Презентация на тему "корреляции"

Содержание

• 
  Слайд 1

  корреляции

• 
  Слайд 2

  корреляция

  Корреляция, или коэффициент корреляции, — это статистический показатель вероятностной связи между двумя переменными, измеренными в количественной шкале. Примером вероятностной связи является связь между ростом и весом людей. Ясно, что один и тот же рост может быть у людей разного веса, как и наоборот.

• 
  Слайд 3

  Величина коэффициента корреляции

  Величина коэффициента корреляции меняется от -1 до 1. Крайние значения соответствуют линейной функциональной связи между двумя переменными, 0 — отсутствию связи. Для словесного описания коэффициента корреляции используют следующие градации:

• 
  Слайд 4

  ПОЛОЖИТЕЛЬНАЯ И ОТРИЦАТЕЛЬНАЯ КОРРЕЛЯЦИИ

  Положительная корреляция соответствует значениям 0

• 
  Слайд 5

  МЕТОДЫ ВЫЧИСЛЕНИЯ

  Метод вычисления коэффициента корреляции зависит от вида шкалы, к которой относятся переменные. Переменные с интервальной и с номинальной шкалой: коэффициент корреляции Пирсона. По меньшей мере, одна из двух переменных имеет порядковую шкалу: ранговая корреляция по Спирману или т (тау) Кендала. Одна из двух переменных является дихотомической: точечная двухрядная корреляция. Эта возможность в SPSS отсутствует. Вместо этого может быть применён расчёт ранговой корреляции. Обе переменные являются дихотомическими: четырёхполевая корреляция. Данный вид корреляции рассчитываются в SPSS на основании определения мер расстояния и мер сходства

• 
  Слайд 6

  Коэффициент корреляции Пирсона

  Analyze... (Анализ) Correlate... (Корреляция) Bivariate... (Парные) Появится диалоговое окно Bivariate Correlations (Парные корреляции) Рис. 1. Диалоговое окно Bivariate Correlations (Двумерные корреляции)

• 
  Слайд 7
  

  Correlations (Корреляции) ** Correlation is significant at the 0.01 level (2-tailed). (Корреляция является значимой на уровне 0,01 (2-сторонняя)

• 
  Слайд 8

  Ранговые коэффициенты корреляции по Спирману и Кендалу

  Для переменных, принадлежащих к порядковой или интервальной шкале вместо коэффициента Пирсона рассчитывается ранговая корреляция по Спирману. Для этого отдельным значениям переменных присваиваются ранговые места. Чтобы выявить ранговую корреляцию, уберите в диалоговом окне BivariateCorrelations... (Парные корреляции) метку для расчета корреляции по Пирсону, установленную по умолчанию. Вместо этого активируйте расчет корреляции Спирмана. Ещё одним вариантом ранговых коэффициентов корреляции являются коэффициенты Кендала (tbКендала), расчет которых можно вызвать в диалоговом окне BivariateCorrelations... (Парные корреляции). В этом методе одна переменная представляется в виде монотонной последовательности в порядке возрастания величин; другой переменной присваиваются соответствующие ранговые места. Количество инверсий (нарушений монотонности по сравнению с первым рядом) используется в формуле для корреляционных коэффициентов. Применение коэффициента Кендала является предпочтительным, если в исходных данных встречаются выбросы.

• 
  Слайд 9

  Частная корреляция

  Если исследовать достаточно большую совокупность мужчин и сопоставить размер их обуви с уровнем образованности, то между этими двумя переменными можно заметить хоть и небольшую, но в то же время значимую корреляцию. Это корреляция может послужить примером так называемой ложной корреляции. Здесь статистически значимый коэффициент корреляции является не проявлением некоторой причинной связи между двумя рассматриваемыми переменными, а в большей степени обусловлен некоторой третьей переменной. В рассматриваемом примере такой переменной является рост. С одной стороны существует некоторая незначительная корреляция между ростом и уровнем образованности, а с другой — вполне объяснимая и логичная связь между ростом и размером обуви. Вместе эти две корреляции приводят к упоминавшейся ложной корреляции. Для исключения одной такой искажающей переменной необходим расчёт так называемой частной корреляции.

• 
  Слайд 10
  

  ПРИМЕР: в социологических исследованиях, проводимых в Германии, выяснялось отношение населения к приезжим рабочим-иностранцам. Для этого было сформулировано несколько отдельных вопросов. Ответы на вопросы суммировались. Сумма могла принимать значения от 0 до 30, причём большее значение соответствует более негативному отношению к приезжим рабочим. Среди многочисленных дополнительных переменных учитывались: возраст опрашиваемых и частота посещения церкви. Последней характеристике были присвоены значения от 1 (никогда) до 6 (по меньшей мере, 2 раза в неделю). Если подсчитать корреляции между этими тремя переменными, то при выборе коэффициентов Пирсона для анализа взаимосвязи, получатся следующие результаты закроем глаза на то, что одна из переменных, а именно частота посещения церкви, имеет порядковую шкалу): Частная корреляция

• 
  Слайд 11

  Частная корреляция

• 
  Слайд 12
  

  Принимая во внимание полярность, полученные результаты можно трактовать, к примеру, таким образом, что частые посещения церкви коррелируют с отрицательным отношением к приезжим рабочим (r = 0,432). Прежде, чем поставить в упрёк церкви враждебность по отношению к иностранцам, нужно учесть влияние возраста. Он также коррелирует с враждебным отношением к иностранным рабочим (r = 0,468) и сильно коррелирует с частотой посещения церкви (r = 0.779). Таким образом, возникает подозрение, что возраст является искажающим признаком, виновным в ложной корреляции между частотой посещения церкви и отрицательным отношением к иностранным рабочим. Докажем это путём расчёта частных корреляционных коэффициентов.

• 
  Слайд 13
  

   Выберите в меню Analyse... (Анализ)Correlate... (Корреляция) Partial... (Частная) Откроется диалоговое окно PartialCorrelations (Частные корреляции). Оставьте предварительную установку для двухстороннего теста значимости. При помощи щелчка на кнопке Options... (Опции) наряду с традиционной обработкой пропущенных значений, Вы можете организовать расчёт среднего значения, стандартного отклонения и вывод «корреляций нулевого порядка» (то есть простых корреляционных коэффициентов). В случае одной искажающей переменной, как в приведенном примере, возможен расчёт частной корреляции первого порядка, при наличии нескольких искажающих переменных, SPSS выдаёт корреляции высших порядков. Начните расчёт щелчком на кнопке ОК. Вязкие просмотра появится следующий результат:

• 
  Слайд 14
  

  Исходя из полученных результатов, можно сделать вывод, что при исключении искажающей переменной alter больше не наблюдается существенной корреляции между частотой посещения церкви и отрицательным отношением к иностранным рабочим.