Pearson相关系数(r) |指南与示例
的皮尔逊相关系数(r)是测量线性相关性最常用的方法。它是一个介于-1和1之间的数字,用来衡量两个变量之间关系的强度和方向。
皮尔逊相关系数(r) | 关联类型 | 解释 | 例子 |
---|---|---|---|
在0和1之间 | 正相关 | 当一个变量改变时,另一个变量在同一方向. | 宝宝身长体重: 婴儿出生时间越长,体重就越重。 |
0 | 没有相关 | 有没有关系变量之间。 | 汽车价格及雨刷宽度: 汽车的价格与雨刷的宽度无关。 |
之间的 0和-1 |
负相关 | 当一个变量改变时,另一个变量在相反的方向. | 标高及气压: 海拔越高,气压越低。 |
皮尔森相关系数是什么?
皮尔逊相关系数(r)是使用最广泛的相关系数,并有许多名称:
- 皮尔森的r
- 二元关联
- 皮尔逊积矩相关系数(PPMCC)
- 相关系数
皮尔森相关系数是a<一个href="//www.charpingshvac.com/statistics/descriptive-statistics/" data-wpel-link="internal">描述性统计,这意味着它总结了数据集的特征。具体来说,它描述了两个定量变量之间线性关系的强度和方向。
虽然解释的关系强度(也称为<一个href="//www.charpingshvac.com/statistics/effect-size/" data-wpel-link="internal">影响的大小)不同的学科,下表给出了一般的经验法则:
皮尔逊相关系数(r)值 | 强度 | 方向 |
---|---|---|
大于0.5 | 强大的 | 积极的 |
介于。3和。5之间 | 温和的 | 积极的 |
在0到。3之间 | 弱 | 积极的 |
0 | 没有一个 | 没有一个 |
在0到- 0.3之间 | 弱 | 负 |
在——之间。3和-。5 | 温和的 | 负 |
小于- 0.5 | 强大的 | 负 |
皮尔逊相关系数也是<一个href="//www.charpingshvac.com/statistics/inferential-statistics/" data-wpel-link="internal">推论统计,这意味着它可以被用来<一个href="//www.charpingshvac.com/statistics/hypothesis-testing/" data-wpel-link="internal">检验统计假设.具体来说,我们可以检验两个变量之间是否存在显著关系。
Pearson相关系数的可视化
另一种思考皮尔逊相关系数(r)是用来衡量观测结果与a的接近程度<一个href="//www.charpingshvac.com/statistics/simple-linear-regression/" data-wpel-link="internal">最佳拟合线.
皮尔逊相关系数还告诉你最佳拟合线的斜率是负的还是正的。当斜率为负时,r是负的。当斜率为正时,r是正的。
当r为1或-1时,所有点都恰好落在最佳拟合的直线上:
当r大于。5或小于-。5, the points are close to the line of best fit:
当r在0和。3之间或者0和-之间。3、各点距离最佳拟合线较远:
当r为0时,最佳拟合线对描述变量之间的关系没有帮助:
以下是学生们喜欢Scribbr校对服务的原因
何时使用皮尔逊相关系数
皮尔逊相关系数(r)是其中之一<一个href="//www.charpingshvac.com/statistics/correlation-coefficient/" data-wpel-link="internal">相关系数当你想要衡量相关性时,你需要在两者之间做出选择。皮尔逊相关系数是一个很好的选择所有以下是正确的:
- 两个变量都是定量:如果其中一个变量是<一个href="//www.charpingshvac.com/methodology/qualitative-research/" data-wpel-link="internal">定性.
- 变量是正态分布:您可以为每个变量创建一个直方图,以验证分布是否近似正态分布。这不是问题,如果<一个href="//www.charpingshvac.com/methodology/types-of-variables/" data-wpel-link="internal">变量有点不正常。
- 数据显示没有离群值:异常值是与其他数据不遵循相同模式的观察值。散点图是检查异常值的一种方法——寻找远离其他点的点。
- 关系是线性的:“线性”意味着两个变量之间的关系可以用一条直线很好地描述。您可以使用散点图来检查两个变量之间的关系是否为线性关系。
Pearson和Spearman的等级相关系数
斯皮尔曼等级相关系数是另一个广泛使用的相关系数。这是比皮尔逊相关系数更好的选择一个或多个下列是正确的:
- 变量是<一个href="//www.charpingshvac.com/statistics/ordinal-data/" data-wpel-link="internal">序数.
- 变量不是<一个href="//www.charpingshvac.com/statistics/normal-distribution/" data-wpel-link="internal">正态分布.
- 数据包括异常值。
- 变量之间的关系是非线性的而且单调。
计算Pearson相关系数
以下是皮尔逊相关系数(r):
按照下面的分步指导,这个公式很容易使用。您还可以使用R或Excel等软件为您计算皮尔逊相关系数。
体重(公斤) | 长度(厘米) |
---|---|
3.63 | 53.1 |
3.02 | 49.7 |
3.82 | 48.4 |
3.42 | 54.2 |
3.59 | 54.9 |
2.87 | 43.7 |
3.03 | 47.2 |
3.46 | 45.2 |
3.36 | 54.4 |
3.3 | 50.4 |
第一步:计算的和x而且y
首先将变量重命名为“x"和"y调用哪个变量并不重要x叫做y-公式给出的答案是一样的。
接下来,将的值相加x而且y.(在公式中,这一步由符号Σ表示,意思是“取的和”。)
2 .计算x2而且y2它们的和
的平方创建两个新列x而且y.求新列的和。
x | y | x2 | y2 |
---|---|---|---|
3.63 | 53.1 | (3.63)2 = 13.18 | (53.1)2 = 2 819.6 |
3.02 | 49.7 | 9.12 | 2 470.1 |
3.82 | 48.4 | 14.59 | 2 342.6 |
3.42 | 54.2 | 11.7 | 2 937.6 |
3.59 | 54.9 | 12.89 | 3 014 |
2.87 | 43.7 | 8.24 | 1 909.7 |
3.03 | 47.2 | 9.18 | 2 227.8 |
3.46 | 45.2 | 11.97 | 2 043年 |
3.36 | 54.4 | 11.29 | 2 959.4 |
3.3 | 50.4 | 10.89 | 2 540.2 |
Σx2= 13.18 + 9.12 + 14.59 + 11.70 + 12.89 + 8.24 + 9.18 + 11.97 + 11.29 + 10.89
Σx2= 113.05
Σy2= 2 819.6 + 2 470.1 + 2 342.6 + 2 937.6 + 3 014.0 + 1 909.7 + 2 227.8 + 2 043.0 + 2 959.4 + 2 540.2
Σy2= 25 264
第三步:计算叉乘及其和
最后一列,相乘x而且y(这叫做叉乘)求新列的和。
x | y | x2 | y2 | xy(x*y) |
---|---|---|---|---|
3.63 | 53.1 | 13.18 | 2 819.6 | 3.63 * 53.1 = 192.8 |
3.02 | 49.7 | 9.12 | 2 470.1 | 150.1 |
3.82 | 48.4 | 14.59 | 2 342.6 | 184.9 |
3.42 | 54.2 | 11.7 | 2 937.6 | 185.4 |
3.59 | 54.9 | 12.89 | 3 014 | 197.1 |
2.87 | 43.7 | 8.24 | 1 909.7 | 125.4 |
3.03 | 47.2 | 9.18 | 2 227.8 | 143 |
3.46 | 45.2 | 11.97 | 2 043年 | 156.4 |
3.36 | 54.4 | 11.29 | 2 959.4 | 182.8 |
3.3 | 50.4 | 10.89 | 2 540.2 | 166.3 |
Σxy= 192.8 + 150.1 + 184.9 + 185.4 + 197.1 + 125.4 + 143.0 + 156.4 + 182.8 + 166.3
Σxy= 1 684.2
第四步:计算r
使用公式和在前面步骤中计算的数字来求r.
Pearson相关系数的显著性检验
皮尔逊相关系数也可以用来检验两个变量之间的关系是否正确<一个href="//www.charpingshvac.com/statistics/statistical-significance/" data-wpel-link="internal">重要的.
皮尔森相关<一个href="//www.charpingshvac.com/methodology/population-vs-sample/" data-wpel-link="internal">样本是r.它是(ρ的Pearson相关系数<一个href="//www.charpingshvac.com/methodology/population-vs-sample/" data-wpel-link="internal">人口.知道r而且n(样本量),我们可以<一个href="//www.charpingshvac.com/commonly-confused-words/infer-vs-imply/" data-wpel-link="internal">推断出是否ρ明显不同于0。
- 零假设(H0):ρ= 0
- 备择假设(H一个):ρ≠0
来<一个href="//www.charpingshvac.com/statistics/hypothesis-testing/" data-wpel-link="internal">测试假设在美国,你可以使用R或Stata等软件,也可以按照以下三个步骤进行。
步骤1:计算t价值
计算t值(一个<一个href="//www.charpingshvac.com/statistics/test-statistic/" data-wpel-link="internal">检验统计量)用这个公式:
步骤2:求的临界值t
你可以找到的临界值t(t *)在t表格要使用表格,你需要知道三件事:
- 的<一个href="//www.charpingshvac.com/statistics/degrees-of-freedom/" data-wpel-link="internal">自由度(df):对于Pearson相关检验,公式为df=n- 2。
- 显著性水平(α):按照惯例,显著性水平通常是0.05。
- 单尾或双尾:大多数情况下,双尾是相关性的合适选择。
第三步:比较t值到临界值
确定是否绝对t值大于的临界值t.“绝对”的意思是如果t值是负的,你应该忽略负号。
第四步:决定是否拒绝原假设
- 如果t值是更大的大于临界值,则关系有统计学意义(p<α).数据允许你拒绝零假设,并为备择假设提供支持。
- 如果t值是少大于临界值,则关系无统计学意义(p>α).数据不允许你拒绝零假设也不支持备择假设。
报告皮尔逊相关系数
如果您决定包含皮尔森相关系数(r在你的论文或论文中,你应该在你的论文中报告它<一个href="//www.charpingshvac.com/dissertation/results/" data-wpel-link="internal">结果部分.如果你愿意,你可以遵循这些规则<一个href="//www.charpingshvac.com/apa-style/numbers-and-statistics/" data-wpel-link="internal">以APA风格报告统计数据:
- 你不需要提供一个参考或公式,因为皮尔逊相关系数是一个常用的统计。
- 你应该用斜体r当报告其值时。
- 你不应该包括前导零(小数点前的零),因为皮尔逊相关系数不能大于1或小于负1。
- 您应该在小数点后提供两个有效数字。
当皮尔逊相关系数被用作推断统计量(以检验关系是否显著)时,r与自由度和p价值。自由度在旁边的括号中r.
关于皮尔逊相关系数的常见问题
- 皮尔森相关系数的定义是什么?
-
的<一个href="//www.charpingshvac.com/statistics/pearson-correlation-coefficient/" data-wpel-link="internal">皮尔逊相关系数(r)是测量线性相关性最常用的方法。它是一个介于-1和1之间的数字,用来衡量两个变量之间关系的强度和方向。
- 什么时候用皮尔逊相关系数?
-
当(1)关系是线性的,(2)两个变量都是定量的,(3)正态分布,(4)没有异常值时,您应该使用皮尔逊相关系数。
- 如何计算R中的皮尔逊相关系数?
-
您可以使用和()函数来计算<一个href="//www.charpingshvac.com/statistics/pearson-correlation-coefficient/" data-wpel-link="internal">皮尔逊相关系数要测试相关性的显著性,可以使用cor.test ()函数。
- 如何在Excel中计算皮尔逊相关系数?
-
您可以使用皮尔森()函数来计算<一个href="//www.charpingshvac.com/statistics/pearson-correlation-coefficient/" data-wpel-link="internal">皮尔逊相关系数在Excel中。如果变量位于列A和列B中,则单击任何空白单元格并键入“PEARSON(A:A,B:B)”。
没有函数可以直接检验相关性的显著性。
引用这篇Scribbr文章
如果你想引用这个来源,你可以复制和粘贴引用或点击“引用这篇Scribbr文章”按钮,自动添加到我们的免费引用生成器引用。