Случай одинаковых (равных) рангов

3.3 Случай одинаковых (равных) рангов

При наличии одинаковых рангов формула расчета коэффициента линейной корреляции Спирмена будет несколько иной. В этом случае в формулу вычисления коэффициентов корреляции добавляются два новых члена, учитывающие одинаковые ранги. Они называются поправками на одинаковые ранги и добавляются в числитель расчетной формулы.

(формула 4.1)

(формула 4.2)

где n — число одинаковых рангов в первом столбце,

k — число одинаковых рангов во втором столбце.

Если имеется две группы одинаковых рангов в каком либо столбце то формула поправки несколько усложняется:

(формула 4.3)

где n — число одинаковых рангов в первой группе ранжируемого столбца,

k – число одинаковых рангов в второй группе ранжируемого столбца. Модификация формулы в общем случае такова:

(формула 4.4)

Для применения коэффициента корреляции Спирмена, необходимо соблюдать следующие условия:

1. Сравниваемые переменные должны быть получены в порядковой (ранговой) шкале, но могут быть измерены также в шкале интервалов и отношений.

2. Характер распределения коррелируемых величин не имеет значения.

3. Число варьирующих признаков в сравниваемых переменных X и Y должно быть одинаковым.

4. Таблицы для определения критических значений коэффициента корреляции Спирмена рассчитаны от числа признаков равных n = 5 до n = 40 и при большем числе сравниваемых переменных следует использовать таблицу для пирсоновского коэффициента корреляции . Нахождение критических значений осуществляется при k = n.

3.4 Расчет уровней значимости коэффициентов корреляции

Все коэффициенты корреляции, которые будут рассмотрены ниже, не имеют стандартных таблиц для нахождения критических значений. В этих случаях поиск критических значений осуществляется с помощью t-критерия Стьюдента по формуле:

((формула 5)

где r_эмп — коэффициент корреляции,

 n— число коррелируемых признаков, а величина Тф проверяется на уровень значимости по таблице для t-критерия Стьюдента. Число степеней свободы в этом случае будет равно k = n — 2.

Однако с помощью формулы можно проводить оценку уровней значимости и коэффициентов корреляции Пирсона и Спирмена.

3.5 Коэффициент корреляции «φ»

При сравнении двух переменных, измеренных в дихотомической шкале, мерой корреляционной связи служит так называемый коэффициент «φ», или, как назвал эту статистику ее автор К. Пирсон, — «коэффициент ассоциации».

Величина коэффициента «φ»лежит в интервале +1 и -1. Он может быть как положительным, так и отрицательным, характеризуя направление связи двух дихотомически измеренных признаков.

В общем виде формула вычисления коэффициента корреляции «φ» выглядит так:

(формула 6)

где рх — частота или доля признака, имеющего 1 по X,

(1 - рх) — доля или частота признака, имеющего 0 по X;

 ру — частота или доля признака, имеющего 1 по Y,

(1 - ру) — доля или частота признака, имеющего 0 по Y,

рху — доля или частота признака, имеющая 1 одновременно как по X, так и по Y.

Частоты вычисляется следующим образом: подсчитывается количество 1 в переменной Х и полученная величина делится на общее число элементов этой переменной — N. Аналогично подсчитываются частоты для переменной Y. Обозначение рху — соответствует частоте или доле признаков, имеющих единицу как по Х так и по Y.

Второй способ вычисления коэффициента «φ»

Коэффициент «φ» можно вычислить, не применяя метод кодирования. В этом случае используется так называемая четырехпольная таблица, или таблица сопряженности. Каждую клетку таблицы обозначим соответствующими буквами а, b, с и d.

Приведем общую формулу расчета коэффициента «φ» по таблице сопряженности:

(формула 7)

Для применения коэффициента корреляции «φ» необходимо соблюдать следующие условия:

1. Сравниваемые признаки должны быть измерены в дихотомической шкале.

2. Число варьирующих признаков в сравниваемых переменных Х и Y должно быть одинаковым.

3. Для оценки уровня достоверности коэффициента «φ» следует пользоваться формулой (5) и таблицей критических значений для t-критерия Стьюдента при k = n - 2.

3.6 Коэффициент корреляции «τ» Кендалла

Коэффициент корреляции «τ» (тау) Кендалла относится к числу непараметрических, т.е. при вычислении этого коэффициента не играет роли характер распределения сравниваемых переменных. Коэффициент «τ» предназначен для работы с данными, полученными в ранговой шкале. Иногда этот коэффициент можно использовать вместо коэффициента корреляции Спирмена, поскольку способ его вычисления более прост. Он основан на вычислении суммы инверсий и совпадений.

Для применения коэффициента корреляции «т» Кендалла необходимо соблюдать следующие условия:

1. Сравниваемые признаки должны быть измерены в порядковой шкале.

2. Число варьирующих признаков в сравниваемых переменных Х и Y должно быть одинаковым.

3. Величина «τ» Кендалла независима от закона распределения величин Х и Y.

4. При расчетах этого коэффициента не допускается использование одинаковых рангов.

5. Для оценки уровня достоверности коэффициента «τ» следует пользоваться формулой (5) и таблицей критических значений для t-критерия Стьюдента при k= n -1.

3.7 Бисериальный коэффициент корреляции

В тех случаях, когда одна переменная измеряется в дихотомической шкале (переменная X), а другая в шкале интервалов или отношений (переменная Y), используется бисериальный коэффициент корреляции. Мы помним, что переменная X, полученная в дихотомической шкале, принимает только два значения (кода) 0 и 1. Особо подчеркнем, что несмотря на то, что этот коэффициент изменяется в диапазоне от - 1 до + 1 его знак для интерпретации результатов не имеет значения. Это исключение из общего правила.

Расчет этого коэффициента производится по формуле:

(формула 8)

где Х1 среднее по тем элементам переменной Y, которым соответствует код (признак) 1 в переменной X. Здесь n1 — количество единичек в переменной X.

Х0 среднее по тем элементам переменной Y, которым соответствует код (признак) 0 в переменной X. Здесь n0 — количество нулей в переменной X.

N = n1 + n0 — общее количество элементов в переменной X.

S_y— стандартное отклонение переменной Y, вычисляемое по формуле

Значимость бисериального коэффциента корреляции оценивается по величине Тф t-критерия Стьюдента с числом степеней свободы k = n - 2.

Для применения бисериального коэффициента корреляции необходимо соблюдать следующие условия:

1. Сравниваемые переменные должны быть измерены в разных шкалах: одна Х — в дихотомической шкале; другая Y—в шкале интервалов или отношений.

2. Предполагается, что переменная Y имеет нормальный закон распределения.

3. Число варьирующих признаков в сравниваемых переменных Х и Y должно быть одинаковым.

4. Для оценки уровня достоверности бисериального коэффициента корреляции следует пользоваться формулой (5) и таблицей критических значений для t-критерия Стьюдента при k = n - 2.

3.8 Рангово-бисериальный коэффициент корреляции

В тех случаях, когда одна переменная измеряется в дихотомической шкале (переменная X), а другая в ранговой шкале (переменная Y), используется рангово-бисериальный коэффициент корреляции. Мы помним, что переменная X, измеренная в дихотомической шкале, принимает только два значения (кода) 0 и 1. Особо подчеркнем: несмотря на то что этот коэффициент изменяется в диапазоне от -1 до +1, его знак для интерпретации результатов не имеет значения. Это еще одно исключение из общего правила.

Расчет этого коэффициента производится по формуле:

(формула 9)

где Х1 — средний ранг по тем элементам переменной Y, которым соответствует код (признак) 1 в переменной X;

Для применения рангово-бисериального коэффициента корреляции необходимо соблюдать следующие условия:

1. Сравниваемые переменные должны быть измерены в разных шкалах: одна X— в дихотомической шкале; другая Y—в ранговой шкале.

2. Число варьирующих признаков в сравниваемых переменных Х и Y должно быть одинаковым.

3. Для оценки уровня достоверности рангово-бисериального коэффициента корреляции следует пользоваться формулой (5) и таблицей критических значений для t-критерия Стьюдента при k = n - 2.

3.9 Корреляционное отношение Пирсона η

Все рассмотренные выше коэффициенты корреляции служат для выявления только линейной зависимости между признаками. Для измерения нелинейной зависимости К. Пирсон предложил показатель, который он назвал корреляционным отношением. Напомним, что коэффициент корреляции r_xy(формула 11.1), который был введен Пирсоном, характеризует связь между переменными Х и Y с точки зрения прямой или обратной пропорциональности, иными словами, получаемая связь между переменными является согласованной и такой, что с увеличением одной переменной другая (в среднем) либо только увеличивается, либо только уменьшается (в среднем). При этом в первом случае получается положительный коэффициент корреляции, во втором отрицательный.

Корреляционное отношение описывает искомую связь, условно говоря, с двух сторон: со стороны переменной Х по отношению к Y, и со стороны переменной Y по отношению к X. Соответственно этому корреляционное отношение представляет собой два показателя, обозначаемые как h_yx и h_xy. Они вычисляются отдельно друг от друга. Однако они связаны между собой, поскольку при строго линейной зависимости между переменными Х и Y имеет место равенство h_yx = h_xy В этом случае величины обоих показателей корреляционного отношения совпадают с величиной коэффициента корреляции Пирсона.

Показатели корреляционного отношения вычисляются по следующим двум формулам:

(формула 10.1)

(формула 10.2)

здесь х и у общие, а х_y и у_x — групповые средние арифметические, f_y и f_x частоты рядов X и Y. Согласно этим формулам оба показателя всегда положительны и располагаются в интервале от 0 до +1.

Подчеркнем, что, как правило, h_yx ≠ h_xy. Равенство между этими коэффициентами возможно лишь при наличии строго линейной связи между коррелируемыми переменными. Именно поэтому различие между h_yx и h_xy убудет означать наличие не линейной, а связи более сложного типа между коррелируемыми признаками.

Для вычисления корреляционного соотношения h_yx (Y по X) или h_xy (X по Y) необходимо выполнить следующие действия:

1) расположить по порядку исходные данные по Х от меньшей величины к большей, при этом сохранив значения соответствующих величин У по отношению к Х;

2) определить частоты переменной Х — обозначение f_x;

3) подсчитать арифметические (частные) средние по переменной Y для соответствующей частоты f_x — обозначение у_x ;

4) найти варианты (неповторяющиеся значения) величины Х — обозначение х_i;

5) расположить по порядку исходные данные по Y от меньшей величины к большей, при этом сохранив значения соответствующих величин Х по отношению к Y;

6) определить частоты переменной Y— обозначение f_y;

7) подсчитать арифметические (частные) средние по переменной Х для соответствующей частоты f_y — обозначение х_y;

8) найти варианты (неповторяющиеся значения) переменной Y — обозначение y_i;

9) определить общие средние по переменной Х и Y обозначение x и у ;

10) произвести расчет по формулам (10.1) и (10.2);

11) определить уровень значимости полученных показателей корреляционного отношения но таблице критических значений для t-критерия Стьюдента при k = n — 2.

Разумеется, корреляционное отношение Пирсона не дает возможности установить характер выявленной зависимости — она может быть параболической, кубической, логарифмической и др. Из результатов анализа ясно только одно: связь между переменными Х и Y носит нелинейный характер. Более точно характер связи можно определить с помощью метода регрессионного анализа.

Для применения корреляционного отношения Пирсона необходимо соблюдать следующие условия:

1. Сравниваемые переменные должны быть измерены в шкале интервалов или отношений.

2. Предполагается, что обе переменные имеют нормальный закон распределения.

3. Число варьирующих признаков в сравниваемых переменных Х и У должно быть одинаковым.

4. Для оценки уровня достоверности корреляционного отношения Пирсона следует пользоваться формулой (5) и таблицей критических значений для t-критерия Стьюдента при k = n — 2.

3.10 Множественная корреляция

Наряду с анализом связей между двумя рядами данных можно проводить анализ многомерных корреляционных связей. Наиболее простым случаем нахождения подобной зависимости является вычисление коэффициентов множественной корреляции между тремя переменными X, Y и Z. В соответствии с числом переменных вычисляются три коэффициента множественной корреляции. Собственно говоря, коэффициент множественной корреляции оценивает тесноту линейной связи одной переменной, например X, с двумя остальными, Y и Z, и обозначается как r_x(yz) . При оценке тесноты линейной связи переменной Y с переменными Х и Z, коэффициент множественной корреляции обозначается как r_y(xz)

Вычисление коэффициентов множественной корреляции базируется на коэффициентах линейной корреляции между переменными Х и Y — r_xy, Х и Z, — r_xz, У и Z, — r_yz. Для вычисления одного из коэффициентов множественной корреляции, например r_x(yz) используется следующая формула:

(формула 11)

где r_xy, r_xz, r_yz— коэффициенты линейной корреляции между парами переменных Х и Y, Х и Z, Y и Z..

Коэффициент множественной корреляции принимает значения от 0 до 1. Значимость этого коэффициента оценивают по величине t-критерия Стьюдента с числом степеней свободы k = n - 3.

Для применения множественного коэффициента корреляции необходимо соблюдать следующие условия:

1. Сравниваемые переменные должны быть измерены в шкале интервалов или отношений.

2. Предполагается, что все переменные имеют нормальный закон распределения.

3. Число варьирующих признаков в сравниваемых переменных должно быть одинаковым.

4. Для оценки уровня достоверности корреляционного отношения Пирсона следует пользоваться формулой (5) и таблицей критических значений для t-критерия Стыодента при k = n - 3.

3.11 Частная корреляция

Название «частная корреляция» был впервые использовано в работе Д. Юла в 1907. Смысл этого понятия иллюстрирует следующий пример. Предположим, что при обработке некоторых данных удалось обнаружить значимую отрицательную корреляцию между длиной волос и ростом (т.е. люди низкого роста обладают более длинными волосами). На первый взгляд это может показаться странным: однако, если включить в расчет еще один признак — переменную «пол» и использовать не линейную, а частную корреляцию, то результат получит закономерное объяснение. поскольку женщины в среднем имеют более длинные волосы, чем мужчины, а их рост в среднем ниже, чем у мужчин. После учета переменной «пол» частная корреляция между длиной волос и ростом может оказаться близкой к единице. Иными словами, если одна величина коррелирует с другой, то это может быть отражением того факта, что они обе коррелируют с третьей величиной или с совокупностью величин.

Если известна линейная связь между парами переменных X, Y и Z., то можно подсчитать частные коэффициенты корреляции, показывающие линейную корреляционную зависимость между двумя переменными при постоянной величине третьей переменной. Для определения частного коэффициента корреляции между переменными X и Y при постоянной величине переменной Z, используют формулу:

(формула 12.1)

Заключение (z) в скобки означает, что влияние переменной z па корреляцию между Х и Y постоянно. В том случае, если бы влияния переменной Z не было бы совсем, мы бы получили обычный коэффициент корреляции Пирсона между переменными Х и У.

Аналогично строят частые корреляционные зависимости между Х и Z (при постоянной Y) и Y и Z. (при постоянной Х).

(формула 12.2)

Значимость частного коэффициента корреляции оценивают по величине Тф, подсчитанной по формуле (5) для t-критерия Стьюдента с числом степеней свободы k = n - 2.

Для применения частного коэффициента корреляции необходимо соблюдать следующие условия:

1. Сравниваемые переменные должны быть измерены в шкале интервалов или отношений.

2. Предполагается, что все переменные имеют нормальный закон распределения.

3. Число варьирующих признаков в сравниваемых переменных должно быть одинаковым.

4. Для оценки уровня достоверности корреляционного отношения Пирсона следует пользоваться формулой (11.9) и таблицей критических значений для t-критерия Стьюдента с числом степеней свободы k = n - 2. (5).

ЗАКЛЮЧЕНИЕ

В заключение подчеркнем, что содержательное ограничение корреляционного анализа состоит в том, что он позволяет обнаружить только наличие связи и не дает оснований для установления причинно-следственных отношений. Например, можно обнаружить положительную корреляцию между уровнем умственного развития детей старшего дошкольного возраста и календарными сроками смены молочных зубов коренными. Другими словами, чем раньше происходит замена молочных зубов, тем выше показатели умственного развития детей. Следует ли делать вывод о том, что смена зубов способствует умственному развитию детей, или, напротив, ускоренное умственное развитие приводит к более быстрому изменению состава зубов. Оба предположения выглядят одинаково нелепо.

Причина в том, что оба показателя непосредственно отражают индивидуальный темп биологического созревания. Другими словами, они связаны с третьей — латентной переменной, которая недоступна для прямого измерения, но благодаря этой связи оба показателя значимо коррелируют между собой. Формальная логика корреляционного анализа не позволяет исследовать эти аспекты взаимообусловленности статистических рядов данных.(5).

Список использованной литературы

1.   Годфруа Ж. Что такое психология: В 2-х т. Т. 1: Пер. с франц.-М.: Мир, 1992.

2.   Горбатов Д.С. Практикум по психологическому исследованию: Учеб. пособие. – Самара: «БАХРАХ - М», 2003. – 272 с.

3.   Дружинин В.Н. Экспериментальная психология: Учебное пособие — М.: ИНФРА-М, 1997.

4.   Дружинин В.Н. Экспериментальная психология — СПб: Питер, 2000. – 320с.

5.   Ермолаев О.Ю. Математическая статистика для психологов. М.: Московский психолого-социальный институт: Флинта, 2003. – 366 с.

6.   Корнилова Т.В. Введение в психологический эксперимент. Учебник для ВУЗов. М.: Изд-во ЧеРо, 2001.

7.   Мельников В.М., Ямпольский Л.Т. Введение в экспериментальную психологию личности.- М.: Просвещение, 1985.