Jak utworzyć macierz korelacji w spss

Macierz korelacji to kwadratowa tabela pokazująca współczynniki korelacji Pearsona pomiędzy różnymi zmiennymi w zbiorze danych.

Dla przypomnienia, współczynnik korelacji Pearsona jest miarą liniowego związku pomiędzy dwiema zmiennymi . Przyjmuje wartość z zakresu od -1 do 1, gdzie:

• -1 oznacza całkowicie ujemną korelację liniową pomiędzy dwiema zmiennymi
• Wartość 0 oznacza brak liniowej korelacji pomiędzy dwiema zmiennymi
• 1 wskazuje doskonale dodatnią korelację liniową pomiędzy dwiema zmiennymi

Im współczynnik korelacji jest bardziej od zera, tym silniejszy jest związek między obiema zmiennymi.

W tym samouczku wyjaśniono, jak utworzyć i zinterpretować macierz korelacji w SPSS.

Przykład: Jak utworzyć macierz korelacji w SPSS

Wykonaj poniższe kroki, aby utworzyć macierz korelacji dla tego zbioru danych, która wyświetla średnie asysty, zbiórki i punkty ośmiu koszykarzy:

Krok 1: Wybierz Korelację dwuwymiarową.

• Kliknij kartę Analizuj .
• Kliknij opcję Koreluj .
• Kliknij opcję Dwuwymiarowa .

Krok 2: Utwórz macierz korelacji.

Każda zmienna w zbiorze danych będzie początkowo wyświetlana w lewym polu:

• Wybierz każdą zmienną, którą chcesz uwzględnić w macierzy korelacji, i kliknij strzałkę, aby przenieść ją do pola Zmienne . W tym przykładzie użyjemy wszystkich trzech zmiennych.
• W obszarze Współczynniki korelacji wybierz, czy chcesz użyć korelacji Pearsona, tau Kendalla czy korelacji Spearmana. W tym przykładzie pozostawimy to jako Pearson.
• W obszarze Test istotności wybierz, czy chcesz zastosować test dwustronny, czy jednostronny, aby określić, czy dwie zmienne mają statystycznie istotne powiązanie. Zostawmy to jako dwustronne.
• Zaznacz pole obok opcji Raportuj znaczące korelacje, jeśli chcesz, aby SPSS raportował zmienne, które są istotnie skorelowane.
• Na koniec kliknij OK .

Po kliknięciu OK pojawi się następująca macierz korelacji:

Krok 3: Zinterpretuj macierz korelacji.

Macierz korelacji wyświetla następujące trzy pomiary dla każdej zmiennej:

• Korelacja Pearsona: miara liniowego powiązania między dwiema zmiennymi w zakresie od -1 do 1.
• Syg. (dwustronny): dwustronna wartość p powiązana ze współczynnikiem korelacji. Dzięki temu dowiesz się, czy dwie zmienne mają statystycznie istotne powiązanie (na przykład, jeśli p < 0,05)
• N: liczba par wykorzystanych do obliczenia współczynnika korelacji Pearsona.

Oto jak na przykład interpretować wynik zmiennej Assists:

• Współczynnik korelacji Pearsona pomiędzy asystami i zbiórkami wynosi -0,245 . Ponieważ liczba ta jest ujemna, oznacza to, że te dwie zmienne mają ujemny związek.
• Wartość p powiązana ze współczynnikiem korelacji Pearsona dla asyst i zbiórek wynosi 0,559 . Ponieważ wartość ta jest nie mniejsza niż 0,05, obie zmienne nie mają statystycznie istotnego związku.
• Liczba par wykorzystanych do obliczenia współczynnika korelacji Pearsona wyniosła 8 (np. w obliczeniach wykorzystano 8 par graczy).

Krok 4: Wizualizuj macierz korelacji.

Można także utworzyć macierz wykresów punktowych, aby zwizualizować liniową zależność pomiędzy każdą ze zmiennych.

• Kliknij kartę Wykresy .
• Kliknij opcję Kreator wykresów .

• Aby wybrać typ wykresu, kliknij opcję Punktowy/Punkty .
• Kliknij obraz z napisem Scatterplot Matrix .
• W polu Zmienne w lewym górnym rogu przytrzymaj klawisz Ctrl i kliknij trzy nazwy zmiennych. Przeciągnij je do pola u dołu wykresu z napisem Scattermatrix .
• Na koniec kliknij OK .

Automatycznie pojawi się następująca macierz wykresu rozrzutu:

Każdy indywidualny wykres rozrzutu przedstawia kombinacje parami pomiędzy dwiema zmiennymi. Na przykład wykres punktowy w lewym dolnym rogu przedstawia kombinacje punktów i asyst w parach dla każdego z 8 graczy w zbiorze danych.

Macierz wykresu rozrzutu jest opcjonalna, ale zapewnia dobry sposób wizualizacji relacji pomiędzy każdą parą kombinacji zmiennych w zbiorze danych.