Likert ölçeklerinin kullanıldığı bir dizi ölçümde korelasyon yapmak istiyorum. Dağılım grafiklerine bakıldığında, doğrusallık ve homoscedastisite varsayımlarının ihlal edilmiş olduğu anlaşılmaktadır.
Yanıtlar:
Bu sitede birkaç kez ilgili sorular soruldu. Ödeme
Deneyimlerime göre, likert ölçeğinin aksine bir likert maddesinde analiz yürütme arasında bir fark var. Likert ölçeği, birden çok öğenin toplamıdır. Birden fazla öğe toplandıktan sonra likert ölçekleri daha fazla olası değer elde eder, elde edilen ölçek daha az topaklıdır. Bu tür ölçekler çoğu zaman araştırmacıların sürekli olarak davranmaya hazır oldukları yeterli sayıda puana sahiptir. Tabii ki, bazıları bunun biraz daha cavalier olduğunu ve psikometriklerde psikolojik ve ilgili yapıların en iyi nasıl ölçüleceği hakkında çok şey yazıldığını iddia ediyorlardı.
Psikolojide dergi makaleleri okumaktan aldığım sıradan gözlemlerimden, çok maddeli likert ölçekleri arasındaki iki değişkenli ilişkilerin çoğunluğu Pearson korelasyon katsayısı kullanılarak analiz edildi. Burada kişilik, zeka, tutumlar, esenlik vb. Ölçekleri düşünüyorum. Bunun gibi ölçekleriniz varsa, sonuçlarınızın Pearson'un baskın seçenek olabileceği önceki sonuçlarla karşılaştırılacağını düşünmeye değer.
Pearson'u Spearman (ve belki de Kendall's tau) ile karşılaştırmak ilginç bir alıştırmadır. Bununla birlikte, hangi istatistiğin kullanılacağına karar vermeye devam edersiniz ve bu sonuçta iki değişkenli ilişkinin hangi tanımına sahip olduğunuza bağlıdır.
Bir korelasyon katsayısı Homossedastisite olmasa bile iki değişken arasındaki doğrusal ilişkinin doğru bir özetidir (veya belki de hiçbir değişkenin bağımlı bir değişken olmadığı göz önüne alındığında iki değişkenli normallik demeliyiz).
İki değişkeniniz arasında doğrusal olmayan bir ilişki varsa, bu ilginçtir. Bununla birlikte, her iki değişken de sürekli değişkenler olarak ele alınabilir ve böylece Pearson'u kullanmaya devam edebilirsiniz. Örneğin, yaş genellikle gelir gibi diğer değişkenlerle ters-U ilişkisine sahiptir, ancak yaş hala sürekli bir değişkendir.
Bir saçılma grafiği oluşturmanızı ve doğrusal olmayan ilişkileri keşfetmek için bazı düzleştirilmiş uyumlar (spline veya LOESS gibi) kullanmanızı öneririm. İlişki gerçekten doğrusal değilse, doğrusal bir ilişki böyle bir ilişkiyi tanımlamak için en iyi seçenek değildir. Daha sonra polinom veya doğrusal olmayan regresyonu keşfetmek isteyebilirsiniz.
Neredeyse kesinlikle Spearman'ın rho veya Kendall's tau'yu tercih etmelisin. Genellikle, veriler normal değilse ancak varyanslar eşitse, büyük miktarda fark yaratmadığı için Pearson r'a gidebilirsiniz. Varyanslar önemli ölçüde farklıysa, parametrik olmayan bir yönteme ihtiyacınız vardır.
Muhtemelen Spearman'ın Rho kullanımını desteklemek için hemen hemen her giriş istatistik kitabından alıntı yapabilirsiniz.
Güncelleme: eğer doğrusallık varsayımı ihlal edilirse, doğrusal bir ilişki varsaydığı için verilerinizde Pearson korelasyon katsayısını kullanmamalısınız. Spearman Rho, doğrusallık olmadan kabul edilebilir ve değişkenler arasında daha genel monotonik ilişkiler içindir. Pearson korelasyon katsayısını kullanmak istiyorsanız, verilerinizi dönüştüren günlüğe bakabilirsiniz, çünkü bu doğrusal olmama durumuyla ilgilenebilir.
bir şey, korelasyonun genel olarak ilişkide doğrusallık gerektirdiğinden emin. şimdi verilerinizin bir şekilde eğri şeklinde olduğunu söylüyorsunuz, bu nedenle doğrusal olmayan regresyon sol seçenek