W części empirycznej pracy dyplomowej często chcesz sprawdzić, czy dwie cechy wiążą się ze sobą. Może chodzić o czas poświęcany na naukę i wynik egzaminu, poziom stresu i jakość snu albo satysfakcję z pracy i zamiar jej zmiany. W takiej sytuacji pomocna jest korelacja.
Sam współczynnik korelacji nie mówi jednak, że jedna zmienna powoduje drugą. Pokazuje kierunek i siłę współzmienności w badanej próbie. Żeby wynik był użyteczny w pracy, trzeba dobrać właściwy współczynnik, sprawdzić dane i opisać nie tylko wartość p, ale też wielkość oraz kierunek związku.
Jakie pytanie odpowiada korelacja?
Korelacja odpowiada na pytanie, czy wyższe wartości jednej zmiennej pojawiają się zwykle razem z wyższymi albo niższymi wartościami drugiej. Jeżeli wraz ze wzrostem liczby godzin nauki rośnie wynik testu, mówimy o związku dodatnim. Jeżeli wzrost jednej zmiennej wiąże się ze spadkiem drugiej, związek jest ujemny.
Współczynnik może przyjmować wartości od -1 do 1. Znak wskazuje kierunek, a wartość bezwzględna informuje o sile związku. Wynik bliski zeru oznacza słabą albo niewidoczną zależność liniową lub monotoniczną. Nie jest to dowód, że między zmiennymi nie ma żadnej relacji. Czasem zależność ma kształt krzywoliniowy albo jest zasłonięta przez małą liczbę obserwacji.
Pearson czy Spearman?
Korelacja Pearsona jest najczęściej stosowana dla dwóch zmiennych ilościowych, gdy interesuje Cię przede wszystkim związek liniowy. Przy wyborze warto ocenić wykres rozrzutu, wartości odstające i rozkład danych. W praktyce nie chodzi o mechaniczne odhaczenie jednej reguły, tylko o uzasadnienie, czy współczynnik opisuje badany problem.
Korelacja rang Spearmana opiera się na uporządkowaniu obserwacji według rang. Dobrze sprawdza się wtedy, gdy zmienne są porządkowe, gdy skale odpowiedzi mają charakter rangowy albo gdy zależność jest monotoniczna, lecz niekoniecznie liniowa. Bywa także rozsądnym wyborem przy silnej asymetrii lub pojedynczych wartościach odstających, choć nie zwalnia to z kontroli jakości danych.
Pearson opisuje liniową współzmienność wartości. Spearman opisuje zgodność uporządkowania obserwacji. Ostateczny wybór uzasadnij typem zmiennych, wykresem i założeniami analizy.
Co sprawdzić przed obliczeniem korelacji?
Najpierw ustal, co dokładnie oznacza każda zmienna i w jakiej skali została zmierzona. Dwie kolumny liczb nie zawsze oznaczają dwie zmienne ilościowe. Kod odpowiedzi od 1 do 5 może być tylko uporządkowaną skalą opinii, a nie pomiarem z równymi odstępami między kategoriami.
- sprawdź liczbę obserwacji i brakujące dane;
- zobacz, czy nie ma oczywistych błędów wpisywania lub nietypowych kodów;
- obejrzyj wykres rozrzutu zamiast opierać się wyłącznie na tabeli;
- zastanów się, czy pojedyncze obserwacje nie zmieniają całego wyniku;
- zapisz, dlaczego wybrany został Pearson albo Spearman.
Jeżeli dopiero porządkujesz arkusz, przyda Ci się także materiał jak przygotować dane do analizy w Jamovi. Wybór korelacji powinien być kolejnym krokiem po uporządkowaniu nazw zmiennych, kodów i braków danych.
Jak policzyć korelację w Jamovi?
W Jamovi wybierz Analyses, następnie Regression i Correlation Matrix. Przenieś interesujące Cię zmienne do pola analizy. W opcjach możesz zaznaczyć korelację Pearsona, Spearmana albo obie, jeżeli chcesz porównać wynik i sprawdzić, czy wnioski są stabilne.
Włącz także poziom istotności, liczbę obserwacji oraz przedziały ufności, jeżeli są dostępne dla wybranej konfiguracji. Dla dwóch zmiennych obejrzyj wykres rozrzutu. To na nim najłatwiej zobaczyć, czy punkty tworzą przybliżoną linię, czy raczej układ rosnący lub malejący bez stałego tempa.
Korelacja na wykresie rozrzutu
Punkty pokazują syntetyczne obserwacje. Najedź na punkt, aby odczytać parę wartości.
Wykres interaktywny. Dane są syntetyczne i służą wyłącznie do pokazania sposobu interpretacji.
W dokumentacji Jamovi korelacja jest przedstawiana jako macierz, w której możesz zestawić kilka zmiennych naraz. Przy większej liczbie zmiennych zachowaj umiar. Każdy dodatkowy test zwiększa ryzyko przypadkowego wyniku, dlatego opisz, które zależności wynikały z pytań badawczych.
Jak odczytać r, rho, p i N?
Wynik korelacji warto czytać w kilku krokach. Najpierw zobacz współczynnik. Dla Pearsona będzie to zwykle r, a dla Spearmana rho lub rs. Następnie sprawdź znak, wielkość współczynnika i liczbę obserwacji. Dopiero potem interpretuj wartość p w odniesieniu do przyjętego poziomu istotności.
- współczynnik mówi o kierunku i sile związku;
- p pomaga ocenić, czy wynik jest zgodny z hipotezą o braku związku w populacji;
- N pokazuje, ile obserwacji faktycznie weszło do danej pary obliczeń;
- przedział ufności pokazuje niepewność oszacowania, jeśli został wyświetlony.
Nie wybieraj testu na podstawie tego, który daje mniejszą wartość p. Najpierw określ charakter danych i pytanie badawcze, a dopiero później oceń wynik. O interpretacji p, przedziałów ufności i wielkości efektu przeczytasz w artykule jak interpretować p, przedział ufności i wielkość efektu.
Przykład opisu w pracy dyplomowej
Załóżmy, że w badaniu analizujesz związek między liczbą godzin przeznaczanych tygodniowo na naukę a wynikiem testu. Wykres sugeruje zależność rosnącą, a rozkład punktów jest zbliżony do liniowego. Dla syntetycznego przykładu możesz zapisać wynik w taki sposób:
Wykazano dodatnią, umiarkowaną korelację Pearsona między liczbą godzin nauki a wynikiem testu, r(38) = 0,46, p = 0,003, N = 40. Oznacza to, że w badanej próbie większej liczbie godzin nauki towarzyszyły na ogół wyższe wyniki testu. Wynik nie pozwala jednak stwierdzić, że sama liczba godzin nauki powodowała wzrost wyniku.
Jeżeli wybrano Spearmana, zamień oznaczenie na rho i wyjaśnij, że analizowano monotoniczny związek rang. Nie kopiuj automatycznie gotowego zdania. Wstaw własne zmienne, liczebność, wynik oraz kontekst badania. Warto też wskazać, czy hipoteza została potwierdzona, częściowo potwierdzona czy nie znalazła potwierdzenia.
Najczęstsze błędy przy korelacji
Pierwszym błędem jest utożsamianie korelacji z przyczynowością. Dwie zmienne mogą zmieniać się razem z powodu trzeciego czynnika, wspólnego źródła albo sposobu pomiaru. Drugim jest raportowanie wyłącznie wartości p. Samo p nie mówi, czy związek jest praktycznie ważny.
Problematyczne bywa również liczenie wielu korelacji bez wyjaśnienia, skąd wzięły się analizowane pary. W tabeli może pojawić się przypadkowo istotny wynik, zwłaszcza gdy testów jest dużo. Zapisz więc, które korelacje wynikały z hipotez, a które miały charakter dodatkowy lub eksploracyjny.
Nie pomijaj też wykresu. Wartość współczynnika może wyglądać przekonująco, mimo że za wynik odpowiada jedna obserwacja albo kilka skupisk punktów. Jeżeli analiza obejmuje inne testy, zobacz również porównanie testu t, ANOVA i chi-kwadrat w Jamovi oraz poradnik jak wybrać test statystyczny do pracy dyplomowej.
Jak przygotować fragment rozdziału wyników?
Dobry opis powinien prowadzić czytelnika od pytania do wniosku. Najpierw przypomnij, jakie zmienne zestawiono i dlaczego. Potem podaj wybrany współczynnik, jego wartość, znak, p, N oraz najważniejsze informacje o interpretacji. Na końcu odnieś wynik do hipotezy, bez rozszerzania wniosku ponad to, co rzeczywiście pokazuje analiza.
Nie musisz przepisywać całego okna Jamovi. Tabela powinna zawierać te statystyki, które pomagają odpowiedzieć na pytanie badawcze. Pozostałe ustawienia możesz opisać krótko w metodologii albo dodatku. Jeżeli potrzebujesz połączyć korelację z opisem metod, hipotez i rozdziału empirycznego, sprawdź zakres analiz statystycznych.
FAQ
Czy korelacja oznacza związek przyczynowy?
Nie. Korelacja opisuje współzmienność dwóch cech w badanej próbie, ale sama nie pokazuje, że jedna cecha powoduje drugą.
Kiedy wybrać Pearsona, a kiedy Spearmana?
Pearson jest naturalnym wyborem dla związku liniowego między zmiennymi ilościowymi. Spearman lepiej pasuje do danych rangowych, porządkowych albo zależności monotonicznej, która nie musi być liniowa.
Czy można badać korelację dla skali Likerta?
Można, ale wybór zależy od konstrukcji skali i sposobu traktowania wyniku. Przy pojedynczych pozycjach porządkowych często rozważa się Spearmana, a przy sumie lub średniej z wielu pozycji trzeba dodatkowo uzasadnić przyjęty model pomiaru.
Jak sprawdzić korelację w Jamovi?
Otwórz Analyses, wybierz Regression, a następnie Correlation Matrix. Dodaj zmienne, zaznacz Pearson albo Spearman i włącz potrzebne statystyki oraz wykres rozrzutu.
Jak opisać korelację w pracy?
Podaj rodzaj współczynnika, jego wartość, kierunek, p, N i wniosek odnoszący się do hipotezy. Dodaj krótkie zastrzeżenie, że wynik korelacyjny nie dowodzi przyczynowości.
Czy istotna korelacja oznacza silną zależność?
Nie. Istotność statystyczna zależy między innymi od liczebności próby. Siłę związku oceniaj na podstawie wartości współczynnika i jego przedziału ufności, a nie na podstawie samego p.
Jeśli masz już dane, ale nie wiesz, czy właściwy będzie Pearson, Spearman czy inna analiza, możesz przesłać opis zmiennych i plan badania do krótkiej konsultacji. Wspólnie ustalimy zakres i sposób raportowania wyniku.
