สเปียร์แมนหรือเพียร์สันมีความสัมพันธ์กับสเกล Likert ซึ่งอาจมีการละเมิดความเป็นเชิงเส้นและ homoscedasticity

ฉันต้องการเรียกใช้สหสัมพันธ์กับการวัดจำนวนหนึ่งที่ใช้เครื่องชั่ง Likert เมื่อมองไปที่ scatterplots ดูเหมือนว่าสมมติฐานของ linearity และ homoscedasticity อาจถูกละเมิด

• ระบุว่าดูเหมือนจะมีการถกเถียงกันเกี่ยวกับการจัดระดับลำดับตามช่วงเวลาฉันควรจะเล่นให้ปลอดภัยและใช้ Rho ของ Spearman มากกว่า Pearson's r?
• มีการอ้างอิงที่ฉันสามารถอ้างอิงถ้าฉันไปกับ Rho Spearman ของ?

คำตอบก่อนหน้าในเว็บไซต์นี้:

มีการถามคำถามที่เกี่ยวข้องในเว็บไซต์นี้สองสามครั้ง เช็คเอาท์

• ว่าจะปฏิบัติต่อสเกล likert เป็นลำดับหรือช่วงเวลา
• เลือกระหว่างเพียร์สันและสเปียร์แมนสหสัมพันธ์
• Spearman หรือ Pearson ที่มีข้อมูลไม่ปกติ

เครื่องชั่งเทียบกับรายการ:

จากประสบการณ์ของฉันมีความแตกต่างระหว่างการวิเคราะห์การทำงานในรายการ likert ซึ่งแตกต่างจากสเกลของ likert สเกล likert คือผลรวมของหลายรายการ หลังจากรวมรายการหลายรายการแล้วเครื่องชั่ง likert จะได้รับค่าที่เป็นไปได้มากขึ้น เครื่องชั่งดังกล่าวมักมีคะแนนที่เพียงพอที่นักวิจัยหลายคนเตรียมไว้สำหรับการรักษาอย่างต่อเนื่อง แน่นอนว่าบางคนอาจโต้แย้งว่านี่เป็นนักรบม้าและมีคนเขียนไว้ในไซโครเมตริกเกี่ยวกับวิธีการวัดทางจิตวิทยาและโครงสร้างที่ดีที่สุด

มาตรฐานการปฏิบัติในสังคมศาสตร์:

จากการสังเกตอย่างไม่เป็นทางการของฉันจากการอ่านบทความในวารสารจิตวิทยาความสัมพันธ์แบบแบ่งส่วนสองส่วนระหว่างมาตราส่วน likert หลายรายการถูกวิเคราะห์โดยใช้สัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน ที่นี่ฉันกำลังคิดเกี่ยวกับตาชั่งเช่นบุคลิกภาพสติปัญญาทัศนคติความเป็นอยู่ที่ดีและอื่น ๆ หากคุณมีเครื่องชั่งน้ำหนักเช่นนี้คุณควรพิจารณาว่าผลลัพธ์ของคุณจะถูกนำไปเปรียบเทียบกับผลลัพธ์ก่อนหน้าซึ่งเพียร์สันอาจเป็นตัวเลือกที่สำคัญ

เปรียบเทียบวิธีการ:

มันเป็นแบบฝึกหัดที่น่าสนใจในการเปรียบเทียบ Pearson's กับ Spearman's (และอาจเป็นเอกภาพของ Kendall ด้วย) อย่างไรก็ตามคุณยังคงมีการตัดสินใจที่จะใช้สถิติและท้ายที่สุดนี้ขึ้นอยู่กับคำนิยามที่คุณมีในการเชื่อมโยงกับตัวแปรที่เกี่ยวข้อง

heteroscedasticity

สัมประสิทธิ์สหสัมพันธ์เป็นบทสรุปที่ถูกต้องของความสัมพันธ์เชิงเส้นระหว่างตัวแปรสองตัวแม้ในกรณีที่ไม่มี Homoscedasticity (หรือบางทีเราควรจะบอกว่าภาวะปกติของตัวแปร bivariate เนื่องจากตัวแปรทั้งสองไม่เป็นตัวแปรตาม)

ไม่เป็นเชิงเส้น

หากมีความสัมพันธ์แบบไม่เป็นเชิงเส้นระหว่างตัวแปรสองตัวของคุณสิ่งนี้น่าสนใจ อย่างไรก็ตามตัวแปรทั้งสองยังคงสามารถใช้เป็นตัวแปรต่อเนื่องได้ดังนั้นคุณยังคงสามารถใช้เพียร์สันได้ ตัวอย่างเช่นอายุมักมีความสัมพันธ์แบบกลับด้านกับตัวแปรอื่นเช่นรายได้ แต่อายุยังคงเป็นตัวแปรต่อเนื่อง

ฉันขอแนะนำให้คุณสร้างพล็อตกระจายและปรับให้พอดีกับแบบเรียบ (เช่นเส้นโค้งหรือลอย) เพื่อสำรวจความสัมพันธ์ที่ไม่ใช่เชิงเส้น หากความสัมพันธ์นั้นไม่ใช่เชิงเส้นจริง ๆ แล้วความสัมพันธ์เชิงเส้นนั้นไม่ใช่ตัวเลือกที่ดีที่สุดสำหรับการอธิบายความสัมพันธ์ดังกล่าว จากนั้นคุณอาจต้องการสำรวจการถดถอยพหุนามหรือไม่เชิงเส้น

คุณควรไปหา Rho's Spearman หรือเอกภาพของ Kendall อย่างแน่นอน บ่อยครั้งหากข้อมูลไม่ปกติ แต่ความแปรปรวนเท่ากันคุณสามารถไปหาเพียร์สันได้เนื่องจากมันไม่ได้สร้างความแตกต่างจำนวนมาก หากความแปรปรวนแตกต่างกันอย่างมีนัยสำคัญคุณต้องใช้วิธีการที่ไม่ใช้พารามิเตอร์

คุณอาจอ้างอิงตำราเรียนสถิติเบื้องต้นเกือบทั้งหมดเพื่อสนับสนุนการใช้ Rho ของ Spearman

อัปเดต: หากข้อสันนิษฐานของความเป็นเชิงเส้นถูกละเมิดคุณไม่ควรใช้สัมประสิทธิ์สหสัมพันธ์เพียร์สันกับข้อมูลของคุณเนื่องจากมันถือว่ามีความสัมพันธ์เชิงเส้น Rho ของ Spearman นั้นเป็นที่ยอมรับโดยไม่มีความเป็นเส้นตรงและมีความหมายสำหรับความสัมพันธ์แบบ monotonic ทั่วไประหว่างตัวแปร ถ้าคุณต้องการใช้สัมประสิทธิ์สหสัมพันธ์ของเพียร์สันคุณสามารถดูบันทึกการเปลี่ยนแปลงข้อมูลของคุณเพราะมันอาจจัดการกับความไม่เชิงเส้น

สิ่งหนึ่งที่ค่อนข้างแน่ใจว่าความสัมพันธ์นั้นต้องการความเป็นเส้นตรงในความสัมพันธ์โดยทั่วไป ตอนนี้คุณบอกว่าข้อมูลของคุณมีรูปร่างค่อนข้างโค้งดังนั้นการถดถอยแบบไม่เชิงเส้นจึงเป็นตัวเลือกทางซ้าย