Kalkulator Percuma Editverse

Kalkulator Korelasi (Pearson & Spearman)

Ukur sejauh mana dua pembolehubah bergerak bersama — dengan r Pearson atau rho Spearman, nilai-p dan plot serakan. Lihat formula dan arahan R yang boleh dihasilkan semula, dan baca panduan tafsiran penuh di bawah. Disahkan terhadap R 4.3.3.

Dalam Perkataan Mudah

Korelasi mengukur sama ada dua nombor cenderung naik dan turun bersama. Anda memasukkan nilai berpasangan untuk dua pembolehubah (katakan, dos dan tindak balas), dan kalkulator mengembalikan pekali korelasi antara −1 dan +1: hampir +1 bermakna ia naik bersama, hampir −1 bermakna satu naik apabila yang lain turun, dan hampir 0 bermakna hubungan linear yang kecil.

Gunakan r Pearson untuk hubungan garis lurus antara dua pembolehubah berterusan yang hampir normal, dan rho Spearman apabila hubungannya monoton tetapi tidak lurus, atau data berada dalam kedudukan atau condong. Satu peraturan emas: korelasi bukanlah sebab-akibat — r yang kuat memberitahu anda bahawa dua perkara bergerak bersama, bukannya yang satu menyebabkan yang lain.

Bila Perlu Menggunakan Korelasi

Korelasi mengukur kekuatan dan arah perkaitan antara dua pembolehubah . Korelasi Pearson mengukur hubungan linear antara dua pembolehubah berterusan; Spearman mengukur hubungan monotonik dan berfungsi pada data berperingkat atau tidak normal.

Gunakan Pearson apabila kedua-dua pembolehubah adalah selanjar, hubungannya kelihatan secara kasar linear pada plot serakan, datanya hampir normal, dan tiada outlier ekstrem (yang boleh memesongkan r dengan teruk). Gunakan Spearman apabila hubungannya monoton tetapi melengkung, apabila pembolehubah adalah ordinal, atau apabila outlier atau condong menjadikan Pearson tidak boleh dipercayai. Sentiasa plotkan data terlebih dahulu: corak yang sangat berbeza boleh berkongsi r yang sama. Dan ingat bahawa korelasi sahaja tidak dapat menentukan bahawa satu pembolehubah menyebabkan yang lain. Untuk memodelkan bagaimana satu pembolehubah meramalkan yang lain, gunakan regresi. Tidak pasti ukuran mana yang sesuai? Pemilih Ujian interaktif kami membimbing anda melaluinya.

Korelasi Pearson & SpearmanUkur hubungan linear/monotonik · disahkan vs R 4.3.3
Panduan pengguna

Bila perlu digunakan. Ukur kekuatan dan arah hubungan linear (Pearson) atau monotonik (Spearman) antara dua pembolehubah.

Andaian. Pearson: kelinearan, kenormalan, tiada outlier utama. Spearman: hubungan monotonik sahaja. Nilai-p menggunakan penghampiran t untuk kedua-duanya; untuk Spearman dengan sampel kecil, cor.test() R melaporkan nilai-p yang tepat (tambah exact = FALSE untuk memadankan kalkulator ini).

Kesilapan biasa. Korelasi tidak bermaksud sebab-akibat. Periksa plot serakan untuk ketaklinearan.

Contoh yang dikerjakan

Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.

Rujukan
  1. Pearson K. Nota tentang regresi dan pewarisan. Proc R Soc Lond. 1895;58:240-242.
  2. Spearman C. Bukti dan pengukuran perkaitan. Am J Psychol. 1904;15:72-101.
Dikuasai oleh editverse.com · R 4.3.3 disahkan · v3.6Perlukan analisis pakar? →

Contoh Kerja

Contoh 1 — Dos vs tindak balas (positif)

Nilai berpasangan X (2, 4, 6, 8, 10, 12) dan Y (3, 5, 7, 6, 11, 13) meningkat bersama. r Pearson keluar tinggi dan positif dengan nilai-p yang kecil, menunjukkan perkaitan linear positif yang kuat. Laporkan r dan nilai-p (cor.test() dalam R juga memberikan selang keyakinan 95%) — dan tunjukkan plot serakan supaya pembaca dapat melihat coraknya.

Contoh 2 — Bila hendak bertukar kepada Spearman

Jika plot serakan melengkung ke atas (corak monotonik tetapi tidak linear) atau mengandungi outlier yang ekstrem, r Pearson boleh mengecilkan atau memesongkan hubungan tersebut. Menjalankan semula rho Spearman, yang berfungsi pada pangkat, memberikan ringkasan yang lebih tepat tentang trend monotonik.

Andaian untuk Disemak

Pearson — kelinearan. Hubungan mestilah hampir garis lurus. Sentiasa periksa plot serakan; r hampir sifar boleh menyembunyikan hubungan melengkung yang kuat.

Pearson — kenormalan dan outlier. Kedua-dua pembolehubah sepatutnya normal secara kasar, dan satu outlier boleh menguasai r. Spearman lebih teguh kepada kedua-duanya.

Spearman — kemonotonan. Spearman hanya menganggap bahawa hubungan itu monotonik (meningkat atau menurun secara konsisten), menjadikannya sesuai untuk data ordinal atau condong.

Kesalahan biasa

Membaca sebab akibat ke dalam korelasi

Korelasi yang kuat tidak membuktikan satu pembolehubah menyebabkan pembolehubah yang lain — faktor ketiga mungkin mendorong kedua-duanya. Nyatakan persatuan sebagai persatuan.

Tidak memplot data

Set data dengan bentuk yang sangat berbeza boleh berkongsi r yang sama. Sentiasa periksa plot serakan sebelum mentafsir.

Menggunakan Pearson pada data condong atau ordinal

Untuk data berperingkat, ordinal atau jelas bukan normal, rho Spearman adalah pilihan yang sesuai.

Mengabaikan outlier

Satu titik ekstrem boleh mengembang atau menutup korelasi Pearson. Semak pengaruh sebelum mempercayai r.

Soalan Lazim

Pearson atau Spearman — yang manakah patut saya gunakan?

Gunakan Pearson untuk hubungan linear antara pembolehubah berterusan yang hampir normal; gunakan Spearman untuk data monotonik, berperingkat atau condong, atau apabila outlier menjadi perhatian.

Bagaimanakah saya mentafsir saiz r?

Sebagai panduan kasar, |r| sekitar 0.1 adalah lemah, 0.3 sederhana, dan 0.5 atau lebih kuat — tetapi tafsiran bergantung pada medan, jadi laporkan nilai dan selang keyakinannya dan bukannya label sahaja.

Apakah perbezaan antara korelasi dan regresi?

Korelasi meringkaskan kekuatan perkaitan dengan satu pekali; regresi memodelkan bagaimana satu pembolehubah meramalkan pembolehubah yang lain dan memberikan persamaan.

Adakah hasilnya sepadan dengan SPSS, R, dan Stata?

Ya. Kalkulator ini menggunakan formula korelasi dan ujian keertian yang sama seperti perisian standard dan menunjukkan arahan R yang tepat supaya anda boleh menghasilkannya semula.

Kalkulator Berkaitan

Ujian-t BebasANOVA SehalaSaiz KesanSelang KeyakinanSaiz & Kuasa SampelUjian Mana Yang Patut Saya Gunakan?

Rujukan

  1. Schober P, Boer C, Schwarte LA. Pekali korelasi: penggunaan dan tafsiran yang sesuai. Anesth Analg. 2018;126(5):1763–1768. PMID 29481436.
  2. Akoglu H. Panduan pengguna untuk pekali korelasi. Turk J Emerg Med. 2018;18(3):91–93. PMID 30191186.
  3. Spearman C. Bukti dan pengukuran perkaitan antara dua perkara. Am J Psychol. 1904;15(1):72–101.

Perlu Analisis Ini Dilakukan untuk Manuskrip Anda?

Ahli biostatistik PhD kami menjalankan korelasi dan regresi anda, menyemak andaian dan memberikan angka yang sedia untuk diterbitkan dengan output R yang boleh dihasilkan semula.

Dapatkan Bantuan Statistik Pakar