Er is altijd een waarde tussen -1 en 1 nodig, waarbij:<\/span><\/p>\n Om te bepalen of een correlatieco\u00ebffici\u00ebnt statistisch significant is, kun je de bijbehorende t-score en p-waarde berekenen.<\/span><\/p>\n De formule voor het berekenen van de t-score van een correlatieco\u00ebffici\u00ebnt (r) is:<\/span><\/p>\n t<\/strong> = r * \u221a n-2<\/span> \/ \u221a 1-r 2<\/sup><\/span><\/span><\/p>\n De p-waarde wordt berekend als de overeenkomstige tweezijdige p-waarde voor de t-verdeling met n-2 vrijheidsgraden.<\/span><\/p>\n Om te bepalen of de correlatieco\u00ebffici\u00ebnt tussen twee variabelen statistisch significant is, kunt u een correlatietest uitvoeren in R met behulp van de volgende syntaxis:<\/span><\/p>\n cor.test(x, y, methode=c(\u201cpearson\u201d, \u201ckendall\u201d, \u201cspearman\u201d))<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n Stel bijvoorbeeld dat we de volgende twee vectoren in R hebben:<\/span><\/p>\n Voordat we een correlatietest tussen de twee variabelen uitvoeren, kunnen we een snelle spreidingsdiagram maken om hun relatie te visualiseren:<\/span> <\/p>\n Er lijkt een positieve correlatie te bestaan tussen de twee variabelen. Dat wil zeggen: als de \u00e9\u00e9n toeneemt, zal de ander ook toenemen.<\/span><\/p>\n Om te zien of deze correlatie statistisch significant is, kunnen we een correlatietest uitvoeren:<\/span><\/p>\n De correlatieco\u00ebffici\u00ebnt tussen de twee vectoren blijkt 0,9279869<\/strong> te zijn.<\/span><\/p>\n De teststatistiek blijkt 7,8756<\/strong> te zijn en de bijbehorende p-waarde is 1,35e-05<\/strong> .<\/span><\/p>\n Omdat deze waarde kleiner is dan 0,05, hebben we voldoende bewijs om te zeggen dat de correlatie tussen de twee variabelen statistisch significant is.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over correlatieco\u00ebffici\u00ebnten:<\/span><\/p>\n Een inleiding tot de Pearson-correlatieco\u00ebffici\u00ebnt<\/a> E\u00e9n manier om de relatie tussen twee variabelen te kwantificeren is door de Pearson-correlatieco\u00ebffici\u00ebnt te gebruiken, een maatstaf voor de lineaire associatie tussen twee variabelen . Er is altijd een waarde tussen -1 en 1 nodig, waarbij: -1 geeft een perfect negatieve lineaire correlatie aan tussen twee variabelen 0 geeft aan dat er geen lineaire […]<\/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":[],"class_list":["post-1128","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: correlatietest in R<\/strong><\/span><\/h3>\n
\n
x <- c(2, 3, 3, 5, 6, 9, 14, 15, 19, 21, 22, 23)\ny <- c(23, 24, 24, 23, 17, 28, 38, 34, 35, 39, 41, 43)\n<\/strong><\/pre>\n
#create scatterplot<\/span>\nplot(x, y, pch= 16<\/span> )\n<\/strong><\/pre>\n![\"Correlatietest](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dispersionr1.png\")
<\/p>\n #perform correlation test between the two vectors<\/span>\ncor.test(x, y)\n\n\tPearson's product-moment correlation\n\ndata: x and y\nt = 7.8756, df = 10, p-value = 1.35e-05\nalternative hypothesis: true correlation is not equal to 0\n95 percent confidence interval:\n 0.7575203 0.9799783\nsample estimates:\n horn \n0.9279869<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Wat wordt beschouwd als een \u201csterke\u201d correlatie?<\/a>
De vijf hypothesen van Pearson’s correlatie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"