The Spearman og Kendall rang korrelationskoefficienter er godt kendte metoder til kvantificering korrespondancer mellem lister med ordenstal data. Hvordan er de beregnede , og hvad betyder de? Det er, hvad denne artikel handler om. Læs videre for mere ... Ting du skal
SPSS (nu også kendt som PASW Statistics 17) , en version , OR
R ( http://www.r-project.org/)
Vis flere instruktioner
1
SPSS : Gå til Analyser menuen, vælg " Sammenhold -> Bivariate ... " og vælge de variabler, du ønsker at korrelere i feltet, der vises til venstre ( klik på miniaturebillede for en større visning ) . Flytte dem over til boksen til højre ved at klikke på den blå pil. Endelig sikre, at der er et flueben i enten " Kendall tau -b " eller " Spearman " afkrydsningsfeltet , og klik på OK .
2
R kan rang -ordre korrelationer beregnes med den " cor " kommando . Givet vektorer x og y , Spearman og Kendall rang korrelationer mellem de to kan beregnes med følgende commands.cor.test ( x, y , method = " Spearman " ) cor.test ( x, y , method = " kendall " ;)
3
Fortolkning dine resultater : Kendall tau og Spearmans rho hver intervallet fra 1 til -1 , 1 indikerer perfekt korrelation , -1 indikerer en perfekt omvendt korrelation , og 0 angiver ingen sammenhæng . Spearmans rho ikke har en meningsfuld operationel fortolkning , selv om det er den oftere citerede statistik på mange områder , det er væsentligt svarer til konvertering scoringer til numeriske rang -ordre scorer og beregne en standard Pearson korrelation mellem dem , selv om de matematiske detaljer adskiller sig i tilfælde af bånd. Kendall tau ikke kræver en konvertering scoringer til rang - ordrer, og har flere fordele fra et statistisk synspunkt , såsom en næsten normal fordeling af score -funktionen for små n. . Dog kan dine resultater være sværere at sammenligne med dem i publiceret litteratur , som ofte favoriserer Spearmans rho ud af tradition.