¿Qué significan los asteriscos en los resultados del análisis de correlación de spss?

Sólo en el análisis de correlación, spss resaltará un signo * y dos signos * en la matriz de resultados para distinguir la significancia en los niveles 0,01 y 0,05. Otros análisis tienen por defecto un nivel de significancia de 0,05, por lo que no habrá ningún signo *. En cuanto a los artículos que ve, los marcados con * fueron agregados por mis propios editores posteriores.

El análisis de correlación lineal de Pearson se utiliza a menudo para describir cuantitativamente la dirección y la rigidez de la correlación lineal entre dos variables cuantitativas. El análisis de correlación lineal de Pearson solo se puede utilizar para analizar dos variables cuantitativas, y se requiere que ambas variables estén distribuidas normalmente y sean variables aleatorias, no variables controladas artificialmente (como administrar diferentes dosis a diferentes ratones, diferentes dosis son artificiales no variable aleatoria). Se pueden encontrar notas adicionales al final de este artículo. Tomamos los puntajes de las pruebas de un grupo de estudiantes como ejemplo para analizar si existe una relación lineal entre los puntajes históricos de los estudiantes y los puntajes integrales, y qué tan cerca están.

Materiales de herramientas:

Conjunto de fuente de alimentación suplementaria (abreviatura de Conjunto de fuente de alimentación suplementaria)

Método de funcionamiento

01

Antes de realizar el análisis de correlación lineal de Pearson, debemos trazar las puntuaciones históricas y las puntuaciones compuestas en diagramas de dispersión para ver si nuestros datos se pueden utilizar para el análisis de correlación lineal de Pearson. Haga clic en Gráfico - Generador de gráficos y haga clic en Aceptar en el cuadro de diálogo emergente. (Si el cuadro de diálogo en la figura no aparece, ignórelo y continúe directamente con el siguiente paso).

02

En el generador de iconos, seleccione Gráfico de dispersión, luego seleccione Gráfico de dispersión simple; luego arrastre "Historia" y "Geografía" a la izquierda hacia el eje X y el eje Y (el orden se puede invertir) y luego haga clic en Aceptar.

03

Podemos obtener los resultados como se muestra en la siguiente figura. Podemos ver que la distribución de los puntos dispersos en la figura es elíptica y los puntos dispersos muestran una tendencia lineal, lo que indica que podemos realizar un análisis de correlación lineal. Esto es sólo un simple juicio preliminar.

04

Vuelva a la vista de datos, haga clic en Análisis-Correlación-Bivariada;

05

En el cuadro de diálogo emergente cuadro, seleccione "Historial" y "Completo" para ingresar al cuadro de variable a la derecha, seleccione "Pearson" para el coeficiente de correlación a continuación y haga clic en "Aceptar" para generar el resultado.

06

En los resultados, podemos ver que el coeficiente de correlación entre "historial" y "integral" es 0,841, es decir, | r = 0,841; en la esquina superior derecha, hay "** *" en la esquina inferior izquierda, lo que indica que la correlación es significativa en 0,01, lo que indica que "historial" y "integral" están significativamente correlacionados. Generalmente creemos que el coeficiente de correlación |r; | está fuertemente correlacionado entre 0,8-1,0; hay una correlación fuerte entre 0,6 y 0,8; correlación fuerte entre 0,4-0,6; correlación débil entre 0,2 y 0,4; La expresión resultante de este artículo se muestra en la figura.

07

Nota 1: Dibujar un diagrama de dispersión es solo un simple juicio. Si su diagrama de dispersión no es elíptico, su resultado final puede ser una correlación baja o P > 0,05, lo que indica que la correlación entre ellos es demasiado débil o no existe una correlación lineal.

08

Significado 2: los datos jerárquicos no se pueden fusionar casualmente. Por ejemplo, en la figura (a) a continuación, los datos relacionados originales se fusionan para crear la ilusión de irrelevancia; (b) Se combinan dos muestras no relacionadas para crear la ilusión de una correlación positiva.

09

Nota 3: Debemos utilizar el análisis de correlación con precaución cuando ocurren valores atípicos, como el valor atípico obvio en la Figura (c). Incluirlo o no en el cálculo puede tener un fuerte impacto en la conclusión, o incluso llevar a la conclusión opuesta. Para valores atípicos tan obvios, debemos examinar cuidadosamente el proceso de recopilación e ingreso de datos, o repetir el experimento.

Consejos especiales

La correlación no es necesariamente causalidad y también puede ser accidental.