ในกรณีใดที่หนึ่งควรชอบหนึ่งมากกว่าอีก?
ฉันพบคนที่อ้างว่าเป็นประโยชน์สำหรับเคนดัลล์ด้วยเหตุผลด้านการสอนมีเหตุผลอื่นอีกไหม?
ในกรณีใดที่หนึ่งควรชอบหนึ่งมากกว่าอีก?
ฉันพบคนที่อ้างว่าเป็นประโยชน์สำหรับเคนดัลล์ด้วยเหตุผลด้านการสอนมีเหตุผลอื่นอีกไหม?
คำตอบ:
ฉันพบว่าความสัมพันธ์ของสเปียร์แมนส่วนใหญ่ใช้แทนที่ความสัมพันธ์เชิงเส้นปกติเมื่อทำงานกับคะแนนจำนวนเต็มในระดับการวัดเมื่อมันมีคะแนนที่เป็นไปได้ในระดับปานกลางหรือเมื่อเราไม่ต้องการพึ่งพาสมมติฐานเกี่ยวกับความสัมพันธ์แบบสองตัวแปร . เมื่อเทียบกับค่าสัมประสิทธิ์ของเพียร์สันการตีความเอกภาพของเคนดัลล์ดูเหมือนว่าฉันโดยตรงน้อยกว่าของ Rho ของสเปียร์แมนในแง่ที่ว่าปริมาณของความแตกต่างระหว่าง% ของคู่ที่ไม่ลงรอยกันและไม่ลงรอยกัน ในความเข้าใจของฉันเอกภาพเคนดอลอย่างใกล้ชิดคล้ายกับสามี-Kruskal แกมมา
ฉันเพิ่งอ่านบทความจาก Larry Winner ใน J. Statistics Educ (2006) ซึ่งกล่าวถึงการใช้มาตรการทั้งสองนาสคาร์วินสตันถ้วยสำหรับผลการแข่งขัน 1975-2003
ฉันยังพบ@onestopคำตอบเกี่ยวกับความสัมพันธ์ของ Pearson หรือ Spearman กับข้อมูลที่ไม่ปกติที่น่าสนใจในส่วนนี้
โน้ตเอกภาพเคนดอล (คนรุ่น) มีการเชื่อมต่อกับซอมเมอร์ D (และ Harrell ของ C) ใช้สำหรับการสร้างแบบจำลองการคาดการณ์ (ดูเช่นการตีความของซอมเมอร์ D ภายใต้สี่รุ่นที่เรียบง่ายโดย RB Newson และอ้างอิง6นั้นและบทความโดย Newson เผยแพร่ใน Stata Journal 2006) ภาพรวมของการทดสอบผลรวมอันดับมีให้ในการคำนวณที่มีประสิทธิภาพของช่วงความเชื่อมั่นของ Jackknife สำหรับสถิติอันดับที่เผยแพร่ใน JSS (2006)
ฉันอ้างถึงสุภาพบุรุษผู้มีเกียรติกับคำตอบก่อนหน้าของฉัน : "... ช่วงความมั่นใจสำหรับ Spearman's r Sนั้นมีความน่าเชื่อถือน้อยกว่าและสามารถตีความได้น้อยกว่าช่วงความมั่นใจสำหรับพารามิเตอร์τของ Kendall" ตาม Kendall & Gibbons (1990)
คำตอบปรัชญาค่อนข้างอีกครั้ง; ความแตกต่างพื้นฐานคือว่า Spearman's Rho เป็นความพยายามที่จะขยายความคิด R ^ 2 (= "อธิบายความแปรปรวน") เกี่ยวกับการปฏิสัมพันธ์แบบไม่เชิงเส้นในขณะที่ Kendall's Tau นั้นค่อนข้างจะเป็นสถิติสำหรับการทดสอบความสัมพันธ์แบบไม่เชิงเส้น ดังนั้นควรใช้ Tau เพื่อทดสอบความสัมพันธ์แบบไม่เชิงเส้น Rho เป็นส่วนขยาย R (หรือสำหรับคนที่คุ้นเคยกับ R ^ 2 - การอธิบาย Tau ให้ผู้ชมที่ไม่สงสัยในเวลา จำกัด นั้นเจ็บปวด)
นี่เป็นคำพูดจากแอนดรูกิลพิน (1993) เกื้อหนุนเคนดอลτกว่าสเปียร์แมนρด้วยเหตุผลทางทฤษฎี:
"[Kendall's ] เข้าใกล้การแจกแจงแบบปกติเร็วกว่า , เป็น , ขนาดตัวอย่าง, การเพิ่ม; และยังสามารถใช้ในทางคณิตศาสตร์ได้ง่ายขึ้น, โดยเฉพาะอย่างยิ่งเมื่อมีสายสัมพันธ์"
Gilpin, AR (1993) ตารางสำหรับการแปลง Tend ของ Kendall เป็น Spearman's Rho ภายในมาตรการบริบทของขนาดของผลกระทบสำหรับการวิเคราะห์อภิมาน การวัดทางการศึกษาและจิตวิทยา, 53 (1), 87-92
FWIW คำพูดจาก Myers & Well (การออกแบบการวิจัยและการวิเคราะห์ทางสถิติ, รุ่นที่สอง, 2003, p. 510) หากคุณยังสนใจเกี่ยวกับค่า p
Seigel และ Castellan (1988 สถิติที่ไม่ใช่พารามิเตอร์สำหรับพฤติกรรมศาสตร์) ชี้ให้เห็นว่าแม้ว่าและ Spearmanจะมีค่าที่แตกต่างกันเมื่อคำนวณสำหรับชุดข้อมูลเดียวกันเมื่อการทดสอบนัยสำคัญสำหรับและ Spearmanนั้นขึ้นอยู่กับ การแจกแจงตัวอย่างของพวกเขาพวกเขาจะให้ค่าp-เท่ากัน