Bivariate Korrelationen Im Stata Forex

HINWEIS: Die IDRE Statistical Consulting Group wird die Migration der Website auf das WordPress CMS im Februar, um die Wartung und Erstellung neuer Inhalte zu erleichtern. Einige unserer älteren Seiten werden entfernt oder archiviert, so dass sie nicht länger erhalten bleiben. Wir werden versuchen, die Weiterleitungen so zu halten, dass die alten URLs weiterhin so gut funktionieren, wie wir können. Willkommen am Institut für Digitale Forschung und Bildung Helfen Sie der Stat Consulting Group, indem Sie ein Geschenk geben Stata Annotated Output Korrelation Diese Seite zeigt ein Beispiel für eine Korrelation mit Fußnoten, die die Ausgabe erklären. Für dieses Beispiel haben wir den hsb2-Datensatz verwendet. Die Variablen lesen. Schreiben e, Mathematik und Wissenschaft sind Partituren, die 200 Schüler erhielten auf diesen Tests. Die Variable weiblich ist eine 01 Variable codiert 1, wenn der Schüler war weiblich und 0 sonst. Wir verwenden diese Variable 01, um zu zeigen, daß es gültig ist, eine solche Variable in einer quadratischen Quotenkorrelation zu verwenden. Wenn Sie den Korrelationsbefehl in Stata verwenden, wird das Löschen von fehlenden Daten standardmäßig standardmäßig gelöscht. Wenn ein Fall einen listigen Löschvorgang ausführt, wenn ein Fall einen fehlenden Wert für eine der im Befehl aufgelisteten Variablen hat, wird dieser Fall aus allen Korrelationen eliminiert, auch wenn es gültige Werte für die beiden Variablen in der aktuellen Korrelation gibt. Zum Beispiel, wenn es einen fehlenden Wert für die Variable lesen. Wäre der Fall noch aus der Berechnung der Korrelation zwischen Schreiben und Mathematik ausgeschlossen. Aus diesem Grund ist die Anzahl der Beobachtungen für alle Korrelationen gleich, und sie kann am oberen Ende des Ausgangs gedruckt werden. ein. Dies zeigt Ihnen die Anzahl der Beobachtungen, die in den Korrelationen verwendet wurden. In diesem Datensatz haben wir keine fehlenden Werte, so dass alle Korrelationen auf allen 200 Beobachtungen basieren. B. Dies ist die Korrelation zwischen Lesen und Lesen. Die Korrelation zwischen jeder Variablen und sich ist immer 1. c. Dies ist die Korrelation zwischen Schreiben und Lesen. Es ist positiv, was darauf hindeutet, dass, wenn eine Punktzahl zunimmt, der andere auch. Korrelationen messen die Stärke und Richtung der linearen Beziehung zwischen den beiden Variablen. Der Korrelationskoeffizient kann von -1 bis 1 reichen, wobei -1 eine perfekte negative Korrelation anzeigt, wobei 1 eine perfekte positive Korrelation anzeigt und 0 keine Korrelation anzeigt. (Eine Variable, die mit sich selbst korreliert, hat immer einen Korrelationskoeffizienten von 1.) Sie können sich den Korrelationskoeffizienten vorstellen, in dem Sie das Ausmaß angeben, in dem Sie den Wert einer Variablen mit dem Wert der anderen Variablen erraten können. Aus dem Scatterplot der Variablen lesen und schreiben unten, können wir sehen, dass die Punkte entlang einer Linie gehen von unten links nach rechts oben, das ist das gleiche wie sagen, dass die Korrelation positiv ist. Die 597 ist die numerische Beschreibung, wie eng um die imaginäre Linie die Punkte liegen. Wenn die Korrelation höher war, neigten die Punkte dazu, näher an der Linie zu sein, wenn sie kleiner wäre, würden sie eher weiter von der Linie entfernt sein. Man beachte auch, daß jede Variable, die mit sich selbst korreliert, definitionsgemäß eine Korrelation von 1. d hat. Dies ist die Korrelation zwischen Lesen und Weibchen. Es ist negativ, was anzeigt, dass bei einer Abnahme der Punktzahl die andere ansteigt. Paarweise Löschen von fehlenden Daten Die Zusammenhänge in der folgenden Tabelle werden auf die gleiche Weise interpretiert wie oben. Der einzige Unterschied ist, wie die fehlenden Werte behandelt werden. Wenn Sie wie in diesem Beispiel ein paarweises Löschen durchführen, werden ein Paar Datenpunkte aus der Berechnung der Korrelation nur dann gelöscht, wenn ein (oder beide) der Datenpunkte in diesem Paar fehlen. Es gibt wirklich keine Regeln definieren, wenn Sie paarweise oder listwise löschen sollten. Es hängt von Ihrem Zweck ab und ob es wichtig ist, dass genau die gleichen Fälle in allen Korrelationen verwendet werden. Wenn Sie viele fehlende Daten haben, könnten einige Korrelationen auf vielen Fällen basieren, die nicht in anderen Korrelationen enthalten sind. Wenn Sie andererseits ein listweises Löschen verwenden, sind möglicherweise nicht viele Fälle verfügbar, die in der Berechnung verwendet werden sollen. ein. Dies ist die Korrelation zwischen Lesen und Schreiben. Es ist positiv, was anzeigt, dass bei steigendem Lese-Ergebnis, dass die Schreib-Score auch zunimmt. B. Dies ist die Anzahl der Beobachtungen, die bei der Berechnung der Korrelation verwendet werden. ScatterplotConduct und Interpretation einer Bivariate (Pearson) Korrelation Ihre Pearson Korrelation jetzt Eine Korrelation drückt die Stärke der Verknüpfung oder Co-Vorkommen zwischen Variablen in einem einzigen Wert zwischen -1 und 1. Dieser Wert, der die Stärke der Verknüpfung misst wird als Korrelationskoeffizient . Die typischerweise als der Buchstabe r dargestellt ist. Der Korrelationskoeffizient zwischen zwei kontinuierlichen Variablen wird auch Pearsons r oder Pearson Produkt-Moment Korrelationskoeffizient genannt. Ein positiver r-Wert drückt eine positive Beziehung zwischen den beiden Variablen aus (der größere A, der größere B), während der negative r-Wert eine negative Beziehung angibt (der größere A, der kleinere B). Ein Korrelationskoeffizient von Null gibt überhaupt keine Beziehung zwischen den Variablen an. Jedoch sind Korrelationen auf lineare Beziehungen zwischen Variablen beschränkt. Selbst wenn der Korrelationskoeffizient Null ist, kann eine nichtlineare Beziehung existieren. Bivariate (Pearson) Korrelation in SPSS An dieser Stelle wäre es vorteilhaft, ein Scatterplot zu erstellen, um die Beziehung zwischen unseren beiden Testergebnissen beim Lesen und Schreiben zu visualisieren. Der Zweck des Scatterplots besteht darin, zu überprüfen, ob die Variablen eine lineare Beziehung haben. Andere Beziehungen (Kreis, Quadrat) werden nicht erkannt, wenn Pearsons Korrelationsanalyse durchgeführt wird. Dies würde einen Typ-II-Fehler verursachen, weil er die Nullhypothese des Unabhängigkeitstests nicht zurückweisen würde (die beiden Variablen sind unabhängig und nicht im Universum korreliert), obwohl die Variablen in Wirklichkeit nur nicht linear linear abhängig sind. Das Streudiagramm kann entweder in GraphsChart Builder oder in GraphsLegacy gefunden werden. DialogScatter Dot Im Diagramm-Generator wählen wir einfach die Registerkarte Galerie die ScatterDot-Gruppe von Diagrammen und ziehen das Simple Scatter-Diagramm (das erste) auf dem Diagramm-Canvas. Als nächstes ziehen wir die Variable TestScore auf die y-Achse und die Variable Test2Score auf der x-Achse. SPSS erzeugt das Streudiagramm für die beiden Variablen. Ein Doppelklick auf das Ausgabediagramm öffnet den Diagrammeditor und ein Klick auf Add Fit Line fügt eine linear angepasste Linie hinzu, die die lineare Assoziation darstellt, die durch Pearsons-Bivariate Korrelation dargestellt wird. Um den Pearsons-Bivariate-Korrelationskoeffizienten im SPSS zu berechnen, müssen wir den Dialog in AnalyzeCorrelationBivariate öffnen. Dadurch wird das Dialogfenster für alle bivariaten Korrelationen (Pearsons, Kendalls, Spearman) geöffnet. Wählen Sie einfach die Variablen aus, für die Sie die bivariate Korrelation berechnen möchten, und fügen Sie sie mit dem Pfeil hinzu. Wählen Sie den bivarianten Korrelationskoeffizienten, den Sie benötigen, in diesem Fall Pearsons. Für den Test der Signifikanz wählen wir den zweidimensionalen Test der Signifikanz aus, weil wir keine Annahme haben, ob es sich um eine positive oder negative Korrelation zwischen den beiden Variablen Lesen und Schreiben handelt. Wir lassen auch die Standard-Tick-Markierung am Flag signifikante Korrelationen, die ein kleines asterisk zu allen Korrelationskoeffizienten mit plt0.05 in der SPSS-Ausgabe hinzufügen wird. Ausgabe, Syntax und Interpretation finden Sie in unserem herunterladbaren Handbuch: Statistische Analyse: Ein Handbuch zu Dissertationsstatistik in SPSS (in unseren Mitgliedsressourcen enthalten). Klicke hier zum herunterladen . Eine Korrelation drückt die Stärke der Verknüpfung oder des Co-Auftretens zwischen Variablen in einem einzelnen Wert zwischen -1 und 1 aus. Dieser Wert, der die Stärke der Verknüpfung misst, wird als Korrelationskoeffizient bezeichnet. Die typischerweise als der Buchstabe r dargestellt ist. Der Korrelationskoeffizient zwischen zwei kontinuierlichen Variablen wird auch Pearsons r oder Pearson Produkt-Moment Korrelationskoeffizient genannt. Ein positiver r-Wert drückt eine positive Beziehung zwischen den beiden Variablen aus (der größere A, der größere B), während der negative r-Wert eine negative Beziehung angibt (der größere A, der kleinere B). Ein Korrelationskoeffizient von Null gibt überhaupt keine Beziehung zwischen den Variablen an. Jedoch sind Korrelationen auf lineare Beziehungen zwischen Variablen beschränkt. Selbst wenn der Korrelationskoeffizient Null ist, kann eine nichtlineare Beziehung existieren. Bivariate (Pearson) Korrelation in SPSS An dieser Stelle wäre es vorteilhaft, ein Scatterplot zu erstellen, um die Beziehung zwischen unseren beiden Testergebnissen beim Lesen und Schreiben zu visualisieren. Der Zweck des Scatterplots besteht darin, zu überprüfen, ob die Variablen eine lineare Beziehung haben. Andere Beziehungen (Kreis, Quadrat) werden nicht erkannt, wenn Pearsons Korrelationsanalyse durchgeführt wird. Dies würde einen Typ-II-Fehler verursachen, weil er die Nullhypothese des Unabhängigkeitstests nicht zurückweisen würde (die beiden Variablen sind unabhängig und nicht im Universum korreliert), obwohl die Variablen in Wirklichkeit nur nicht linear linear abhängig sind. Das Streudiagramm kann entweder in GraphsChart Builder oder in GraphsLegacy gefunden werden. DialogScatter Dot Im Diagramm-Generator wählen wir einfach die Registerkarte Galerie die ScatterDot-Gruppe von Diagrammen und ziehen das Simple Scatter-Diagramm (das erste) auf dem Diagramm-Canvas. Als nächstes ziehen wir die Variable TestScore auf die y-Achse und die Variable Test2Score auf der x-Achse. SPSS erzeugt das Streudiagramm für die beiden Variablen. Ein Doppelklick auf das Ausgabediagramm öffnet den Diagrammeditor und ein Klick auf Add Fit Line fügt eine linear angepasste Linie hinzu, die die lineare Assoziation darstellt, die durch Pearsons-Bivariate Korrelation dargestellt wird. Um den Pearsons-Bivariate-Korrelationskoeffizienten im SPSS zu berechnen, müssen wir den Dialog in AnalyzeCorrelationBivariate öffnen. Dadurch wird das Dialogfenster für alle bivariaten Korrelationen (Pearsons, Kendalls, Spearman) geöffnet. Wählen Sie einfach die Variablen aus, für die Sie die bivariate Korrelation berechnen möchten, und fügen Sie sie mit dem Pfeil hinzu. Wählen Sie den bivarianten Korrelationskoeffizienten, den Sie benötigen, in diesem Fall Pearsons. Für den Test der Signifikanz wählen wir den zweidimensionalen Test der Signifikanz aus, weil wir keine Annahme haben, ob es sich um eine positive oder negative Korrelation zwischen den beiden Variablen Lesen und Schreiben handelt. Wir lassen auch die Standard-Tick-Markierung am Flag signifikante Korrelationen, die ein kleines asterisk zu allen Korrelationskoeffizienten mit plt0.05 in der SPSS-Ausgabe hinzufügen wird. Ausgabe, Syntax und Interpretation finden Sie in unserem herunterladbaren Handbuch: Statistische Analyse: Ein Handbuch zu Dissertationsstatistik in SPSS (in unseren Mitgliedsressourcen enthalten). Klicke hier zum herunterladen .