Pearsoni korrelatsioonikordaja: mis see on ja kuidas seda kasutada

Psühholoogia uurimisel kasutatakse sageli kirjeldavat statistikat, mis pakub võimalusi esitada ja hinnata andmete põhiomadusi tabelite, graafikute ja mõõdikute kaudu kokkuvõtted.

Selles artiklis saame teada Pearsoni korrelatsioonikordaja, kirjeldava statistika mõõt. See on lineaarne mõõt kahe kvantitatiivse juhusliku muutuja vahel, mis võimaldab meil teada nendevahelise seose intensiivsust ja suunda.

• Seotud artikkel: "Cronbachi alfa (α): mis see on ja kuidas seda statistikas kasutatakse"

kirjeldav statistika

Pearsoni korrelatsioonikordaja on kirjeldavas statistikas kasutatav koefitsiendi tüüp. Täpsemalt seda kasutatakse kirjeldavas statistikas, mida rakendatakse kahe muutuja uurimisel.

Kirjeldav statistika (mida nimetatakse ka uurimuslikuks andmeanalüüsiks) ühendab omakorda mitmeid meetodeid Matemaatika, mis on loodud andmekogumi hankimiseks, korraldamiseks, esitamiseks ja kirjeldamiseks, eesmärgiga seda hõlbustada kasutada. Üldiselt kasutage toeks tabeleid, numbrilisi mõõte või graafikuid.

Pearsoni korrelatsioonikoefitsient: milleks see on?

Pearsoni korrelatsioonikordajat kasutatakse kahe kvantitatiivse juhusliku muutuja vahelise seose (või korrelatsiooni) uurimiseks (minimaalne intervallskaala); näiteks kaalu ja pikkuse seost.

See on meede, mis annab meile infot suhte intensiivsuse ja suuna kohta. Teisisõnu, see on indeks, mis mõõdab erinevate lineaarselt seotud muutujate kovariatsiooni astet.

Peame selgeks tegema erinevuse kahe muutuja (= muutuja) vahelise seose, korrelatsiooni või kovariatsiooni vahel ühine) ja põhjuslik seos (mida nimetatakse ka prognoosimiseks, ennustamiseks või regressiooniks), kuna need on erinevad mõisted.

• Teid võivad huvitada: "Hii-ruut (χ²) test: mis see on ja kuidas seda statistikas kasutatakse"

Kuidas seda tõlgendatakse?

Pearsoni korrelatsioonikordaja sisaldab väärtusi vahemikus -1 kuni +1. Seega, olenevalt selle väärtusest, on sellel üks või teine ​​tähendus.

Kui Pearsoni korrelatsioonikordaja on võrdne 1 või -1, võime lugeda, et uuritud muutujate vahel eksisteeriv korrelatsioon on täiuslik.

Kui koefitsient on suurem kui 0, on korrelatsioon positiivne (“A rohkem, rohkem ja vähem vähem). Teisest küljest, kui see on väiksem kui 0 (negatiivne), on korrelatsioon negatiivne (“A rohkem, vähem ja a vähem, rohkem). Lõpuks, kui koefitsient on võrdne 0-ga, saame vaid kinnitada, et muutujate vahel ei ole lineaarset seost, kuid võib esineda mõnda muud tüüpi seost.

Kaalutlused

Pearsoni korrelatsioonikordaja suureneb, kui X ja/või Y (muutujad) varieeruvus suureneb, ja väheneb muidu. Teisest küljest, et kinnitada, kas väärtus on kõrge või madal, peame võrdlema oma andmeid teiste samade muutujatega ja sarnastes tingimustes tehtud uuringutega.

Lineaarselt kombineeruvate erinevate muutujate seoste kujutamiseks saame kasutada nn dispersioon-kovariantsi maatriksit ehk korrelatsioonimaatriksit; esimese diagonaalis leiame dispersiooniväärtused, teises aga ühed (muutuja korrelatsioon iseendaga on täiuslik, =1).

ruudukoefitsient

Pearsoni korrelatsioonikordaja ruudustamisel muutub selle tähendus, ja tõlgendame selle väärtust prognooside suhtes (näitab seose põhjuslikkust). See tähendab, et sel juhul võib sellel olla neli tõlgendust või tähendust:

1. Seotud dispersioon

Näitab Y (üks muutuja) dispersiooni osakaalu, mis on seotud X (teine ​​muutuja) variatsiooniga. Seetõttu teame, et "1-ruuduline Pearsoni koefitsient" = "Y dispersiooni osa, mis ei ole seotud X variatsiooniga".

2. individuaalsed erinevused

Kui korreldame Pearsoni korrelatsioonikoefitsiendi x100, näitab see Y üksikute erinevuste protsenti, mis on seotud / sõltuvad / on seletatavad X individuaalsete variatsioonide või erinevustega. Seetõttu on "1-ruuduline Pearsoni koefitsient x 100" = % individuaalsetest erinevustest Y-s, mis ei ole seotud / sõltub / on seletatav X individuaalsete variatsioonide või erinevustega.

3. Vigade vähendamise määr

Pearsoni ruudu korrelatsioonikordaja seda võib tõlgendada ka kui prognooside vea vähenemise indeksit; see tähendab, et see oleks ruutkeskmise vea proportsioon, mis on elimineeritud Y' (tulemuste põhjal koostatud regressioonisirge) abil, mitte Y keskmise prognoosina. Sel juhul korrutaks ka koefitsient x 100 (näitab %).

Seega "1-ruuduline Pearsoni koefitsient" = viga, mis ikkagi tehakse, kui kasutatakse keskmise asemel regressioonijoont (alati korrutatud x 100 = näitab protsenti).

4. Punktide ligikaudne indeks

Lõpuks näitaks Pearsoni korrelatsioonikordaja ruudule tõstetud viimane tõlgendus punktide lähendamist kommenteeritud regressioonijoonele. Mida suurem on koefitsiendi väärtus (lähemal 1-le), seda lähemal on punktid Y'-le (joonele).

Bibliograafilised viited:

• Pudel, J. Suero, m. Ximenez, C. (2012). Andmete analüüs psühholoogias I. Madrid: püramiid.
• Lubin, P. Macia, A. Rubio de Lerma, P. (2005). Matemaatiline psühholoogia I ja II. Madrid: UNED.
• Pardo, a. San Martin, R. (2006). Andmete analüüs psühholoogias II. Madrid: püramiid.