<\/p>\n
In der Statistik verwenden wir h\u00e4ufig den Pearson-Korrelationskoeffizienten<\/a> , um die lineare Beziehung zwischen zwei Variablen zu messen.<\/span><\/p>\n Manchmal m\u00f6chten wir jedoch die Beziehung zwischen zwei Variablen verstehen und gleichzeitig eine dritte Variable steuern<\/strong> .<\/span><\/p>\n Angenommen, wir m\u00f6chten den Zusammenhang zwischen der Anzahl der Lernstunden eines Sch\u00fclers und der Abschlusspr\u00fcfungsnote messen und gleichzeitig die aktuelle Note des Sch\u00fclers in der Klasse kontrollieren.<\/span><\/p>\n In diesem Fall k\u00f6nnten wir die partielle Korrelation<\/strong> verwenden, um die Beziehung zwischen den gelernten Stunden und der Abschlusspr\u00fcfungsnote zu messen.<\/span><\/p>\n In diesem Tutorial wird erkl\u00e4rt, wie man eine partielle Korrelation in R berechnet.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen, der die aktuelle Note, die insgesamt gelernten Stunden und die Abschlusspr\u00fcfungsnote f\u00fcr 10 Sch\u00fcler anzeigt:<\/span><\/p>\n Um die teilweise Korrelation zwischen jeder paarweisen Kombination von Variablen im Datenrahmen zu berechnen, k\u00f6nnen wir die Funktion pcor()<\/strong> aus der ppcor-Bibliothek<\/a> verwenden:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Teilweiser Zusammenhang zwischen Lernstunden und Abschlusspr\u00fcfungsnote:<\/strong><\/span><\/p>\n Die teilweise Korrelation zwischen den gelernten Stunden und der Abschlusspr\u00fcfungsnote betr\u00e4gt 0,191<\/strong> , was einer kleinen positiven Korrelation entspricht. Mit zunehmender Studienstundenzahl steigen tendenziell auch die Pr\u00fcfungsergebnisse, sofern die aktuelle Note konstant bleibt.<\/span><\/p>\n Der p-Wert f\u00fcr diese Teilkorrelation betr\u00e4gt 0,623<\/strong> , was bei \u03b1 = 0,05 statistisch nicht signifikant ist.<\/span><\/p>\n Teilweise Korrelation zwischen aktueller Note und Abschlusspr\u00fcfungsnote:<\/strong><\/span><\/p>\n Die teilweise Korrelation zwischen der aktuellen Note und der Abschlusspr\u00fcfungsnote betr\u00e4gt 0,736<\/strong> , was einer starken positiven Korrelation entspricht. Mit steigender aktueller Note steigen tendenziell auch die Pr\u00fcfungsergebnisse, sofern die Anzahl der gelernten Stunden konstant bleibt.<\/span><\/p>\n Der p-Wert f\u00fcr diese Teilkorrelation betr\u00e4gt 0,024<\/strong> , was bei \u03b1 = 0,05 statistisch signifikant ist.<\/span><\/p>\n Teilweise Korrelation zwischen aktueller Note und gelernten Stunden:<\/strong><\/span><\/p>\n Die teilweise Korrelation zwischen der aktuellen Note, den gelernten Stunden und der Note der Abschlusspr\u00fcfung betr\u00e4gt -0,311<\/strong> , was einer leicht negativen Korrelation entspricht. Wenn die aktuelle Note steigt, sinkt tendenziell die Note der Abschlusspr\u00fcfung, sofern die Note der Abschlusspr\u00fcfung konstant bleibt.<\/span><\/p>\n Der p-Wert<\/a> f\u00fcr diese Teilkorrelation betr\u00e4gt 0,415<\/strong> , was bei \u03b1 = 0,05 statistisch nicht signifikant ist.<\/span><\/p>\n Das Ergebnis zeigt uns auch, dass die Methode zur Berechnung der Teilkorrelation \u201ePearson\u201c war.<\/span><\/p>\n In der Funktion pcor()<\/strong> k\u00f6nnten wir auch \u201ekendall\u201c oder \u201epearson\u201c als alternative Methoden zur Berechnung von Korrelationen angeben.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So berechnen Sie die Spearman-Rangkorrelation in R<\/a> In der Statistik verwenden wir h\u00e4ufig den Pearson-Korrelationskoeffizienten , um die lineare Beziehung zwischen zwei Variablen zu messen. Manchmal m\u00f6chten wir jedoch die Beziehung zwischen zwei Variablen verstehen und gleichzeitig eine dritte Variable steuern . Angenommen, wir m\u00f6chten den Zusammenhang zwischen der Anzahl der Lernstunden eines Sch\u00fclers und der Abschlusspr\u00fcfungsnote messen und gleichzeitig die aktuelle […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Teilkorrelation in R<\/strong><\/span><\/h2>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (currentGrade = c(82, 88, 75, 74, 93, 97, 83, 90, 90, 80),\n hours = c(4, 3, 6, 5, 4, 5, 8, 7, 4, 6),\n examScore = c(88, 85, 76, 70, 92, 94, 89, 85, 90, 93))\n\n#view data frame\n<\/span>df\n\n currentGrade hours examScore\n1 82 4 88\n2 88 3 85\n3 75 6 76\n4 74 5 70\n5 93 4 92\n6 97 5 94\n7 83 8 89\n8 90 7 85\n9 90 4 90\n10 80 6 93\n<\/strong><\/pre>\n library<\/span> (ppcor)<\/span>\n\n#calculate partial correlations<\/span>\npcor(df)\n\n$estimate\n currentGrade hours examScore\ncurrentGrade 1.0000000 -0.3112341 0.7355673\nhours -0.3112341 1.0000000 0.1906258\nexamScore 0.7355673 0.1906258 1.0000000\n\n$p.value\n currentGrade hours examScore\ncurrentGrade 0.00000000 0.4149353 0.02389896\nhours 0.41493532 0.0000000 0.62322848\nexamScore 0.02389896 0.6232285 0.00000000\n\n$statistic\n currentGrade hours examScore\ncurrentGrade 0.0000000 -0.8664833 2.8727185\nhours -0.8664833 0.0000000 0.5137696\nexamScore 2.8727185 0.5137696 0.0000000\n\n$n\n[1] 10\n\n$gp\n[1] 1\n\n$method\n[1] \"pearson\"\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So berechnen Sie die Kreuzkorrelation in R<\/a>
So berechnen Sie die gleitende Korrelation in R<\/a>
So berechnen Sie die Punkt-Biserial-Korrelation in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"