[МУЗЫКА] [МУЗЫКА]
[МУЗЫКА] Уважаемые слушатели,
данный урок посвящен ранговой корреляции в пакете SPSS.
Рассматривать ранговые коэффициенты корреляции мы будем с вами на том же
примере, который рассматривали в пакете Statistica:
это оценки школьников по четырем различным дисциплинам — математика, физика,
литература и иностранный язык.
Давайте для начала импортируем данные в пакет, так же,
как мы это делали ранее: «Файл», «Открыть», «Данные».
Далее в папке Stat выбираем файлы типа Excel
и выбираем файл с оценками, которые сейчас занесены в экселевскую таблицу.
Данные заносим
с первого листа, считывая переменные с первой строки.
Вот у нас импортировались эти данные, первый столбец соответствует оценкам
по математике, второй — по физике, далее литература и иностранный язык.
Но первое, что мы должны сделать, как обычно,
это разобраться с типом наших переменных.
Заходим на вкладку «Представление переменных» и смотрим,
что у нас получилось, в каком виде импортировались наши данные.
Все эти переменные, естественно, числовые, но нам не нужны знаки после запятой.
То есть мы будем рассматривать только целочисленные значения 3, 4, 5.
Убираем значения после запятой, а далее, самое главное для нас это то,
в какой шкале измеряются соответствующие величины.
Сейчас по умолчанию у нас стоит шкала номинальная,
но данные оценки представляют собой порядковые величины.
Поэтому мы должны изменить тип шкалы и перевести все
переменные в порядковую шкалу.
Вот теперь все наши данные соответствуют,
и мы можем переходить к расчетам корреляции.
Не будем рассматривать уже так подробно, сама постановка задачи у нас достаточно
хорошо разобрана при рассмотрении ранговой корреляции в пакете Statistica.
А сейчас мы просто посчитаем значения ранговых коэффициентов корреляции для
этих значений в пакете SPSS.
Для того чтобы рассчитать порядковые коэффициенты корреляции,
или коэффициенты ранговой корреляции,
мы заходим в раздел «Анализ», «Корреляции», «Парные».
Выбираем все имеющиеся переменные — это можно
сделать сочетанием клавиш Ctrl + A, выделив все.
И переносим их в лист переменных, для которых будут производиться расчеты.
Поскольку мы будем считать порядковую корреляцию,
нам из предложенных корреляционных коэффициентов нужно
выбрать коэффициент Кендалла и коэффициент Спирмена.
Коэффициент Пирсона в данном случае некорректен,
поэтому эту галочку мы можем снять.
Посмотрим, что предлагается нам в настройках параметров.
Поскольку мы выбрали неколичественную статистику,
расчет средних значений и стандартных отклонений у нас недоступны,
так же как и остальные количественные характеристики.
Также имеется блок обработки пропущенных значений: это либо попарные исключения,
либо исключения наблюдений целиком.
Соответственно, в английской версии такой параметр называется pairwise или casewise.
Это мы не выбираем, потому что у нас сейчас пропусков в
нашей таблице нет и необходимости указывать что-то дополнительно нет.
Поэтому здесь мы продолжаем наш анализ.
Далее при проверке значимости мы можем выбрать односторонний
критерий либо двусторонний.
В данном случае мы будем использовать двусторонний, так как нам неважно,
в какую сторону отклоняется от нуля значение.
Главное, при проверке гипотезы о незначимости корреляционного
коэффициента мы будем сравнивать его с нулем и будем отклонять эту гипотезу,
когда он будет существенно превышать критическое значение, как в большую,
положительную, так и в меньшую, то есть отрицательную сторону.
Также можно пометить значимые корреляции,
сейчас мы в таблице посмотрим, как это будет выглядеть.
Нажимаем OK для расчета таблицы парных коэффициентов ранговой корреляции.
И вот у нас появилась таблица со всеми парными коэффициентами.
Верхняя часть таблицы соответствует коэффициенту корреляции Кендалла,
нижняя часть таблицы соответствует значению корреляции Спирмена.
Естественно, на диагоналях корреляционные коэффициенты
равны 1 и в первом, и во втором случае.
А на недиагональных элементах у нас стоят парные корреляции соответствующих
переменных: математика с физикой, математика с литературой,
математика с иностранным языком, и так далее по всем четырем переменным.
Аналогичные значения мы получаем для коэффициента ранговой корреляции Спирмена.
Как видите, значения достаточно близки, но тем не менее отличаются,
так как они рассчитываются по разным соотношениям.
В первых строках везде указывается значение соответствующего
рангового коэффициента корреляции, далее следует значение p-value
для проверки гипотезы о значимости коэффициента, и в последней строке
мы видим объем наблюдений, но он абсолютно одинаков для всех, так как наша исходная
таблица содержит ровно 25 наблюдений по каждой переменной без пропусков.
Также здесь мы указали, что нам нужно помечать значимые корреляции.
В данном случае пакет SPSS двумя звездочками помечает корреляции,
которые являются значимыми на уровне 0,01 при двусторонней альтернативе.
То есть мы видим, что значимой корреляцией у нас является корреляция
между дисциплинами математика и физика и так
же аналогично между литературой и иностранным языком,
причем для обоих коэффициентов, как для коэффициента корреляции Кендалла,
так и для коэффициента корреляции Спирмена.
Все остальные корреляции являются незначимыми.
Этот результат аналогичен тому, что мы получили с вами в пакете Statistica.
[МУЗЫКА]
[МУЗЫКА]
Кабанова Татьяна Валерьевна
