Kalkulator Gratis Editverse

Kalkulator Korelasi (Pearson & Spearman)

Ukur seberapa kuat dua variabel bergerak bersama — dengan koefisien korelasi Pearson (r) atau koefisien korelasi Spearman (rho), nilai p, dan diagram sebar. Lihat rumus dan perintah R yang dapat direproduksi, dan baca panduan interpretasi lengkap di bawah ini. Divalidasi terhadap R 4.3.3.

Dalam Kata Sederhana

Korelasi mengukur apakah dua angka cenderung naik dan turun bersamaan. Anda memasukkan nilai berpasangan untuk dua variabel (misalnya, dosis dan respons), dan kalkulator akan mengembalikan koefisien korelasi antara -1 dan +1: mendekati +1 berarti keduanya naik bersamaan, mendekati -1 berarti satu naik sementara yang lain turun, dan mendekati 0 berarti sedikit hubungan linier.

Gunakan koefisien korelasi Pearson (r) untuk hubungan garis lurus antara dua variabel kontinu yang kira-kira berdistribusi normal, dan koefisien korelasi Spearman (rho) ketika hubungannya monoton tetapi tidak garis lurus, atau datanya berperingkat atau miring. Satu aturan emas: korelasi bukanlah sebab-akibat — nilai r yang tinggi menunjukkan bahwa dua hal bergerak bersama, bukan berarti satu hal menyebabkan hal lainnya.

Kapan Menggunakan Korelasi?

Korelasi mengukur kekuatan dan arah hubungan antara dua variabel . Korelasi Pearson mengukur hubungan linier antara dua variabel kontinu; korelasi Spearman mengukur hubungan monotonik dan bekerja pada data berperingkat atau data non-normal.

Gunakan korelasi Pearson ketika kedua variabel kontinu, hubungan tampak kira-kira linier pada diagram sebar, data kira-kira berdistribusi normal, dan tidak ada outlier ekstrem (yang dapat sangat mengganggu r). Gunakan korelasi Spearman ketika hubungan monoton tetapi melengkung, ketika variabel ordinal, atau ketika outlier atau kemiringan membuat korelasi Pearson tidak dapat diandalkan. Selalu plot data terlebih dahulu: pola yang sangat berbeda dapat memiliki nilai r yang sama. Dan ingat bahwa korelasi saja tidak dapat membuktikan bahwa satu variabel menyebabkan variabel lainnya. Untuk memodelkan bagaimana satu variabel memprediksi variabel lain, gunakan regresi. Tidak yakin ukuran mana yang sesuai? Pemilih Tes interaktif kami akan memandu Anda.

Korelasi Pearson & SpearmanMengukur hubungan linier/monotonik · divalidasi vs R 4.3.3
Buku petunjuk

Kapan digunakan. Mengukur kekuatan dan arah hubungan linier (Pearson) atau monotonik (Spearman) antara dua variabel.

Asumsi. Pearson: linearitas, normalitas, tidak ada outlier utama. Spearman: hanya hubungan monotonik. Nilai p menggunakan aproksimasi t untuk keduanya; untuk Spearman dengan sampel kecil, cor.test() di R melaporkan nilai p yang tepat (tambahkan exact = FALSE agar sesuai dengan kalkulator ini).

Kesalahan umum. Korelasi tidak selalu berarti sebab-akibat. Periksa diagram sebar untuk melihat adanya non-linearitas.

Contoh yang dikerjakan

Klik Muat data contoh di atas, lalu Jalankan Analisis untuk melihat hasil lengkap dengan angka, rumus, dan interpretasi untuk pengujian ini.

Referensi
  1. Pearson K. Catatan tentang regresi dan pewarisan. Proc R Soc Lond. 1895;58:240-242.
  2. Spearman C. Bukti dan pengukuran asosiasi. Am J Psychol. 1904;15:72-101.
Didukung oleh editverse.com · R 4.3.3 tervalidasi · v3.6Butuh analisis ahli? →

Contoh yang berhasil

Contoh 1 — Dosis vs respons (positif)

Pasangan nilai X (2, 4, 6, 8, 10, 12) dan Y (3, 5, 7, 6, 11, 13) meningkat bersamaan. Koefisien korelasi Pearson (r) bernilai tinggi dan positif dengan nilai p yang kecil, menunjukkan asosiasi linier positif yang kuat. Laporkan nilai r dan nilai p (cor.test() di R juga memberikan interval kepercayaan 95%) — dan tampilkan diagram sebaran agar pembaca dapat melihat polanya.

Contoh 2 — Kapan harus beralih ke Spearman

Jika kurva scatter plot menanjak (pola monotonik tetapi non-linier) atau mengandung outlier ekstrem, koefisien korelasi Pearson (r) dapat meremehkan atau mendistorsi hubungan tersebut. Pengulangan dengan koefisien korelasi Spearman (rho), yang bekerja pada peringkat, memberikan ringkasan yang lebih akurat tentang tren monotonik.

Asumsi yang Perlu Diperiksa

Pearson — linearitas. Hubungannya harus mendekati garis lurus. Selalu periksa diagram sebar; nilai r yang mendekati nol dapat menyembunyikan hubungan lengkung yang kuat.

Pearson — normalitas dan outlier. Kedua variabel seharusnya mendekati normal, dan satu outlier dapat mendominasi r. Spearman lebih kuat terhadap keduanya.

Spearman — monotonisitas. Spearman hanya mengasumsikan bahwa hubungan tersebut bersifat monoton (terus meningkat atau menurun secara konsisten), sehingga cocok untuk data ordinal atau data miring (skewed).

Kesalahan Umum

Menginterpretasikan hubungan sebab-akibat dalam korelasi.

Korelasi yang kuat tidak membuktikan bahwa satu variabel menyebabkan variabel lainnya — faktor ketiga mungkin memengaruhi keduanya. Nyatakan asosiasi sebagai asosiasi.

Tidak memplot data

Kumpulan data dengan bentuk yang sangat berbeda dapat memiliki nilai r yang identik. Selalu periksa diagram sebar sebelum menafsirkan hasilnya.

Menggunakan korelasi Pearson pada data miring atau ordinal

Untuk data berperingkat, ordinal, atau data yang jelas tidak berdistribusi normal, rho Spearman adalah pilihan yang tepat.

Mengabaikan outlier

Satu titik ekstrem tunggal dapat meningkatkan atau menyembunyikan korelasi Pearson. Periksa pengaruhnya sebelum mempercayai nilai r.

Pertanyaan yang Sering Diajukan

Pearson atau Spearman — mana yang sebaiknya saya gunakan?

Gunakan korelasi Pearson untuk hubungan linier antara variabel kontinu yang mendekati distribusi normal; gunakan korelasi Spearman untuk data monotonik, berperingkat, atau miring, atau ketika outlier menjadi perhatian.

Bagaimana cara saya menafsirkan ukuran r?

Sebagai panduan kasar, |r| sekitar 0.1 tergolong lemah, 0.3 sedang, dan 0.5 atau lebih tinggi tergolong kuat — tetapi interpretasinya bergantung pada bidangnya, jadi laporkan nilai dan interval kepercayaannya, bukan hanya labelnya saja.

Apa perbedaan antara korelasi dan regresi?

Korelasi merangkum kekuatan hubungan dengan satu koefisien tunggal; regresi memodelkan bagaimana satu variabel memprediksi variabel lain dan memberikan sebuah persamaan.

Apakah hasilnya sesuai dengan SPSS, R, dan Stata?

Ya. Kalkulator ini menggunakan rumus korelasi dan uji signifikansi yang sama seperti perangkat lunak standar dan menampilkan perintah R yang tepat sehingga Anda dapat mereproduksinya.

Kalkulator Terkait

Uji t independenANOVA Satu ArahUkuran EfekInterval KeyakinanUkuran Sampel & KekuatanTes Mana yang Harus Saya Gunakan?

Referensi

  1. Schober P, Boer C, Schwarte LA. Koefisien korelasi: penggunaan dan interpretasi yang tepat. Anestesi Analg. 2018;126(5):1763–1768. PMID 29481436.
  2. Akoglu H. Panduan pengguna untuk koefisien korelasi. Jurnal Medis Darurat Turk. 2018;18(3):91–93. PMID 30191186.
  3. Spearman C. Pembuktian dan pengukuran hubungan antara dua hal. Jurnal Psikologi Am. 1904;15(1):72–101.

Apakah Anda Membutuhkan Analisis Ini untuk Manuskrip Anda?

Para ahli biostatistik PhD kami menjalankan korelasi dan regresi Anda, memeriksa asumsi, dan memberikan gambar siap publikasi dengan keluaran R yang dapat direproduksi.

Dapatkan Bantuan Statistik dari Pakar