف شده برای تجدید نظر ارتباط وجود دارد یا خیر. همچنین می توانید از همبستگی پیرسون استفاده کنید تا بفهمید آیا ارتباطی بین افسردگی و طول بیکاری وجود دارد یا خیر.

یک همبستگی پیرسون تلاش می کند تا از طریق داده های دو متغیر ، خطی از بهترین تناسب را ترسیم کند ، و ضریب همبستگی پیرسون ، R ، نشان می دهد که همه این نقاط داده تا چه حد از این خط از بهترین ها فاصله دارند (یعنی نقاط داده چقدر مناسب استاین مدل/خط بهترین تناسب). شما می توانید در راهنمای کلی ما در مورد همبستگی پیرسون اطلاعات بیشتری کسب کنید ، که توصیه می کنیم اگر با این آزمون آشنا نیستید.

توجه: اگر یکی از دو متغیر شما دوگانگی است ، می توانید به جای آن از یک همبستگی نقطه ای استفاده کنید ، یا اگر یک یا چند متغیر کنترل دارید ، می توانید همبستگی جزئی پیرسون را اجرا کنید.

این راهنمای "شروع سریع" به شما نشان می دهد که چگونه می توانید همبستگی پیرسون را با استفاده از آمار SPSS انجام دهید ، و همچنین نتایج حاصل از این آزمون را تفسیر و گزارش دهید. با این حال ، قبل از اینکه شما را به این روش معرفی کنیم ، باید فرضیات مختلفی را که داده های شما باید برآورده کنند ، درک کنید تا همبستگی پیرسون نتیجه معتبری به شما بدهد. ما در مورد این فرضیات بعدی بحث می کنیم.

آمار SPSS

فرض

هنگامی که شما می توانید داده های خود را با استفاده از همبستگی پیرسون تجزیه و تحلیل کنید ، بخشی از این روند شامل بررسی می شود تا اطمینان حاصل شود که داده هایی که می خواهید تجزیه و تحلیل کنید می توانند با استفاده از همبستگی پیرسون تجزیه و تحلیل شوند. شما باید این کار را انجام دهید زیرا اگر داده های شما چهار فرض را که برای همبستگی پیرسون لازم است ، استفاده می کند ، فقط مناسب است که از همبستگی پیرسون استفاده کنید تا نتیجه معتبری به شما بدهد. در عمل ، بررسی این چهار فرض فقط زمان کمی بیشتر به تجزیه و تحلیل شما می افزاید ، و شما را ملزم می کند که هنگام انجام تحلیل خود ، چند دکمه دیگر را در آمار SPSS کلیک کنید ، و همچنین کمی بیشتر در مورد داده های خود فکر کنید ، اما این استیک کار دشوار نیست.

قبل از اینکه شما را با این چهار فرض آشنا کنیم ، تعجب نکنید که هنگام تجزیه و تحلیل داده های خود با استفاده از آمار SPSS ، یک یا چند مورد از این فرضیات نقض می شود (یعنی برآورده نمی شود). این غیر معمول نیست هنگام کار با داده های دنیای واقعی به جای نمونه های کتاب درسی ، که اغلب فقط به شما نشان می دهد که چگونه می توانید همبستگی پیرسون را انجام دهید وقتی همه چیز خوب پیش می رود! با این حال ، نگران نباشید. حتی هنگامی که داده های شما فرضیات خاصی را از دست می دهد ، اغلب راه حلی برای غلبه بر این وجود دارد. اول ، بیایید نگاهی به این چهار فرض بیندازیم:

• فرض شماره 1: دو متغیر شما باید در فاصله یا سطح نسبت اندازه گیری شود (یعنی آنها مداوم هستند). نمونه هایی از متغیرهایی که این معیار را برآورده می کنند شامل زمان تجدید نظر (اندازه گیری در ساعت) ، هوش (اندازه گیری شده با استفاده از نمره ضریب هوشی) ، عملکرد امتحان (اندازه گیری از 0 تا 100) ، وزن (اندازه گیری شده در کیلوگرم) و غیره است. در انواع راهنمای متغیر می توانید در مورد متغیرهای فاصله و نسبت اطلاعات بیشتری کسب کنید.
• فرض شماره 2: بین دو متغیر شما رابطه خطی وجود دارد. در حالی که چندین روش برای بررسی اینکه آیا یک رابطه خطی بین دو متغیر شما وجود دارد ، وجود دارد ، ما پیشنهاد می کنیم با استفاده از آمار SPSS ، یک پراکندگی ایجاد کنید ، جایی که می توانید یک متغیر را در برابر متغیر دیگر ترسیم کنید ، و سپس بصری را برای بررسی خطی بررسی کنید. بشرپراکندگی شما ممکن است چیزی شبیه به موارد زیر باشد:

   

اگر رابطه نمایش داده شده در پراکندگی شما خطی نباشد ، مجبور خواهید بود معادل غیر پارامتری با همبستگی پیرسون را اجرا کنید یا داده های خود را تغییر دهید ، که می توانید با استفاده از آمار SPSS انجام دهید. در راهنماهای پیشرفته ما ، ما به شما نشان می دهیم که چگونه: (الف) یک پراکندگی برای بررسی خطی بودن هنگام انجام همبستگی پیرسون با استفاده از آمار SPSS ایجاد کنید.(ب) نتایج مختلف ScatterPlot را تفسیر کنید. و (ج) در صورت عدم رابطه خطی بین دو متغیر شما ، داده های خود را با استفاده از آمار SPSS تغییر دهید.

توجه: همبستگی پیرسون میزان رابطه خطی را تعیین می کند. به عبارت دیگر ، تعیین می کند که آیا یک مؤلفه خطی از ارتباط بین دو متغیر مداوم وجود دارد یا خیر. به همین ترتیب ، خطی بودن در واقع فرض همبستگی پیرسون نیست. با این حال ، شما معمولاً نمی خواهید یک همبستگی پیرسون را دنبال کنید تا قدرت و جهت یک رابطه خطی را تعیین کنید وقتی که از قبل می دانید رابطه بین دو متغیر خطی نیست. درعوض ، رابطه بین دو متغیر شما ممکن است با یک اقدام آماری دیگری بهتر توصیف شود. به همین دلیل ، دیدن رابطه بین دو متغیر خود در یک پراکنده غیر معمول نیست که ببینیم آیا همبستگی پیرسون بهترین انتخاب به عنوان اندازه گیری ارتباط است یا اینکه آیا یک اندازه دیگر بهتر خواهد بود.

با استفاده از آمار SPSS می توانید فرضیات شماره 2 ، شماره 3 و شماره 4 را بررسی کنید. به یاد داشته باشید که اگر این فرضیات را به درستی آزمایش نکنید ، نتایج حاصل از اجرای همبستگی پیرسون ممکن است معتبر نباشد. به همین دلیل ما تعدادی از بخش های همبستگی پیشرفته پیرسون خود را برای کمک به شما در دستیابی به این حق اختصاص می دهیم. می توانید در مورد محتوای پیشرفته ما در ویژگی های ما اطلاعات کسب کنید: صفحه نمای کلی یا به طور خاص ، یاد بگیرید که چگونه ما در آزمایش فرضیات در ویژگی های خود کمک می کنیم: صفحه فرضیات.

در بخش ، روش آزمایش در آمار SPSS ، ما روش آمار SPSS را برای انجام همبستگی پیرسون نشان می دهیم با فرض اینکه هیچ فرضیه ای نقض نشده است. ابتدا مثالی را که برای توضیح روش همبستگی پیرسون در آمار SPSS استفاده می کنیم ، بیان کردیم.