Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Korelace a elaborace aneb úvod do vztahů proměnných.

Podobné prezentace


Prezentace na téma: "Korelace a elaborace aneb úvod do vztahů proměnných."— Transkript prezentace:

1 Korelace a elaborace aneb úvod do vztahů proměnných

2 Závislost dvou proměnných-přehled Nominální (kontingenční koeficienty, koeficienty asociace) Nominální (kontingenční koeficienty, koeficienty asociace) Ordinální (Korelační koeficienty dle Spearmana a Kendalla) Ordinální (Korelační koeficienty dle Spearmana a Kendalla) Kardinální (Pearsonův párový korelační koeficient, párová regrese) Kardinální (Pearsonův párový korelační koeficient, párová regrese)

3 Začněme opakováním aneb 4 typy závislosti 2 kardinálních proměnných Silná pozitivní závislost Silná pozitivní závislost Slabá pozitivní závislost Slabá pozitivní závislost Silná negativní závislost Silná negativní závislost Nulová závislost Nulová závislost Dopad na korelační koeficient a regresní koeficient Dopad na korelační koeficient a regresní koeficient Upozornění-lineární regrese i korelace měří jen lineární vztahy Upozornění-lineární regrese i korelace měří jen lineární vztahy

4 4 typy lineární závislosti 2 kardinálních proměnných Silná pozitivní závislost r = 0,97

5 4 typy lineární závislosti 2 kardinálních proměnných Silná negativní závislost r = - 0,97

6 4 typy lineární závislosti 2 kardinálních proměnných Slabá pozitivní závislost r = 0,35

7 4 typy lineární závislosti 2 kardinálních proměnných Nulová závislost r = 0

8 !!!Korelace předpoklady!!! Předpoklad pro Pearsonův koeficient normalita proměnných viz např procedura Explore v Analyze-Descriptives (tedy pro korelace chceme náhodný výběr z normálního rozdělení/regrese naopak předpokládá volbu kombinace vysvětlujících proměnných) Předpoklad pro Pearsonův koeficient normalita proměnných viz např procedura Explore v Analyze-Descriptives (tedy pro korelace chceme náhodný výběr z normálního rozdělení/regrese naopak předpokládá volbu kombinace vysvětlujících proměnných) Předpoklad pro Spearmanův/Kendallův koeficient ordinalita proměnných Předpoklad pro Spearmanův/Kendallův koeficient ordinalita proměnných

9 Korelace v SPSS Analyze-Correlate-Bivariate Analyze-Correlate-Bivariate Výběr tří základních koeficientů Výběr tří základních koeficientů Options-popisná statistika a kovariance a součin směrodatných odchylek Options-popisná statistika a kovariance a součin směrodatných odchylek Volba práce s chybějícími hodnotami (viz i další metody) Volba práce s chybějícími hodnotami (viz i další metody)

10 Korelace v SPSS Jedno (one-tailed) a dvoustranný test (two-tailed) aneb různé alternativní hypotézy Co je za tím? Jedno (one-tailed) a dvoustranný test (two-tailed) aneb různé alternativní hypotézy Co je za tím? Flag significant correlations. Korelační koeficienty významné na 5% (0,05) hladině významnosti označeny jednou hvězdičkou resp. pro 1% dvěmi Flag significant correlations. Korelační koeficienty významné na 5% (0,05) hladině významnosti označeny jednou hvězdičkou resp. pro 1% dvěmi

11 Korelace v SPSS-syntax Všechny proměnné se všemi CORRELATIONS CORRELATIONS /VARIABLES=q9 q10 q53 /VARIABLES=q9 q10 q53 /PRINT=TWOTAIL NOSIG /PRINT=TWOTAIL NOSIG /MISSING=PAIRWISE. /MISSING=PAIRWISE. Jedna proměnná (q53) se všemi CORRELATIONS /VARIABLES=q53 with q9 q10 /VARIABLES=q53 with q9 q10 /PRINT=TWOTAIL NOSIG /PRINT=TWOTAIL NOSIG /MISSING=PAIRWISE. /MISSING=PAIRWISE.

12 Poučky o korelačních koeficientech Koeficienty pro pořadové proměnné i pro proměnné intervalové měří lineární vztah. Vychází-li korelace nízká, znamená to pouze, že vztah mezi proměnnými nemá lineární povahu. Možná je souvislost mezi znaky velmi těsná, ale má jinou než lineární podobu. Co s tím udělat? Použijte koeficientu pro nominální znaky, např. Cramerova V. Pokud vyjde vyšší než ten, který jste použili původně, je to indikace nelinearity.. Použijte k analýze grafu nebo tabulky, abyste zjistili, v kterých kategoriích dochází k odchylce od linearity.

13 Poučky o korelačních koeficientech V případě, že počítáte příliš mnoho korelací mezi navzájem provázanými proměnnými, vychází zpravidla všechny korelační koeficienty jako významné. V duchu vícenásobných porovnání (používaných například v analýze rozptylu) se doporučuje snížit konvenční hladinu významnosti (0,05) tolikrát kolik počítáme párových korelačních koeficientů (dle autora této metody se nazývá Bonferonniho korekce). Tímto postupem zajistíme, že celková hladina významnosti všech párových srovnání bude maximálně rovna konvenční hladině významnosti (0,05). Stejného výsledku lze dosáhnout i tak, že jednotlivé Sig. vypočtené v SPSS vynásobíme počtem párových srovnání a porovnáváme je s konvenční hladinou významnosti 0,05.

14 Poučky o velikosti koeficientů Hodnota korelace v abs. hodnotě interpretace souvislosti 0,01 – 0,09triviální, žádná 0,10 – 0,29nízká až střední 0,30 – 0,49střední až podstatná 0,50 0,69podstatná až velmi silná 0,70 0,89velmi silná 0,90 – 0,99téměř perfektní De Vaus: 2002

15 Poznámky závěrem Jiné/další koeficienty-viz Analyze-Descriptives- Crosstabs (tam jsou i kontingenční koeficienty) Jiné/další koeficienty-viz Analyze-Descriptives- Crosstabs (tam jsou i kontingenční koeficienty) Vždy než začneme počítat zobrazme si grafy zobrazující závislost proměnných, to nám může ušetřit mnohá překvapení či pochybení Vždy než začneme počítat zobrazme si grafy zobrazující závislost proměnných, to nám může ušetřit mnohá překvapení či pochybení

16 Jak odhalit vliv třetí proměnné (Elaborace a dílčí korelace)

17 Otázky, které je třeba si položit při odhalení párového vztahu (de Vaus 2002): 1.Jaká je povaha tohoto vztahu, je kauzální nebo ne? 2.Pokud je tento vztah kauzální, je přímý, nebo nepřímý (to je když X ovlivňuje Y prostřednictvím třetí proměnné)? 3.Pokud je tento vztah nepřímý, jakým mechanismem proměnná X ovlivňuje proměnnou Y? 4.Pokud je vztah mezi X a Y nekauzální povahy, jakou funkcí se dá modelovat?

18 Elaborace Způsob jak odhalit vliv třetí proměnné rozpracovali už v roce 1950 Patricia Kendall s Paulem Lazarsfeldem. Technika byla nazvána elaboration, což lze překládat jak rozpracování, precizace nebo elaborace. Definice tohoto způsobu analýzy by mohla znít: Elaborační analýza obsahuje zavedení třetí proměnné do vztahu mezi dvěma proměnnými a zhodnocení jejího působení. Tím umožňuje hlubší porozumění původnímu párovému vztahu.

19 Elaborace se obvykle provádí prostřednictvím dvou postupů: 1.Zavedením třetí, testové proměnné do třídění druhého stupně – jinými slovy vytvořením podmíněných tabulek a výpočtem podmíněných korelací. 2.Výpočtem parciálních tabulek a parciálních korelací.

20 Modely vztahů mezi třemi proměnnými Mezi X a Y je zdánlivý (nepravý) vztah (spurious) X Y X Y Z Příklad: Nepravý vztah je takový, kdy nalezený domněle kauzální vztah, takovýmto vztahem vůbec není. Vztah mezi X a Y se jeví jako existující, avšak je nalezen pouze proto, že jak X, tak Y jsou ovlivňovány existencí a působením proměnné Z. Např. Byl nalezen vztah mezi počtem dětí a výskytem čápů. Tento vztah je způsoben tím, že čápi se nalézají na venkově a na venkově (proměnná Z) se rodí více dětí.

21 Dílčí korelace v SPSS Analyze-Correlate-Partial Analyze-Correlate-Partial Pouze Pearsonův koeficient Pouze Pearsonův koeficient Options-popisná statistika a párové korelace (nultého řádu) Options-popisná statistika a párové korelace (nultého řádu) Ostatní jako u Bivariate Ostatní jako u Bivariate

22 Poučky o dílčích korelacích a) Nastane situace, že vypočtený parciální koeficient má přibližně stejnou hodnotu, jako původní korelace. Co to znamená? Testová proměnná nemá na původní vztah vliv a my si můžeme být jisti, že původní korelace není zdánlivá. b) Parciální koeficient je výrazně nižší než původní korelace a je blízký nule. V takovém případě to znamená, že testová proměnná plně vysvětluje původní vztah, který byl zdánlivý. (resp. zdánlivá korelace či intervenující proměnná ) c) Parciální koeficient se změní jenom částečně. Pak je testová proměnná jen částečně vhodná k vysvětlení původní korelace.

23 Poznámka závěrem k dílčí korelaci Jak se snažila ukázat tato lekce, při hledání statistických vztahů bychom se neměli spokojit pouze s párovám (bivariate) výsledkem. Vždy, když to má smysl, se pokoušejte zavádět třetí proměnné a zjišťujte, zdali původní vztah „vydržel“, nebo byl modifikován. Prohloubíte tím své poznání a přinesete výsledky, které budou postaveny na solidním základě. Jak se snažila ukázat tato lekce, při hledání statistických vztahů bychom se neměli spokojit pouze s párovám (bivariate) výsledkem. Vždy, když to má smysl, se pokoušejte zavádět třetí proměnné a zjišťujte, zdali původní vztah „vydržel“, nebo byl modifikován. Prohloubíte tím své poznání a přinesete výsledky, které budou postaveny na solidním základě.


Stáhnout ppt "Korelace a elaborace aneb úvod do vztahů proměnných."

Podobné prezentace


Reklamy Google