ค่าสัมประสิทธิ์สหสัมพันธ์อันดับของสเปียร์แมน rs การวิเคราะห์ความสัมพันธ์โดยใช้วิธี Spearman (อันดับ Spearman)
ค่าสัมประสิทธิ์สหสัมพันธ์อันดับ เสนอโดย K. Spearman หมายถึงการวัดความสัมพันธ์ระหว่างตัวแปรที่วัดในระดับอันดับแบบไม่อิงพารามิเตอร์ เมื่อคำนวณค่าสัมประสิทธิ์นี้ไม่จำเป็นต้องมีสมมติฐานเกี่ยวกับธรรมชาติของการแจกแจงลักษณะเฉพาะในประชากร สัมประสิทธิ์นี้จะกำหนดระดับความใกล้ชิดของการเชื่อมต่อระหว่างคุณลักษณะลำดับ ซึ่งในกรณีนี้จะแสดงลำดับของปริมาณที่เปรียบเทียบ
ค่าสัมประสิทธิ์สหสัมพันธ์สเปียร์แมนยังอยู่ในช่วง +1 และ -1 เช่นเดียวกับค่าสัมประสิทธิ์เพียร์สัน อาจเป็นค่าบวกและค่าลบ ซึ่งแสดงทิศทางของความสัมพันธ์ระหว่างคุณลักษณะสองประการที่วัดในระดับอันดับ
โดยหลักการแล้ว จำนวนคุณลักษณะที่ได้รับการจัดอันดับ (คุณภาพ คุณลักษณะ ฯลฯ) อาจเป็นเท่าใดก็ได้ แต่กระบวนการจัดอันดับคุณลักษณะมากกว่า 20 รายการนั้นเป็นเรื่องยาก เป็นไปได้ว่านี่คือสาเหตุที่ตารางค่าวิกฤตของค่าสัมประสิทธิ์สหสัมพันธ์อันดับถูกคำนวณสำหรับฟีเจอร์อันดับสี่สิบเท่านั้น (n< 40, табл. 20 приложения 6).
ค่าสัมประสิทธิ์สหสัมพันธ์อันดับของ Spearman คำนวณโดยใช้สูตร:
โดยที่ n คือจำนวนคุณลักษณะที่ได้รับการจัดอันดับ (ตัวบ่งชี้ วิชา)
D คือความแตกต่างระหว่างอันดับของตัวแปรสองตัวสำหรับแต่ละวิชา
ผลรวมของผลต่างอันดับกำลังสอง
การใช้ค่าสัมประสิทธิ์สหสัมพันธ์อันดับ ให้พิจารณาตัวอย่างต่อไปนี้
ตัวอย่าง: นักจิตวิทยาค้นพบว่าตัวบ่งชี้ความพร้อมในการเข้าโรงเรียนของแต่ละบุคคลที่ได้รับก่อนเริ่มเรียนของนักเรียนชั้นประถมศึกษาปีที่ 1 11 คนมีความสัมพันธ์กันและผลการเรียนโดยเฉลี่ยเมื่อสิ้นปีการศึกษาอย่างไร
เพื่อแก้ไขปัญหานี้ อันดับแรกเราจัดอันดับคุณค่าของตัวบ่งชี้ความพร้อมของโรงเรียนที่ได้รับเมื่อเข้าโรงเรียน และประการที่สอง ดัชนีชี้วัดผลการเรียนขั้นสุดท้ายในช่วงปลายปีสำหรับนักเรียนกลุ่มเดียวกันเหล่านี้โดยเฉลี่ย เรานำเสนอผลลัพธ์ในตาราง 13.
ตารางที่ 13
นักศึกษาหมายเลข | |||||||||||
อันดับตัวบ่งชี้ ความพร้อมของโรงเรียน | |||||||||||
อันดับผลงานเฉลี่ยต่อปี | |||||||||||
เราแทนที่ข้อมูลที่ได้รับลงในสูตรและทำการคำนวณ เราได้รับ:
หากต้องการค้นหาระดับนัยสำคัญ โปรดดูตาราง 20 ของภาคผนวก 6 ซึ่งให้ค่าวิกฤตสำหรับสัมประสิทธิ์ ความสัมพันธ์อันดับ.
เราเน้นย้ำว่าในตาราง 20 ของภาคผนวก 6 เช่นเดียวกับในตารางสำหรับความสัมพันธ์เชิงเส้นแบบเพียร์สัน ค่าสัมประสิทธิ์สหสัมพันธ์ทั้งหมดจะได้รับเป็นค่าสัมบูรณ์ ดังนั้นสัญลักษณ์ของค่าสัมประสิทธิ์สหสัมพันธ์จึงถูกนำมาพิจารณาเฉพาะเมื่อตีความเท่านั้น
การค้นหาระดับนัยสำคัญในตารางนี้ดำเนินการตามหมายเลข n นั่นคือ ตามจำนวนวิชา ในกรณีของเรา n = 11 สำหรับจำนวนนี้ เราจะพบว่า:
0.61 สำหรับ P 0.05
0.76 สำหรับ P 0.01
เราสร้าง ``แกนนัยสำคัญ'' ที่สอดคล้องกัน:
ค่าสัมประสิทธิ์สหสัมพันธ์ที่เกิดขึ้นใกล้เคียงกับค่าวิกฤตสำหรับระดับนัยสำคัญที่ 1% ดังนั้นจึงอาจเป็นที่ถกเถียงกันอยู่ว่าตัวบ่งชี้ความพร้อมของโรงเรียนและเกรดสุดท้ายของนักเรียนระดับประถม 1 นั้นเชื่อมโยงกันด้วยความสัมพันธ์เชิงบวก - กล่าวอีกนัยหนึ่งยิ่งตัวบ่งชี้ความพร้อมของโรงเรียนสูงเท่าไรการศึกษาของนักเรียนชั้นประถมศึกษาปีที่ 1 ก็จะยิ่งดีขึ้นเท่านั้น ในแง่ของสมมติฐานทางสถิติ นักจิตวิทยาจะต้องปฏิเสธสมมติฐานว่างของความคล้ายคลึงกัน และยอมรับสมมติฐานทางเลือกของความแตกต่าง ซึ่งแสดงให้เห็นว่าความสัมพันธ์ระหว่างตัวบ่งชี้ความพร้อมของโรงเรียนกับผลการเรียนโดยเฉลี่ยแตกต่างจากศูนย์
กรณีที่มีอันดับเท่ากัน (เท่ากัน)
หากมีอันดับเท่ากัน สูตรในการคำนวณค่าสัมประสิทธิ์สหสัมพันธ์เชิงเส้นของสเปียร์แมนจะแตกต่างออกไปเล็กน้อย ในกรณีนี้สูตรคำนวณค่าสัมประสิทธิ์สหสัมพันธ์จะเพิ่มคำศัพท์ใหม่สองคำโดยคำนึงถึงอันดับเดียวกัน เรียกว่าการแก้ไขอันดับเท่ากันและบวกเข้ากับตัวเศษของสูตรการคำนวณ
โดยที่ n คือจำนวนอันดับที่เหมือนกันในคอลัมน์แรก
k คือจำนวนอันดับเดียวกันในคอลัมน์ที่สอง
หากมีอันดับเหมือนกันสองกลุ่มในคอลัมน์ใดๆ สูตรการแก้ไขจะค่อนข้างซับซ้อนมากขึ้น:
โดยที่ n คือจำนวนอันดับเดียวกันในกลุ่มแรกของคอลัมน์อันดับ
k คือจำนวนอันดับเดียวกันในกลุ่มที่สองของคอลัมน์อันดับ การปรับเปลี่ยนสูตรในกรณีทั่วไปมีดังนี้
ตัวอย่าง: นักจิตวิทยาใช้แบบทดสอบพัฒนาการทางจิต (MDT) ทำการศึกษาความฉลาดของนักเรียนชั้นประถมศึกษาปีที่ 9 จำนวน 12 คน ขณะเดียวกันก็ขอให้ครูวรรณคดีและคณิตศาสตร์จัดอันดับนักเรียนกลุ่มเดียวกันนี้ตามตัวบ่งชี้พัฒนาการทางจิต ภารกิจคือการกำหนดว่าตัวบ่งชี้วัตถุประสงค์ของการพัฒนาจิต (ข้อมูล SHTUR) และการประเมินโดยผู้เชี่ยวชาญของครูมีความสัมพันธ์กันอย่างไร
เรานำเสนอข้อมูลการทดลองของปัญหานี้และคอลัมน์เพิ่มเติมที่จำเป็นในการคำนวณสัมประสิทธิ์สหสัมพันธ์สเปียร์แมนในรูปแบบของตาราง 14.
ตารางที่ 14
นักศึกษาหมายเลข |
อันดับการทดสอบโดยใช้ SHTURA |
การประเมินผู้เชี่ยวชาญของครูวิชาคณิตศาสตร์ |
การประเมินผู้เชี่ยวชาญของครูด้านวรรณกรรม |
D (คอลัมน์ที่สองและสาม) |
D (คอลัมน์ที่สองและสี่) |
(คอลัมน์ที่สองและสาม) |
(คอลัมน์ที่สองและสี่) |
เนื่องจากมีการใช้อันดับเดียวกันในการจัดอันดับ จึงจำเป็นต้องตรวจสอบความถูกต้องของการจัดอันดับในคอลัมน์ที่สอง สาม และสี่ของตาราง เมื่อรวมแต่ละคอลัมน์แล้วจะได้ผลรวมเท่ากัน - 78
เราตรวจสอบโดย สูตรการคำนวณ- เช็คให้:
คอลัมน์ที่ห้าและหกของตารางแสดงค่าของความแตกต่างในอันดับระหว่างการประเมินโดยผู้เชี่ยวชาญของนักจิตวิทยาในการทดสอบ SHTUR สำหรับนักเรียนแต่ละคนและค่าของการประเมินผู้เชี่ยวชาญของครูตามลำดับในวิชาคณิตศาสตร์และวรรณคดี ผลรวมของค่าผลต่างอันดับจะต้องเท่ากับศูนย์ การรวมค่า D ในคอลัมน์ที่ห้าและหกให้ผลลัพธ์ที่ต้องการ ดังนั้นการลบอันดับจึงทำอย่างถูกต้อง ต้องทำการตรวจสอบที่คล้ายกันทุกครั้งเมื่อทำการจัดอันดับประเภทที่ซับซ้อน
ก่อนที่จะเริ่มการคำนวณโดยใช้สูตร จำเป็นต้องคำนวณการแก้ไขสำหรับอันดับเดียวกันสำหรับคอลัมน์ที่สอง สาม และสี่ของตาราง
ในกรณีของเรา ในคอลัมน์ที่สองของตารางมีสองอันดับเหมือนกัน ดังนั้นตามสูตร ค่าของการแก้ไข D1 จะเป็น:
คอลัมน์ที่สามมีสามอันดับเหมือนกัน ดังนั้นตามสูตร ค่าของการแก้ไข D2 จะเป็น:
ในคอลัมน์ที่สี่ของตารางมีสองกลุ่มในสามอันดับเหมือนกัน ดังนั้นตามสูตร ค่าของการแก้ไข D3 จะเป็น:
ก่อนที่จะดำเนินการแก้ไขปัญหาให้เราจำไว้ว่านักจิตวิทยาได้ชี้แจงคำถามสองข้อ - ค่าของอันดับในการทดสอบ SHTUR เกี่ยวข้องกับการประเมินของผู้เชี่ยวชาญในวิชาคณิตศาสตร์และวรรณคดีอย่างไร นั่นคือเหตุผลที่ทำการคำนวณสองครั้ง
เราคำนวณค่าสัมประสิทธิ์การจัดอันดับแรกโดยคำนึงถึงสารเติมแต่งตามสูตร เราได้รับ:
มาคำนวณโดยไม่คำนึงถึงการบวก:
ดังที่เราเห็นความแตกต่างของค่าสัมประสิทธิ์สหสัมพันธ์นั้นไม่มีนัยสำคัญมาก
เราคำนวณค่าสัมประสิทธิ์การจัดอันดับที่สองโดยคำนึงถึงสารเติมแต่งตามสูตร เราได้รับ:
มาคำนวณโดยไม่คำนึงถึงการบวก:
อีกครั้งความแตกต่างมีน้อยมาก เนื่องจากจำนวนนักศึกษาทั้งสองกรณีเท่ากันตามตาราง 20 ของภาคผนวก 6 เราค้นหาค่าวิกฤตที่ n = 12 สำหรับสัมประสิทธิ์สหสัมพันธ์ทั้งสองพร้อมกัน
0.58 สำหรับ P 0.05
0.73 สำหรับ P 0.01
เราพล็อตค่าแรกบน ``แกนนัยสำคัญ'':
ในกรณีแรก ค่าสัมประสิทธิ์สหสัมพันธ์อันดับที่ได้รับจะอยู่ในโซนที่มีนัยสำคัญ ดังนั้นนักจิตวิทยาจะต้องปฏิเสธสมมติฐานว่างที่ว่าค่าสัมประสิทธิ์สหสัมพันธ์คล้ายกับศูนย์และยอมรับสมมติฐานทางเลือกที่ว่าค่าสัมประสิทธิ์สหสัมพันธ์แตกต่างจากศูนย์อย่างมีนัยสำคัญ กล่าวอีกนัยหนึ่ง ผลลัพธ์ที่ได้แสดงให้เห็นว่ายิ่งการประเมินผู้เชี่ยวชาญของนักเรียนในการทดสอบ SHTUR สูงเท่าใด การประเมินผู้เชี่ยวชาญทางคณิตศาสตร์ก็จะยิ่งสูงขึ้นเท่านั้น
เราพล็อตค่าที่สองบน ``แกนนัยสำคัญ'':
ในกรณีที่สอง ค่าสัมประสิทธิ์สหสัมพันธ์อันดับอยู่ในโซนความไม่แน่นอน ดังนั้น นักจิตวิทยาสามารถยอมรับสมมติฐานว่างที่ว่าค่าสัมประสิทธิ์สหสัมพันธ์มีค่าใกล้เคียงกับศูนย์ และปฏิเสธสมมติฐานทางเลือกที่ว่าค่าสัมประสิทธิ์สหสัมพันธ์แตกต่างจากศูนย์อย่างมีนัยสำคัญ ในกรณีนี้ ผลลัพธ์ที่ได้แสดงให้เห็นว่าการประเมินโดยผู้เชี่ยวชาญของนักเรียนในการทดสอบ SHTUR ไม่เกี่ยวข้องกับการประเมินโดยผู้เชี่ยวชาญในวรรณกรรม
หากต้องการใช้สัมประสิทธิ์สหสัมพันธ์สเปียร์แมน ต้องเป็นไปตามเงื่อนไขต่อไปนี้:
1. ตัวแปรที่จะเปรียบเทียบจะต้องได้รับในระดับลำดับ (อันดับ) แต่สามารถวัดได้ในระดับช่วงเวลาและอัตราส่วน
2. ลักษณะของการกระจายของปริมาณที่สัมพันธ์กันนั้นไม่สำคัญ
3. จำนวนคุณลักษณะที่แตกต่างกันในตัวแปร X และ Y ที่เปรียบเทียบจะต้องเท่ากัน
ตารางสำหรับกำหนดค่าวิกฤตของสัมประสิทธิ์สหสัมพันธ์สเปียร์แมน (ตารางที่ 20 ภาคผนวก 6) คำนวณจากจำนวนคุณลักษณะเท่ากับ n = 5 ถึง n = 40 และด้วยตัวแปรเปรียบเทียบจำนวนมากขึ้น ตารางสำหรับ ควรใช้สัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน (ตารางที่ 19 ภาคผนวก 6) การค้นหาค่าวิกฤตจะดำเนินการที่ k = n
วันที่เผยแพร่: 09/03/2017 13:01
คำว่า "ความสัมพันธ์" ถูกนำมาใช้อย่างแข็งขันใน มนุษยศาสตร์, ยา; มักปรากฏในสื่อต่างๆ ความสัมพันธ์มีบทบาทสำคัญในด้านจิตวิทยา โดยเฉพาะการคำนวณสหสัมพันธ์ก็คือ ขั้นตอนสำคัญการดำเนินการวิจัยเชิงประจักษ์ในการเขียนวิทยานิพนธ์ด้านจิตวิทยา
เนื้อหาเกี่ยวกับความสัมพันธ์บนอินเทอร์เน็ตนั้นมีความเป็นวิทยาศาสตร์มากเกินไป เป็นเรื่องยากสำหรับผู้ที่ไม่ใช่ผู้เชี่ยวชาญในการเข้าใจสูตร ในเวลาเดียวกัน การทำความเข้าใจความหมายของความสัมพันธ์เป็นสิ่งจำเป็นสำหรับนักการตลาด นักสังคมวิทยา แพทย์ นักจิตวิทยา - ใครก็ตามที่ทำการวิจัยเกี่ยวกับผู้คน
ในบทความนี้เรา ในภาษาง่ายๆเราจะอธิบายสาระสำคัญของความสัมพันธ์สหสัมพันธ์ ประเภทของสหสัมพันธ์ วิธีการคำนวณ คุณลักษณะของการใช้สหสัมพันธ์ใน การวิจัยทางจิตวิทยาตลอดจนเมื่อเขียนวิทยานิพนธ์ด้านจิตวิทยา
เนื้อหา
ความสัมพันธ์คืออะไร
ความสัมพันธ์คือการเชื่อมต่อ แต่ไม่ใช่แค่คนใดคนหนึ่ง ลักษณะเฉพาะของมันคืออะไร? ลองดูตัวอย่าง
ลองจินตนาการว่าคุณกำลังขับรถ คุณเหยียบคันเร่งแล้วรถก็วิ่งเร็วขึ้น คุณชะลอความเร็วและรถก็ช้าลง แม้แต่คนที่ไม่คุ้นเคยกับโครงสร้างของรถก็ยังพูดว่า: “คันเร่งกับความเร็วของรถมีความเชื่อมโยงโดยตรง ยิ่งเหยียบคันเร่งมาก ความเร็วก็จะยิ่งสูงขึ้น”
นี่คือความสัมพันธ์เชิงฟังก์ชัน - ความเร็วเป็นฟังก์ชันโดยตรงของคันเร่ง ผู้เชี่ยวชาญจะอธิบายว่าแป้นเหยียบจะควบคุมการจ่ายน้ำมันเชื้อเพลิงไปยังกระบอกสูบซึ่งเป็นจุดที่ส่วนผสมถูกเผาไหม้ ซึ่งส่งผลให้มีกำลังเพิ่มขึ้นไปยังเพลา เป็นต้น การเชื่อมต่อนี้มีความเข้มงวด กำหนดได้ และไม่อนุญาตให้มีข้อยกเว้น (โดยที่เครื่องทำงานอย่างถูกต้อง)
ตอนนี้ลองจินตนาการว่าคุณเป็นผู้อำนวยการของบริษัทที่มีพนักงานขายผลิตภัณฑ์ คุณตัดสินใจที่จะเพิ่มยอดขายโดยการเพิ่มเงินเดือนพนักงาน คุณเพิ่มเงินเดือนของคุณ 10% และยอดขายโดยเฉลี่ยของบริษัทเพิ่มขึ้น หลังจากนั้นไม่นาน คุณเพิ่มขึ้นอีก 10% และการเติบโตก็กลับมาอีกครั้ง จากนั้นอีก 5% และอีกครั้งก็มีผลกระทบ ข้อสรุปแนะนำตัวเอง - มีความสัมพันธ์โดยตรงระหว่างยอดขายของบริษัทและเงินเดือนของพนักงาน - ยิ่งเงินเดือนสูงเท่าไร ยอดขายขององค์กรก็จะยิ่งสูงขึ้นเท่านั้น นี่เป็นการเชื่อมต่อแบบเดียวกันกับระหว่างคันเร่งกับความเร็วของรถหรือไม่? ความแตกต่างที่สำคัญคืออะไร?
ถูกต้องความสัมพันธ์ระหว่างเงินเดือนและการขายไม่ได้เข้มงวด ซึ่งหมายความว่ายอดขายของพนักงานบางส่วนอาจลดลงแม้ว่าเงินเดือนจะเพิ่มขึ้นก็ตาม บางส่วนจะยังคงไม่เปลี่ยนแปลง แต่โดยเฉลี่ยแล้ว ยอดขายของบริษัทเพิ่มขึ้น และเราบอกว่ามีความเชื่อมโยงระหว่างยอดขายและเงินเดือนพนักงาน และมีความสัมพันธ์กัน
การเชื่อมต่อการทำงาน (คันเร่ง - ความเร็ว) เป็นไปตามกฎทางกายภาพ พื้นฐานของความสัมพันธ์สหสัมพันธ์ (ยอดขาย - เงินเดือน) คือความสอดคล้องอย่างง่ายของการเปลี่ยนแปลงในตัวบ่งชี้สองตัว ไม่มีกฎ (ในความหมายทางกายภาพของคำ) ที่อยู่เบื้องหลังความสัมพันธ์ มีเพียงรูปแบบความน่าจะเป็น (สุ่ม) เท่านั้น
การแสดงออกเชิงตัวเลขของการพึ่งพาสหสัมพันธ์
ดังนั้นความสัมพันธ์สหสัมพันธ์จึงสะท้อนการพึ่งพาระหว่างปรากฏการณ์ หากสามารถวัดปรากฏการณ์เหล่านี้ได้ ก็จะได้รับนิพจน์เชิงตัวเลข
ตัวอย่างเช่น กำลังศึกษาบทบาทของการอ่านในชีวิตของผู้คน นักวิจัยได้จับกลุ่มคนจำนวน 40 คน และวัดตัวบ่งชี้สองตัวสำหรับแต่ละหัวข้อ: 1) เขาอ่านนานแค่ไหนต่อสัปดาห์; 2) เขาคิดว่าตัวเองเจริญรุ่งเรืองมากเพียงใด (ในระดับ 1 ถึง 10) นักวิทยาศาสตร์ป้อนข้อมูลนี้ลงในสองคอลัมน์และใช้โปรแกรมทางสถิติเพื่อคำนวณความสัมพันธ์ระหว่างการอ่านกับความเป็นอยู่ที่ดี สมมติว่าพวกเขาได้ผลลัพธ์ต่อไปนี้ -0.76 แต่ตัวเลขนี้หมายถึงอะไร? จะตีความได้อย่างไร? ลองคิดดูสิ
จำนวนผลลัพธ์เรียกว่าค่าสัมประสิทธิ์สหสัมพันธ์ เพื่อตีความให้ถูกต้อง สิ่งสำคัญคือต้องพิจารณาสิ่งต่อไปนี้:
- เครื่องหมาย “+” หรือ “-” แสดงถึงทิศทางของการขึ้นต่อกัน
- ค่าสัมประสิทธิ์สะท้อนถึงความแข็งแกร่งของการพึ่งพา
ตรงและย้อนกลับ
เครื่องหมายบวกหน้าค่าสัมประสิทธิ์บ่งชี้ว่าความสัมพันธ์ระหว่างปรากฏการณ์หรือตัวชี้วัดมีความสัมพันธ์กันโดยตรง นั่นคือ ยิ่งตัวบ่งชี้ตัวใดตัวหนึ่งยิ่งใหญ่ ตัวอื่นๆ ก็จะยิ่งมากขึ้นเท่านั้น เงินเดือนที่สูงขึ้นหมายถึงยอดขายที่สูงขึ้น ความสัมพันธ์นี้เรียกว่าโดยตรงหรือเชิงบวก
หากค่าสัมประสิทธิ์มีเครื่องหมายลบ แสดงว่าความสัมพันธ์เป็นแบบผกผันหรือเป็นลบ ในกรณีนี้ ยิ่งตัวบ่งชี้ตัวหนึ่งสูงเท่าไร ตัวอื่นๆ ก็จะยิ่งต่ำลงเท่านั้น ในตัวอย่างการอ่านและความเป็นอยู่ที่ดี เราพบว่า -0.76 ซึ่งหมายความว่า ยิ่งมีคนอ่านหนังสือมากเท่าไร ระดับความเป็นอยู่ที่ดีก็จะยิ่งต่ำลง
แข็งแกร่งและอ่อนแอ
ความสัมพันธ์ในแง่ตัวเลขคือตัวเลขในช่วงตั้งแต่ -1 ถึง +1 แสดงด้วยตัวอักษร "r" ยิ่งตัวเลขสูง (โดยไม่สนใจเครื่องหมาย) ความสัมพันธ์ก็จะยิ่งแข็งแกร่งขึ้น
ยิ่งค่าตัวเลขของสัมประสิทธิ์ต่ำลง ความสัมพันธ์ระหว่างปรากฏการณ์และตัวชี้วัดก็จะยิ่งน้อยลงเท่านั้น
ความแรงของการพึ่งพาที่เป็นไปได้สูงสุดคือ 1 หรือ -1 จะเข้าใจและนำเสนอสิ่งนี้ได้อย่างไร?
ลองดูตัวอย่าง พวกเขารับนักเรียน 10 คนและวัดระดับสติปัญญา (IQ) และผลการเรียนสำหรับภาคการศึกษา จัดเรียงข้อมูลนี้ในรูปแบบสองคอลัมน์
เรื่อง |
ไอคิว |
ผลการเรียน (คะแนน) |
ดูข้อมูลในตารางอย่างละเอียด จาก 1 ถึง 10 ระดับ IQ ของผู้ทดสอบจะเพิ่มขึ้น แต่ระดับความสำเร็จก็เพิ่มขึ้นเช่นกัน ในบรรดานักเรียนสองคนคนใดคนหนึ่งที่มีไอคิวสูงกว่าจะทำงานได้ดีกว่า และจะไม่มีข้อยกเว้นสำหรับกฎนี้
นี่คือตัวอย่างของการเปลี่ยนแปลงที่สมบูรณ์และสม่ำเสมอ 100% ในตัวบ่งชี้สองตัวในกลุ่ม และนี่คือตัวอย่างความสัมพันธ์เชิงบวกที่ยิ่งใหญ่ที่สุด นั่นคือความสัมพันธ์ระหว่างความฉลาดและผลการเรียนมีค่าเท่ากับ 1
ลองดูอีกตัวอย่างหนึ่ง นักเรียน 10 คนเดียวกันได้รับการประเมินโดยใช้แบบสำรวจว่าพวกเขารู้สึกว่าประสบความสำเร็จในการสื่อสารกับเพศตรงข้ามมากน้อยเพียงใด (ในระดับ 1 ถึง 10)
เรื่อง |
ไอคิว |
ความสำเร็จในการสื่อสารกับเพศตรงข้าม (คะแนน) |
ลองดูข้อมูลในตารางอย่างละเอียด จาก 1 ถึง 10 ระดับ IQ ของผู้ถูกทดสอบจะเพิ่มขึ้น ในขณะเดียวกันในคอลัมน์สุดท้ายระดับความสำเร็จในการสื่อสารกับเพศตรงข้ามก็ลดลงอย่างต่อเนื่อง ในบรรดานักเรียนสองคน คนที่มีไอคิวต่ำกว่าจะประสบความสำเร็จในการสื่อสารกับเพศตรงข้ามมากกว่า และจะไม่มีข้อยกเว้นสำหรับกฎนี้
นี่คือตัวอย่างของความสอดคล้องอย่างสมบูรณ์ในการเปลี่ยนแปลงของตัวบ่งชี้สองตัวในกลุ่ม - ความสัมพันธ์เชิงลบสูงสุดที่เป็นไปได้ ความสัมพันธ์ระหว่าง IQ และความสำเร็จในการสื่อสารกับเพศตรงข้ามคือ -1
เราจะเข้าใจความหมายของความสัมพันธ์เท่ากับศูนย์ (0) ได้อย่างไร? ซึ่งหมายความว่าไม่มีการเชื่อมต่อระหว่างตัวบ่งชี้ กลับมาที่นักเรียนของเราอีกครั้งและพิจารณาตัวบ่งชี้อื่นที่พวกเขาวัด - ความยาวของการกระโดดยืน
เรื่อง |
ไอคิว |
ความยาวกระโดดยืน (ม.) |
ไม่พบความสอดคล้องกันระหว่างความแปรผันของ IQ จากคนสู่คนและความยาวของการกระโดด สิ่งนี้บ่งชี้ว่าไม่มีความสัมพันธ์กัน ค่าสัมประสิทธิ์สหสัมพันธ์ระหว่าง IQ และความยาวการกระโดดยืนระหว่างนักเรียนคือ 0
เราได้ดูกรณีขอบแล้ว ในการวัดจริง ค่าสัมประสิทธิ์ไม่ค่อยเท่ากับ 1 หรือ 0 พอดี มีการใช้มาตราส่วนต่อไปนี้:
- หากค่าสัมประสิทธิ์มากกว่า 0.70 แสดงว่าความสัมพันธ์ระหว่างตัวชี้วัดมีความแข็งแกร่ง
- จาก 0.30 ถึง 0.70 - การเชื่อมต่อปานกลาง
- น้อยกว่า 0.30 - ความสัมพันธ์ยังอ่อนแอ
หากเราประเมินความสัมพันธ์ระหว่างการอ่านกับความเป็นอยู่ที่ดีที่เราได้รับข้างต้นในระดับนี้ ปรากฎว่าความสัมพันธ์นี้แข็งแกร่งและเป็นลบ -0.76 นั่นคือมีความสัมพันธ์เชิงลบที่แข็งแกร่งระหว่างการอ่านหนังสือและความเป็นอยู่ที่ดี ซึ่งยืนยันอีกครั้งถึงภูมิปัญญาในพระคัมภีร์เกี่ยวกับความสัมพันธ์ระหว่างปัญญาและความเศร้าโศก
การไล่ระดับที่ให้มาจะให้ค่าประมาณคร่าวๆ และไม่ค่อยมีการใช้ในการวิจัยในรูปแบบนี้
การไล่ระดับสัมประสิทธิ์ตามระดับนัยสำคัญมักใช้บ่อยกว่า ในกรณีนี้ค่าสัมประสิทธิ์ที่ได้รับจริงอาจมีหรือไม่มีนัยสำคัญก็ได้ สิ่งนี้สามารถกำหนดได้โดยการเปรียบเทียบค่าของมันกับค่าวิกฤตของสัมประสิทธิ์สหสัมพันธ์ที่นำมาจากตารางพิเศษ นอกจากนี้ ค่าวิกฤตเหล่านี้ยังขึ้นอยู่กับขนาดของกลุ่มตัวอย่าง (ยิ่งปริมาตรมาก ค่าวิกฤตก็จะยิ่งต่ำลง)
การวิเคราะห์ความสัมพันธ์ทางจิตวิทยา
วิธีความสัมพันธ์เป็นหนึ่งในวิธีหลักในการวิจัยทางจิตวิทยา และนี่ไม่ใช่เรื่องบังเอิญ เพราะจิตวิทยามุ่งมั่นที่จะเป็นวิทยาศาสตร์ที่แน่นอน มันทำงานหรือเปล่า?
กฎหมายในสาขาวิทยาศาสตร์มีลักษณะเฉพาะอย่างไร? ตัวอย่างเช่น กฎแรงโน้มถ่วงในฟิสิกส์ดำเนินไปโดยไม่มีข้อยกเว้น ยิ่งมวลของร่างกายมีมากเท่าใด ก็จะดึงดูดวัตถุอื่นได้มากขึ้นเท่านั้น กฎทางกายภาพนี้สะท้อนถึงความสัมพันธ์ระหว่างมวลกายและแรงโน้มถ่วง
ในทางจิตวิทยาสถานการณ์จะแตกต่างออกไป ตัวอย่างเช่น นักจิตวิทยาเผยแพร่ข้อมูลเกี่ยวกับความสัมพันธ์ระหว่างความสัมพันธ์อันอบอุ่นในวัยเด็กกับผู้ปกครองและระดับความคิดสร้างสรรค์ในวัยผู้ใหญ่ นี่หมายความว่าวิชาใดวิชาหนึ่งที่มีมาก ความสัมพันธ์อันอบอุ่นกับพ่อแม่ในวัยเด็กจะมีความสามารถสร้างสรรค์สูงมากไหม? คำตอบนั้นชัดเจน - ไม่ ไม่มีกฎใดเหมือนกฎทางกายภาพ ไม่มีกลไกใดที่มีอิทธิพลต่อประสบการณ์ในวัยเด็กที่มีต่อความคิดสร้างสรรค์ของผู้ใหญ่ นี่คือจินตนาการของเรา! มีความสม่ำเสมอของข้อมูล (ความสัมพันธ์ - ความคิดสร้างสรรค์) แต่ไม่มีกฎหมายอยู่เบื้องหลัง แต่มีเพียงความสัมพันธ์เท่านั้น นักจิตวิทยามักเรียกรูปแบบทางจิตวิทยาของความสัมพันธ์ที่ระบุ โดยเน้นธรรมชาติของความน่าจะเป็น ไม่ใช่ความเข้มงวด
ตัวอย่างการศึกษาของนักเรียนจากหัวข้อที่แล้ว แสดงให้เห็นอย่างชัดเจนถึงการใช้ความสัมพันธ์ในด้านจิตวิทยา:
- การวิเคราะห์ความสัมพันธ์ระหว่างตัวชี้วัดทางจิตวิทยา ในตัวอย่างของเรา IQ และความสำเร็จในการสื่อสารกับเพศตรงข้ามเป็นตัวแปรทางจิตวิทยา การระบุความสัมพันธ์ระหว่างสิ่งเหล่านี้จะขยายความเข้าใจเกี่ยวกับการจัดระเบียบทางจิตของบุคคลความสัมพันธ์ระหว่างบุคลิกภาพด้านต่าง ๆ ของเขาใน ในกรณีนี้ระหว่างความฉลาดและขอบเขตของการสื่อสาร
- การวิเคราะห์ความสัมพันธ์ระหว่าง IQ กับผลการเรียนและการกระโดดเป็นตัวอย่างของการเชื่อมโยงระหว่างพารามิเตอร์ทางจิตวิทยากับสิ่งที่ไม่ใช่ทางจิตวิทยา ผลลัพธ์ที่ได้เผยให้เห็นคุณสมบัติของอิทธิพลของสติปัญญาต่อกิจกรรมการศึกษาและการกีฬา
บทสรุปของการศึกษาของนักเรียนที่ปรุงขึ้นอาจมีหน้าตาดังนี้:
- มีการเปิดเผยความสัมพันธ์เชิงบวกที่สำคัญระหว่างความฉลาดของนักเรียนและผลการเรียนของพวกเขา
- มีความสัมพันธ์เชิงลบอย่างมีนัยสำคัญระหว่าง IQ และความสำเร็จในการสื่อสารกับเพศตรงข้าม
- ไม่มีความเชื่อมโยงระหว่าง IQ ของนักเรียนกับความสามารถในการกระโดด
ดังนั้นระดับความฉลาดของนักเรียนจึงทำหน้าที่เป็นปัจจัยเชิงบวกต่อผลการเรียนของพวกเขาในขณะเดียวกันก็ส่งผลเสียต่อความสัมพันธ์กับเพศตรงข้ามและไม่ส่งผลกระทบอย่างมีนัยสำคัญต่อความสำเร็จด้านกีฬาโดยเฉพาะความสามารถในการกระโดด
ดังที่เราเห็น ความฉลาดช่วยให้นักเรียนเรียนรู้ แต่ขัดขวางไม่ให้พวกเขาสร้างความสัมพันธ์กับเพศตรงข้าม อย่างไรก็ตาม มันไม่ส่งผลกระทบต่อความสำเร็จด้านกีฬาของพวกเขา
อิทธิพลที่คลุมเครือของสติปัญญาต่อบุคลิกภาพและกิจกรรมของนักเรียนสะท้อนให้เห็นถึงความซับซ้อนของปรากฏการณ์นี้ในโครงสร้างของลักษณะส่วนบุคคลและความสำคัญของการวิจัยต่อเนื่องในทิศทางนี้ โดยเฉพาะอย่างยิ่ง การวิเคราะห์ความสัมพันธ์ระหว่างความฉลาดกับลักษณะทางจิตวิทยาและกิจกรรมของนักเรียนดูเหมือนเป็นสิ่งสำคัญ โดยคำนึงถึงเพศของพวกเขาด้วย
สัมประสิทธิ์เพียร์สันและสเปียร์แมน
ลองพิจารณาวิธีการคำนวณสองวิธี
ค่าสัมประสิทธิ์เพียร์สันเป็นวิธีพิเศษในการคำนวณความสัมพันธ์ระหว่างตัวบ่งชี้ระหว่างความรุนแรงของ ค่าตัวเลขในกลุ่มเดียว พูดง่ายๆ ก็คือ:
- มีการใช้ค่าของพารามิเตอร์สองตัวในกลุ่มวิชา (เช่น ความก้าวร้าวและความสมบูรณ์แบบ)
- พบค่าเฉลี่ยของแต่ละพารามิเตอร์ในกลุ่ม
- พบความแตกต่างระหว่างพารามิเตอร์ของแต่ละวิชาและค่าเฉลี่ย
- ความแตกต่างเหล่านี้จะถูกแทนที่ด้วยรูปแบบพิเศษเพื่อคำนวณค่าสัมประสิทธิ์เพียร์สัน
ค่าสัมประสิทธิ์สหสัมพันธ์อันดับของ Spearman คำนวณในลักษณะเดียวกัน:
- มีการใช้ค่าของตัวบ่งชี้สองตัวในกลุ่มวิชา
- จะพบอันดับของแต่ละปัจจัยในกลุ่ม นั่นคือ ตำแหน่งในรายการโดยเรียงจากน้อยไปหามาก
- พบความแตกต่างของอันดับ กำลังสอง และผลรวม
- ถัดไป ความแตกต่างของอันดับจะถูกแทนที่ด้วยรูปแบบพิเศษเพื่อคำนวณค่าสัมประสิทธิ์สเปียร์แมน
ในกรณีของเพียร์สัน การคำนวณดำเนินการโดยใช้ค่าเฉลี่ย ผลที่ตามมา ค่าผิดปกติแบบสุ่มในข้อมูล (ความแตกต่างอย่างมีนัยสำคัญจากค่าเฉลี่ย) เช่น เนื่องจากข้อผิดพลาดในการประมวลผลหรือการตอบสนองที่ไม่น่าเชื่อถือ อาจทำให้ผลลัพธ์บิดเบือนไปอย่างมาก
ในกรณีของ Spearman ค่าสัมบูรณ์ของข้อมูลจะไม่มีบทบาทเนื่องจากมีเพียงค่าเท่านั้น ตำแหน่งสัมพัทธ์สัมพันธ์กัน (อันดับ) นั่นคือข้อมูลที่ผิดปกติหรือความไม่ถูกต้องอื่นๆ จะไม่ส่งผลกระทบร้ายแรงต่อผลลัพธ์สุดท้าย
หากผลการทดสอบถูกต้อง ความแตกต่างระหว่างค่าสัมประสิทธิ์ Pearson และ Spearman จะไม่มีนัยสำคัญ ในขณะที่ค่าสัมประสิทธิ์ Pearson แสดงให้เห็นมากกว่า ค่าที่แน่นอนความสัมพันธ์ของข้อมูล
วิธีการคำนวณค่าสัมประสิทธิ์สหสัมพันธ์
สามารถคำนวณค่าสัมประสิทธิ์เพียร์สันและสเปียร์แมนได้ด้วยตนเอง ซึ่งอาจจำเป็นสำหรับการศึกษาวิธีการทางสถิติเชิงลึก
อย่างไรก็ตามในกรณีส่วนใหญ่เมื่อแก้ไขปัญหาที่ใช้รวมถึงในด้านจิตวิทยาก็เป็นไปได้ที่จะคำนวณโดยใช้โปรแกรมพิเศษ
การคำนวณโดยใช้สเปรดชีต Microsoft Excel
กลับมาที่ตัวอย่างกับนักเรียนอีกครั้งและพิจารณาข้อมูลเกี่ยวกับระดับสติปัญญาและความยาวของการกระโดดยืน มาป้อนข้อมูลนี้ (สองคอลัมน์) ลงในตาราง Excel
เลื่อนเคอร์เซอร์ไปที่เซลล์ว่าง คลิกตัวเลือก "แทรกฟังก์ชัน" และเลือก "CORREL" จากส่วน "สถิติ"
รูปแบบของฟังก์ชันนี้เกี่ยวข้องกับการเลือกอาร์เรย์ข้อมูลสองตัว: CORREL (อาร์เรย์ 1; อาร์เรย์") เราเน้นคอลัมน์ด้วย IQ และความยาวการกระโดดตามลำดับ
สเปรดชีต Excel จะใช้สูตรในการคำนวณค่าสัมประสิทธิ์เพียร์สันเท่านั้น
การคำนวณโดยใช้โปรแกรม STATISTICA
เราป้อนข้อมูลเกี่ยวกับหน่วยสืบราชการลับและข้ามความยาวลงในช่องข้อมูลเริ่มต้น ถัดไป เลือกตัวเลือก "การทดสอบแบบไม่อิงพารามิเตอร์", "สเปียร์แมน" เราเลือกพารามิเตอร์สำหรับการคำนวณและรับผลลัพธ์ดังต่อไปนี้
อย่างที่คุณเห็นการคำนวณให้ผลลัพธ์ 0.024 ซึ่งแตกต่างจากผลลัพธ์ของ Pearson - 0.038 ที่ได้รับข้างต้นด้วย ใช้ Excel- อย่างไรก็ตามความแตกต่างมีน้อย
การใช้การวิเคราะห์ความสัมพันธ์ในวิทยานิพนธ์จิตวิทยา (ตัวอย่าง)
หัวข้อส่วนใหญ่ของเอกสารคัดเลือกขั้นสุดท้ายในด้านจิตวิทยา (อนุปริญญา หลักสูตร ปริญญาโท) เกี่ยวข้องกับการดำเนินการวิจัยเชิงสหสัมพันธ์ (ส่วนที่เหลือเกี่ยวข้องกับการระบุความแตกต่างในตัวชี้วัดทางจิตวิทยาในกลุ่มต่างๆ)
คำว่า "ความสัมพันธ์" นั้นไม่ค่อยได้ยินในชื่อหัวข้อ - มันถูกซ่อนอยู่หลังสูตรต่อไปนี้:
- “ความสัมพันธ์ระหว่างความรู้สึกส่วนตัวของความเหงาและการตระหนักรู้ในตนเองในสตรีวัยผู้ใหญ่”;
- “คุณสมบัติของอิทธิพลของความยืดหยุ่นของผู้จัดการต่อความสำเร็จของการมีปฏิสัมพันธ์กับลูกค้าในสถานการณ์ความขัดแย้ง”;
- “ปัจจัยส่วนบุคคลในการต้านทานความเครียดของพนักงานกระทรวงสถานการณ์ฉุกเฉิน”
ดังนั้นคำว่า “ความสัมพันธ์” “อิทธิพล” และ “ปัจจัย” จึงเป็นสัญญาณบ่งชี้ว่าวิธีการวิเคราะห์ข้อมูลในการศึกษาเชิงประจักษ์ควรเป็นการวิเคราะห์ความสัมพันธ์
ให้เราพิจารณาขั้นตอนของการดำเนินการโดยย่อเมื่อเขียนวิทยานิพนธ์ทางจิตวิทยาในหัวข้อ: "ความสัมพันธ์ระหว่างความวิตกกังวลส่วนบุคคลและความก้าวร้าวในวัยรุ่น"
1. ในการคำนวณจำเป็นต้องมีข้อมูลดิบซึ่งโดยปกติจะเป็นผลการทดสอบของวิชาต่างๆ พวกมันจะถูกป้อนลงในตารางสรุปและวางลงในแอปพลิเคชัน ตารางนี้จัดดังนี้:
- แต่ละบรรทัดมีข้อมูลสำหรับหนึ่งเรื่อง
- แต่ละคอลัมน์มีตัวชี้วัดในระดับเดียวสำหรับทุกวิชา
เรื่องเลขที่ |
ความวิตกกังวลด้านบุคลิกภาพ |
ความก้าวร้าว |
2. จำเป็นต้องตัดสินใจว่าจะใช้ค่าสัมประสิทธิ์ชนิดใดในสองประเภท - เพียร์สันหรือสเปียร์แมน - เราขอเตือนคุณว่า Pearson ให้ผลลัพธ์ที่แม่นยำยิ่งขึ้น แต่จะมีความอ่อนไหวต่อค่าผิดปกติของข้อมูล ค่าสัมประสิทธิ์สเปียร์แมนสามารถใช้กับข้อมูลใดก็ได้ (ยกเว้นระดับการเสนอชื่อ) ซึ่งเป็นเหตุผลว่าทำไมจึงมักใช้ในระดับจิตวิทยา
3. กรอกตารางข้อมูลดิบลงในโปรแกรมทางสถิติ
4. คำนวณค่า
5. ขั้นตอนต่อไปคือการพิจารณาว่าความสัมพันธ์มีความสำคัญหรือไม่ โปรแกรมทางสถิติเน้นผลลัพธ์ด้วยสีแดง ซึ่งหมายความว่าความสัมพันธ์มีนัยสำคัญทางสถิติที่ระดับนัยสำคัญ 0.05 (ดังที่ระบุไว้ข้างต้น)
อย่างไรก็ตาม การทราบวิธีกำหนดนัยสำคัญด้วยตนเองจะมีประโยชน์ ในการดำเนินการนี้ คุณจะต้องมีตารางค่าวิกฤตของ Spearman
ตารางค่าวิกฤตของสัมประสิทธิ์สเปียร์แมน
ระดับนัยสำคัญทางสถิติ |
|||
จำนวนวิชา |
พี=0.05 |
พี=0.01 |
พี=0.001 |
0,88 |
0,96 |
0,99 |
|
0,81 |
0,92 |
0,97 |
|
0,75 |
0,88 |
0,95 |
|
0,71 |
0,83 |
0,93 |
|
0,67 |
|||
0,63 |
0,77 |
0,87 |
|
0,74 |
0,85 |
||
0,58 |
0,71 |
0,82 |
|
0,55 |
0,68 |
||
0,53 |
0,66 |
0,78 |
|
0,51 |
0,64 |
0,76 |
เราสนใจในระดับนัยสำคัญ 0.05 และขนาดกลุ่มตัวอย่างของเราคือ 10 คน ที่จุดตัดของข้อมูลเหล่านี้ เราจะพบค่าวิกฤตของ Spearman: Rcr=0.63
กฎคือ: หากค่าสเปียร์แมนเชิงประจักษ์ที่ได้ผลลัพธ์มากกว่าหรือเท่ากับค่าวิกฤติ ก็จะมีนัยสำคัญทางสถิติ ในกรณีของเรา: Ramp (0.66) > Rcr (0.63) ดังนั้น ความสัมพันธ์ระหว่างความก้าวร้าวและความวิตกกังวลในกลุ่มวัยรุ่นจึงมีนัยสำคัญทางสถิติ
5. ในข้อความของวิทยานิพนธ์คุณต้องแทรกข้อมูลลงในตารางในรูปแบบคำไม่ใช่ตารางจากโปรแกรมทางสถิติ ด้านล่างตารางเราจะอธิบายผลลัพธ์ที่ได้รับและตีความ
ตารางที่ 1
ค่าสัมประสิทธิ์ความก้าวร้าวและความวิตกกังวลของสเปียร์แมนในกลุ่มวัยรุ่น
ความก้าวร้าว |
|
ความวิตกกังวลด้านบุคลิกภาพ |
0,665* |
* - มีนัยสำคัญทางสถิติ (น≤ 0,05)
การวิเคราะห์ข้อมูลที่นำเสนอในตารางที่ 1 แสดงให้เห็นว่ามีความสัมพันธ์เชิงบวกที่มีนัยสำคัญทางสถิติระหว่างความก้าวร้าวและความวิตกกังวลในวัยรุ่น ซึ่งหมายความว่ายิ่งความวิตกกังวลส่วนตัวของวัยรุ่นสูง ระดับความก้าวร้าวก็จะยิ่งสูงขึ้นตามไปด้วย ผลลัพธ์นี้ชี้ให้เห็นว่าความก้าวร้าวของวัยรุ่นเป็นวิธีหนึ่งในการคลายความวิตกกังวล ประสบกับความสงสัยในตนเองและความวิตกกังวลอันเนื่องมาจากภัยคุกคามต่อความภาคภูมิใจในตนเอง ซึ่งมีความละเอียดอ่อนโดยเฉพาะในวัยรุ่น วัยรุ่นมักใช้ พฤติกรรมก้าวร้าวการลดความวิตกกังวลในลักษณะต่อต้าน
6. เป็นไปได้ไหมที่จะพูดถึงอิทธิพลเมื่อตีความความเชื่อมโยง? เราบอกได้ไหมว่าความวิตกกังวลส่งผลต่อความก้าวร้าว? พูดอย่างเคร่งครัดไม่มี เราแสดงให้เห็นข้างต้นว่าความสัมพันธ์ระหว่างปรากฏการณ์มีความน่าจะเป็นในธรรมชาติ และสะท้อนให้เห็นเฉพาะความสอดคล้องของการเปลี่ยนแปลงในลักษณะในกลุ่มเท่านั้น ในเวลาเดียวกัน เราไม่สามารถพูดได้ว่าความสม่ำเสมอนี้เกิดจากข้อเท็จจริงที่ว่าปรากฏการณ์หนึ่งเป็นสาเหตุของอีกปรากฏการณ์หนึ่งและมีอิทธิพลต่อปรากฏการณ์นั้น นั่นคือการมีอยู่ของความสัมพันธ์ระหว่างพารามิเตอร์ทางจิตวิทยาไม่ได้ให้เหตุผลที่จะพูดถึงการมีอยู่ของความสัมพันธ์ระหว่างเหตุและผลระหว่างพวกเขา อย่างไรก็ตาม จากการปฏิบัติแสดงให้เห็นว่าคำว่า "อิทธิพล" มักใช้เมื่อวิเคราะห์ผลลัพธ์ของการวิเคราะห์ความสัมพันธ์
เครื่องคิดเลขด้านล่างนี้จะคำนวณค่าสัมประสิทธิ์สหสัมพันธ์ของสเปียร์แมนระหว่างตัวแปรสุ่มสองตัว ส่วนทางทฤษฎีจะเป็นแบบดั้งเดิมด้านล่างเครื่องคิดเลข
เพิ่ม นำเข้า_ส่งออก โหมด_แก้ไข ลบ
การเปลี่ยนแปลงของตัวแปรสุ่ม
arrow_upwardarrow_downward | arrow_upwardarrow_downward | ||
---|---|---|---|
โหมด_แก้ไข |
การเปลี่ยนแปลงของตัวแปรสุ่ม
นำเข้าข้อมูล เกิดข้อผิดพลาดในการนำเข้า
"หนึ่งในอักขระต่อไปนี้ใช้เพื่อแยกเขตข้อมูล: แท็บ อัฒภาค (;) หรือเครื่องหมายจุลภาค (,)" ตัวอย่าง: -50.5;-50.5
นำเข้า กลับ ยกเลิก
ตัวเลขหลังจุดทศนิยม: 4
คำนวณ
สัมประสิทธิ์สหสัมพันธ์ของสเปียร์แมน
บันทึก แบ่งปัน ส่วนขยาย
วิธีการคำนวณค่าสัมประสิทธิ์สหสัมพันธ์ของ Spearman นั้นค่อนข้างง่ายจริงๆ มันเหมือนกับการออกแบบค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson แต่ไม่ใช่สำหรับการวัดตัวแปรสุ่มเท่านั้น แต่สำหรับพวกมัน ค่าการจัดอันดับ.
เราต้องเข้าใจว่าค่าอันดับคืออะไรและเหตุใดจึงจำเป็นทั้งหมดนี้
หากองค์ประกอบของอนุกรมรูปแบบต่างๆ จัดเรียงจากน้อยไปหามากหรือมากไปหาน้อย อันดับขององค์ประกอบจะเป็นหมายเลขของเขาตามลำดับ
ตัวอย่างเช่น เรามีซีรี่ส์ที่แตกต่างกัน (17,26,5,14,21) ลองเรียงลำดับองค์ประกอบจากมากไปน้อย (26,21,17,14,5) 26 มีอันดับ 1, 21 - อันดับ 2 และอื่น ๆ ชุดค่าการจัดอันดับแบบแปรผันจะมีลักษณะเช่นนี้ (3,1,5,4,2)
เช่น. เมื่อคำนวณค่าสัมประสิทธิ์อนุกรมความแปรผันเริ่มต้นของ Spearman จะถูกแปลงเป็นอนุกรมแปรผันของค่าการจัดอันดับ จากนั้นจึงใช้สูตรของ Pearson กับค่าเหล่านั้น
.
มีความละเอียดอ่อนอย่างหนึ่ง - อันดับของค่าที่ซ้ำกันนั้นถือเป็นค่าเฉลี่ยของอันดับ นั่นคือสำหรับซีรีส์ (17, 15, 14, 15)ซีรีส์การจัดอันดับจะมีลักษณะดังนี้ (1, 2.5, 4, 2.5) เนื่องจากองค์ประกอบแรกคือ 15 มีอันดับ 2 และอันดับสองคือ 3 และ.
หากคุณไม่มีค่าซ้ำ นั่นคือค่าทั้งหมดของอนุกรมการจัดอันดับ - ตัวเลขระหว่าง 1 ถึง n สูตรของ Pearson สามารถทำให้ง่ายขึ้นได้
อย่างไรก็ตาม สูตรนี้มักถูกใช้เป็นสูตรในการคำนวณค่าสัมประสิทธิ์ของสเปียร์แมน
สาระสำคัญของการเปลี่ยนจากค่านิยมไปเป็นค่าอันดับคืออะไร?
เมื่อตรวจสอบความสัมพันธ์ของค่าการจัดอันดับคุณจะพบว่าฟังก์ชันโมโนโทนิกอธิบายการพึ่งพาของตัวแปรทั้งสองได้ดีเพียงใด
เครื่องหมายของค่าสัมประสิทธิ์บ่งบอกถึงทิศทางของความสัมพันธ์ระหว่างตัวแปร ถ้าเครื่องหมายเป็นบวก ค่าของ Y มีแนวโน้มเพิ่มขึ้นตามการเพิ่มขึ้นของ X ถ้าเครื่องหมายเป็นลบ ค่าของ Y มีแนวโน้มลดลงตามการเพิ่มขึ้นของ X ถ้าค่าสัมประสิทธิ์เป็น 0 ตรงนั้น ก็ไม่มีแนวโน้มแล้ว หากค่าสัมประสิทธิ์เท่ากับ 1 หรือ -1 ความสัมพันธ์ระหว่าง X และ Y จะมีลักษณะเป็นฟังก์ชันโมโนโทนิก เช่น ด้วยการเพิ่มขึ้นของ X, Y ก็เพิ่มขึ้นและในทางกลับกัน
นั่นคือ ไม่เหมือนกับค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน ซึ่งสามารถตรวจจับได้เฉพาะความสัมพันธ์เชิงเส้นของตัวแปรตัวหนึ่งจากอีกตัวแปรหนึ่งเท่านั้น ค่าสัมประสิทธิ์สหสัมพันธ์ของสเปียร์แมนสามารถตรวจจับการพึ่งพาแบบโมโนโทนิก โดยที่ไม่สามารถเปิดเผยความสัมพันธ์เชิงเส้นตรงโดยตรงได้
นี่คือตัวอย่าง
ให้ฉันอธิบายด้วยตัวอย่าง สมมติว่าเราตรวจสอบฟังก์ชัน y=10/x
เรามีหน่วยวัดของ X และ Y ดังต่อไปนี้
{{1,10}, {5,2}, {10,1}, {20,0.5}, {100,0.1}}
สำหรับข้อมูลนี้ ค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันจะเท่ากับ -0.4686 กล่าวคือ ความสัมพันธ์อ่อนแอหรือขาดหายไป และค่าสัมประสิทธิ์สหสัมพันธ์ของสเปียร์แมนนั้นเท่ากับ -1 อย่างเคร่งครัด ราวกับว่าเป็นการบอกเป็นนัยให้ผู้วิจัยทราบว่า Y มีการพึ่งพาแบบโมโนโทนิกเชิงลบอย่างมากจาก X
ในทางปฏิบัติ ค่าสัมประสิทธิ์สหสัมพันธ์อันดับสเปียร์แมน (P) มักใช้เพื่อกำหนดความใกล้ชิดของความสัมพันธ์ระหว่างสองคุณลักษณะ ค่าของแต่ละคุณลักษณะจะถูกจัดอันดับตามระดับการเพิ่มขึ้น (จาก 1 ถึง n) จากนั้นจะพิจารณาความแตกต่าง (d) ระหว่างอันดับที่สอดคล้องกับการสังเกตหนึ่งครั้ง
ตัวอย่างหมายเลข 1 ความสัมพันธ์ระหว่างปริมาณผลผลิตภาคอุตสาหกรรมและการลงทุนในทุนถาวรสำหรับ 10 ภูมิภาคของหนึ่งในนั้น เขตของรัฐบาลกลางสหพันธรัฐรัสเซียในปี 2546 มีข้อมูลดังต่อไปนี้
คำนวณ สเปียร์แมนจัดอันดับสัมประสิทธิ์สหสัมพันธ์และเคนดัล ตรวจสอบนัยสำคัญที่ α=0.05 กำหนดข้อสรุปเกี่ยวกับความสัมพันธ์ระหว่างปริมาณผลผลิตภาคอุตสาหกรรมและการลงทุนในทุนถาวรสำหรับภูมิภาคของสหพันธรัฐรัสเซียที่อยู่ระหว่างการพิจารณา
มากำหนดอันดับให้กับฟีเจอร์ Y และแฟคเตอร์ X กันดีกว่า ลองหาผลรวมของผลต่างของกำลังสอง d 2 กัน
เราคำนวณค่าสัมประสิทธิ์สหสัมพันธ์อันดับสเปียร์แมนโดยใช้เครื่องคิดเลข:
เอ็กซ์ | ย | อันดับ X, dx | อันดับ Y, dy | (ง x - วัน) 2 |
1.3 | 300 | 1 | 2 | 1 |
1.8 | 1335 | 2 | 12 | 100 |
2.4 | 250 | 3 | 1 | 4 |
3.4 | 946 | 4 | 8 | 16 |
4.8 | 670 | 5 | 7 | 4 |
5.1 | 400 | 6 | 4 | 4 |
6.3 | 380 | 7 | 3 | 16 |
7.5 | 450 | 8 | 5 | 9 |
7.8 | 500 | 9 | 6 | 9 |
17.5 | 1582 | 10 | 16 | 36 |
18.3 | 1216 | 11 | 9 | 4 |
22.5 | 1435 | 12 | 14 | 4 |
24.9 | 1445 | 13 | 15 | 4 |
25.8 | 1820 | 14 | 19 | 25 |
28.5 | 1246 | 15 | 10 | 25 |
33.4 | 1435 | 16 | 14 | 4 |
42.4 | 1800 | 17 | 18 | 1 |
45 | 1360 | 18 | 13 | 25 |
50.4 | 1256 | 19 | 11 | 64 |
54.8 | 1700 | 20 | 17 | 9 |
364 |
ความเชื่อมโยงระหว่างคุณลักษณะ Y และปัจจัย X นั้นแข็งแกร่งและตรงไปตรงมา
การประมาณค่าสัมประสิทธิ์สหสัมพันธ์อันดับของสเปียร์แมน
ใช้ตารางของนักเรียนเราจะพบ Ttable
ตาราง T = (18;0.05) = 1.734
เนื่องจาก Tob > Ttabl เราปฏิเสธสมมติฐานที่ว่าค่าสัมประสิทธิ์สหสัมพันธ์อันดับเท่ากับศูนย์ กล่าวอีกนัยหนึ่ง ค่าสัมประสิทธิ์สหสัมพันธ์อันดับของ Spearman มีนัยสำคัญทางสถิติ
การประมาณช่วงสำหรับค่าสัมประสิทธิ์สหสัมพันธ์อันดับ (ช่วงความเชื่อมั่น)
ช่วงความเชื่อมั่น
สำหรับค่าสัมประสิทธิ์สหสัมพันธ์อันดับของสเปียร์แมน: p(0.5431;0.9095)
ตัวอย่างหมายเลข 2 ข้อมูลเบื้องต้น
5 | 4 |
3 | 4 |
1 | 3 |
3 | 1 |
6 | 6 |
2 | 2 |
อันดับใหม่ | ||
1 | 1 | 1 |
2 | 2 | 2 |
3 | 3 | 3.5 |
4 | 3 | 3.5 |
5 | 5 | 5 |
6 | 6 | 6 |
หมายเลขที่นั่งในแถวที่เรียงลำดับ | การจัดปัจจัยตามการประเมินของผู้เชี่ยวชาญ | อันดับใหม่ |
1 | 1 | 1 |
2 | 2 | 2 |
3 | 3 | 3 |
4 | 4 | 4.5 |
5 | 4 | 4.5 |
6 | 6 | 6 |
อันดับ X, dx | อันดับ Y, dy | (ง x - วัน) 2 |
5 | 4.5 | 0.25 |
3.5 | 4.5 | 1 |
1 | 3 | 4 |
3.5 | 1 | 6.25 |
6 | 6 | 0 |
2 | 2 | 0 |
21 | 21 | 11.5 |
ที่ไหน
j - จำนวนการเชื่อมต่อตามลำดับคุณลักษณะ x;
และ j คือจำนวนลำดับที่เหมือนกันในการเชื่อมต่อ j-th ในหน่วย x;
k - จำนวนการเชื่อมต่อตามลำดับสำหรับคุณลักษณะ y;
ใน k - จำนวนอันดับที่เหมือนกันในการเชื่อมต่อ k-th ใน y
ก = [(2 3 -2)]/12 = 0.5
B = [(2 3 -2)]/12 = 0.5
ง = เอ + บี = 0.5 + 0.5 = 1
ความสัมพันธ์ระหว่างลักษณะ Y และปัจจัย X อยู่ในระดับปานกลางและตรง
ความสัมพันธ์แบบเพียร์สันคือการวัดความสัมพันธ์เชิงเส้นระหว่างตัวแปรสองตัว ช่วยให้คุณสามารถกำหนดได้ว่าความแปรปรวนของตัวแปรสองตัวเป็นสัดส่วนเท่าใด ถ้าตัวแปรเป็นสัดส่วนกัน ความสัมพันธ์ระหว่างตัวแปรทั้งสองสามารถแสดงเป็นเส้นตรงที่มีความชันเป็นบวก (สัดส่วนโดยตรง) หรือลบ (สัดส่วนผกผัน) ได้
ในทางปฏิบัติ ความสัมพันธ์ระหว่างตัวแปรสองตัว (หากมีตัวแปรเดียว) จะมีความน่าจะเป็นและมีลักษณะเป็นกราฟิกเหมือนกับเมฆกระจายรูปวงรี อย่างไรก็ตาม ทรงรีนี้สามารถแสดงได้ (โดยประมาณ) เป็นเส้นตรงหรือเส้นถดถอย เส้นถดถอยเป็นเส้นตรงที่สร้างขึ้นโดยใช้วิธีกำลังสองน้อยที่สุด: ผลรวมของระยะทางกำลังสอง (คำนวณตามแกน Y) จากแต่ละจุดบนแผนภูมิกระจายถึงเส้นตรงคือค่าต่ำสุด
สิ่งที่สำคัญเป็นพิเศษในการประเมินความแม่นยำของการทำนายคือความแปรปรวนของการประมาณค่าของตัวแปรตาม โดยพื้นฐานแล้ว ความแปรปรวนของการประมาณค่าของตัวแปรตาม Y คือส่วนหนึ่งของความแปรปรวนรวมที่เกิดจากอิทธิพลของตัวแปรอิสระ X กล่าวอีกนัยหนึ่งคือ อัตราส่วนของความแปรปรวนของค่าประมาณของตัวแปรตามต่อค่าจริง ความแปรปรวนเท่ากับกำลังสองของสัมประสิทธิ์สหสัมพันธ์
กำลังสองของสัมประสิทธิ์สหสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระแสดงถึงสัดส่วนของความแปรปรวนในตัวแปรตามที่เกิดจากอิทธิพลของตัวแปรอิสระ และเรียกว่าสัมประสิทธิ์การกำหนด ค่าสัมประสิทธิ์การกำหนดจึงแสดงให้เห็นขอบเขตที่ความแปรปรวนของตัวแปรหนึ่งเกิดขึ้น (กำหนด) โดยอิทธิพลของตัวแปรอีกตัวหนึ่ง
ค่าสัมประสิทธิ์การกำหนดมีข้อได้เปรียบที่สำคัญเหนือค่าสัมประสิทธิ์สหสัมพันธ์ ความสัมพันธ์ _________ ไม่ใช่ ฟังก์ชันเชิงเส้นการเชื่อมต่อระหว่างสองตัวแปร ดังนั้น ค่าเฉลี่ยเลขคณิตของค่าสัมประสิทธิ์สหสัมพันธ์สำหรับหลายตัวอย่างจึงไม่ตรงกับความสัมพันธ์ที่คำนวณได้ทันทีสำหรับทุกวิชาจากตัวอย่างเหล่านี้ (กล่าวคือ ค่าสัมประสิทธิ์สหสัมพันธ์ไม่ใช่การบวก) ในทางตรงกันข้าม ค่าสัมประสิทธิ์การกำหนดสะท้อนถึงความสัมพันธ์เชิงเส้นและเป็นค่าบวก โดยสามารถหาค่าเฉลี่ยได้จากหลายตัวอย่าง
ข้อมูลเพิ่มเติมความแรงของการเชื่อมต่อถูกระบุโดยค่าของสัมประสิทธิ์สหสัมพันธ์กำลังสอง - สัมประสิทธิ์การกำหนด: นี่เป็นส่วนหนึ่งของความแปรปรวนของตัวแปรหนึ่งที่สามารถอธิบายได้ด้วยอิทธิพลของตัวแปรอื่น ต่างจากค่าสัมประสิทธิ์สหสัมพันธ์ ค่าสัมประสิทธิ์การกำหนดจะเพิ่มขึ้นเป็นเส้นตรงกับความแรงของการเชื่อมต่อที่เพิ่มขึ้น
ค่าสัมประสิทธิ์สหสัมพันธ์ของสเปียร์แมนและ τ-เคนดัลล์ (ความสัมพันธ์อันดับ)
หากตัวแปรทั้งสองที่กำลังศึกษาความสัมพันธ์ถูกนำเสนอในระดับลำดับ หรือหนึ่งในนั้นอยู่ในระดับลำดับและอีกตัวแปรหนึ่งอยู่ในระดับเมตริก จะใช้ค่าสัมประสิทธิ์สหสัมพันธ์อันดับ: สเปียร์แมนหรือ τ-เคนเดลล์ ค่าสัมประสิทธิ์ทั้งสองต้องมีการจัดอันดับเบื้องต้นของตัวแปรทั้งสองสำหรับการใช้งาน
ค่าสัมประสิทธิ์สหสัมพันธ์อันดับของสเปียร์แมนเป็นวิธีการแบบไม่อิงพารามิเตอร์ ซึ่งใช้เพื่อวัตถุประสงค์ในการศึกษาความสัมพันธ์ระหว่างปรากฏการณ์ทางสถิติ ในกรณีนี้ ระดับที่แท้จริงของความขนานระหว่างชุดเชิงปริมาณสองชุดของคุณลักษณะที่ศึกษาจะถูกกำหนด และการประเมินความใกล้ชิดของการเชื่อมต่อที่สร้างขึ้นนั้นจะได้รับโดยใช้สัมประสิทธิ์ที่แสดงเชิงปริมาณ
หากสมาชิกของกลุ่มขนาดได้รับการจัดอันดับเป็นอันดับแรกด้วยตัวแปร x แล้วตามด้วยตัวแปร y ดังนั้นความสัมพันธ์ระหว่างตัวแปร x และ y ก็สามารถหาได้ง่ายๆ โดยการคำนวณค่าสัมประสิทธิ์เพียร์สันสำหรับการจัดอันดับทั้งสองชุด หากไม่มีความสัมพันธ์ของอันดับ (กล่าวคือ ไม่มีอันดับซ้ำ) สำหรับตัวแปรตัวใดตัวหนึ่ง สูตร Pearson สามารถทำให้คำนวณง่ายขึ้นอย่างมาก และแปลงเป็นสิ่งที่เรียกว่าสูตร Spearman
พลังของค่าสัมประสิทธิ์สหสัมพันธ์อันดับสเปียร์แมนค่อนข้างด้อยกว่าพลังของค่าสัมประสิทธิ์สหสัมพันธ์แบบพาราเมตริก
ขอแนะนำให้ใช้ค่าสัมประสิทธิ์สหสัมพันธ์อันดับเมื่อมีการสังเกตจำนวนน้อย วิธีการนี้สามารถใช้ได้ไม่เพียง แต่สำหรับข้อมูลเชิงปริมาณเท่านั้น แต่ยังใช้ในกรณีที่ค่าที่บันทึกไว้ถูกกำหนดโดยคุณสมบัติเชิงพรรณนาที่มีความเข้มต่างกัน
ค่าสัมประสิทธิ์สหสัมพันธ์อันดับของสเปียร์แมนที่ ปริมาณมากอันดับที่เท่ากันสำหรับตัวแปรที่เปรียบเทียบหนึ่งหรือทั้งสองตัวจะให้ค่าที่หยาบ ตามหลักการแล้ว อนุกรมที่สัมพันธ์กันทั้งสองควรแสดงลำดับของค่าที่แตกต่างกันสองลำดับ
อีกทางเลือกหนึ่งสำหรับความสัมพันธ์ของสเปียร์แมนสำหรับอันดับคือความสัมพันธ์ τ-เคนดัลล์ ความสัมพันธ์ที่เสนอโดย M. Kendall มีพื้นฐานอยู่บนแนวคิดที่ว่าทิศทางของการเชื่อมต่อสามารถตัดสินได้โดยการเปรียบเทียบวัตถุที่เป็นคู่: หากวัตถุคู่หนึ่งมีการเปลี่ยนแปลงใน x ซึ่งเกิดขึ้นพร้อมกันในทิศทางที่มีการเปลี่ยนแปลงใน y สิ่งนี้บ่งชี้ว่า การเชื่อมต่อเชิงบวก หากไม่ตรงกัน - จากนั้นจะเป็นการเชื่อมต่อเชิงลบ