Pearson mu Spearman mı? Hangi Korelasyon Ne Zaman

Basira Editör Ekibi · · 11 dk okuma · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Pearson r doğrusal ilişkiyi değerlerin kendisiyle, Spearman ρ monoton ilişkiyi sıralarla ölçer; ikisi aynı niceliğin iki tahmini değil, iki ayrı sorunun cevabıdır.
  • Varsayılan katsayı Pearson r'dir. Spearman ρ yalnız bir değişken sıralı ölçekteyse ya da belirgin biçimde normal dışıysa (|çarpıklık| > 2 ya da |fazla basıklık| > 7) birincil olur.
  • Shapiro-Wilk sonucu ve örneklem büyüklüğü katsayıyı seçmez; "n < 30 ise Spearman ya da Kendall" diye bir kural yoktur.
  • Birincil katsayı sonuca bakmadan belirlenir, öteki duyarlılık analizi olarak yanında raporlanır; ikisi ayrışırsa bu açıkça yazılır ve açıklanır.

İçindekiler

İçindekiler

Pearson mu Spearman mı kullanılacağına değişkenlerin ölçek düzeyi ve dağılımın biçimi karar verir. Varsayılan katsayı Pearson r’dir. Spearman ρ yalnız iki durumda birincil olur: değişkenlerden biri sıralı ölçekteyse ya da belirgin biçimde normal dışıysa. Hangisi seçilirse seçilsin öteki katsayı duyarlılık analizi olarak yanında raporlanır.

Normallik testinin p değeri ve örneklem büyüklüğü bu kararda yer almaz. Bu yazı iki katsayının neyi ölçtüğünü karşılaştırır, seçim kuralını gerekçeleriyle verir ve iki katsayının aynı veride ayrıştığı bir örneği çözer. Katsayıların kendisi ayrı yazılarda anlatılır: Pearson korelasyon analizi ve Spearman korelasyon analizi. Bütün korelasyon türlerinin haritası korelasyon analizi rehberindedir.

Pearson ile Spearman arasındaki fark nedir?

İki katsayı aynı şeyin iki ayrı tahmini değildir; iki ayrı soruya cevap verir.

Pearson r değerlerin kendisiyle çalışır ve doğrusal ilişkiyi ölçer: noktalar bir doğrunun çevresinde ne kadar sıkı toplanıyor? Her gözlem ortalamadan uzaklığı oranında katkı yapar. Bu yüzden ortalamadan çok uzaktaki birkaç nokta katsayıyı tek başına büyütebilir ya da küçültebilir.

Spearman ρ önce her değişkenin değerlerini küçükten büyüğe sıralar, sonra bu sıralar arasındaki Pearson korelasyonunu hesaplar; eşit değerlere ortalama sıra verilir:

ρ=r(R(x), R(y))\rho = r\big(R(x),\, R(y)\big)

Burada R(x)R(x) ve R(y)R(y) iki değişkenin sıralarıdır. Sıralar yalnız “hangisi daha büyük” bilgisini taşır. Bu yüzden ρ’nun ölçtüğü şey monoton ilişkidir: biri artarken öteki hep aynı yönde değişiyor mu? En uç değer bile yalnız en büyük ya da en küçük sırayı alır; ötekilerden ne kadar uzak olduğu hesaba girmez.

ÖzellikPearson rSpearman ρ
Ölçtüğü ilişkiDoğrusalMonoton (tek yönlü)
Kullandığı bilgiDeğerler ve ortalamadan uzaklıklarıYalnız sıralar
En düşük ölçek düzeyiAralıklıSıralı
Uç değerlere duyarlılıkYüksek; birkaç nokta katsayıyı taşıyabilirDüşük; uç değer yalnız en uç sırayı alır
Normale yakın verideBiraz daha kesin kestirimBiraz daha değişken kestirim
Kuyrukları kalın (basıklığı yüksek; çok çarpık dağılımlarda sık görülür) ya da aykırı değerli verideGüç düşebilir, kestirim daha değişken olur; test hata oranını koruyamayabilirDaha kararlı
Güven aralığıFisher dönüşümü (Fisher, 1921)Fisher dönüşümü ve Bonett ve Wright’ın (2000) standart hatası
Karesir², iki değişkenin ortak varyans payıρ², değerlerin değil sıraların ortak varyans payı
APA 7 simgesirrsr_s

Tablodaki dayanıklılık satırları benzetim çalışmalarına dayanır: veri normale yakınken Pearson biraz daha kesin bir kestirim verir; kuyrukları kalın (çok çarpık dağılımlarda olduğu gibi basıklığı yüksek) ya da aykırı değerli veride Spearman daha kararlıdır. Böyle veride Pearson’ın gücü düşebilir, katsayısı kitle değerinden uzaklaşabilir ve anlamlılık testi birinci tür hata oranını koruyamayabilir (güç ve hata oranı için Bishara ve Hittner, 2012; katsayının değişkenliği için de Winter vd., 2016).

Aynı veride neden farklı sayılar çıkar?

Veri iki değişkenli normal dağılıma yakınsa r ile ρ birbirine çok yakın çıkar ve hangisinin raporlandığı pratikte fark etmez. İki katsayı üç durumda belirgin biçimde ayrışır:

  • Uç değerler ya da çok çarpık bir değişken. Ortalamadan çok uzaktaki birkaç gözlem r’yi kendi yönüne çeker. ρ’da bu gözlemler yalnız en uç sıraları alır.
  • Monoton ama doğrusal olmayan ilişki. Biri artarken öteki önce hızlı, sonra yavaş artıyorsa r ilişkinin doğrusal kısmını, ρ ise sıraların ne kadar tutarlı olduğunu ölçer. İlişkinin biçimine ve gürültüsüne göre iki katsayı birbirinden ayrışabilir: az gürültülü bir eğride ρ genellikle daha büyük çıkar, ama tersi de görülebilir.
  • Monoton olmayan ilişki. Ters U biçimli bir ilişkide iki katsayı da sıfıra yakın çıkabilir. Sıfıra yakın bir katsayı “ilişki yok” demek değildir; bunu yalnız saçılım grafiği gösterir. Aynı katsayının çok farklı desenlerden doğabileceğini Anscombe’un (1973) dört veri seti gösterir.

Bu yüzden iki katsayı arasındaki büyük bir fark kendi başına bir bulgudur: verinin biçimi hakkında bir şey söyler. Farkın kaynağını saçılım grafiği gösterir.

Hangi durumda Pearson, hangi durumda Spearman seçilir?

Seçim kuralı analiz planında yazılır; katsayı, sonuçlara bakılmadan, iki özelliğe göre seçilir: ölçek düzeyi ve dağılımın biçimi.

  1. Varsayılan Pearson r’dir. İki değişken sürekliyse ve hiçbiri belirgin biçimde normal dışı değilse doğrusal ilişki raporlanır.
  2. Değişkenlerden biri sıralı ölçekteyse Spearman ρ birincildir. Tek bir Likert maddesi, 1–5 arası ağrı düzeyi ya da eğitim durumu gibi. Değişkenin türü veri setinde ya da analiz programında tanımlıysa o tanım esas alınır. Tanım yoksa en çok 7 farklı tam sayı alan bir değişken sıralı sayılabilir. Çok maddeli bir ölçeğin toplam ya da ortalama puanı ise genellikle sürekli kabul edilir (Likert ölçeği analizi).
  3. Değişkenlerden biri belirgin biçimde normal dışıysa Spearman ρ birincildir. Ölçüt yanlılığı düzeltilmiş çarpıklık (G1) ve fazla basıklıktır (G2): ∣c¸arpıklık∣>2{|\text{çarpıklık}| > 2} ya da ∣fazla basıklık∣>7{|\text{fazla basıklık}| > 7}. Bu eşikleri West, Finch ve Curran (1995) belirgin normal dışılık için önerir; bu blogdaki test seçimi yazıları bunları açık bir karar kuralı olarak kullanır. SPSS’in Descriptives çıktısındaki Skewness ve Kurtosis değerleri G1 ve G2’dir.
  4. Öteki katsayı her zaman duyarlılık analizi olarak yanında raporlanır. İki katsayı .05 düzeyinde farklı sonuç veriyorsa bu raporda açıkça yazılır ve açıklanır.
DurumBirincil katsayıYanında duyarlılık analizi olarak
İki sürekli değişken, hiçbiri belirgin biçimde normal dışı değil (örneklem büyüklüğü ne olursa olsun)Pearson rSpearman ρ
İki sürekli değişken; Shapiro-Wilk anlamlı ama çarpıklık ve basıklık eşiklerin altındaPearson rSpearman ρ
En az bir değişken sıralı (tanımlı ya da, tanım yoksa, en çok 7 farklı tam sayı)Spearman ρPearson r
En az bir değişkende çarpıklık mutlak değerce 2’yi ya da fazla basıklık 7’yi aşıyorSpearman ρPearson r
Saçılım grafiğinde ilişki monoton değil (ör. ters U)İkisi de ilişkiyi özetleyemez; ilişkinin biçimi grafikle ve uygun bir modelle anlatılır—
Bir değişken gerçek ikili (ör. iki grup, 0 ve 1 kodlu)Nokta çift serili korelasyon—

Saçılım grafiği monoton ama eğrisel bir ilişki gösteriyorsa (ör. önce hızlı, sonra yavaşlayan bir artış) iki katsayı birbirinden ayrışabilir; aradaki fark eğriliğin işaretidir. Böyle bir ilişkide asıl iş katsayıyı değiştirmek değil, ilişkinin biçimini anlatmaktır: grafik, gerekirse bir dönüşüm ya da eğrisel terimli bir regresyon modeli.

Shapiro-Wilk testi neden karar vermez?

Bazı ders kitaplarında ve rehberlerde geçen bir kural iki değişkende de normallik testine bakar: ikisi de normal çıkarsa Pearson, biri bile reddedilirse Spearman. Bu kuralın iki sorunu vardır.

  • Birincisi, normallik testinin gücü örneklem büyüklüğüyle artar. Küçük örneklemde önemli sapmaları kaçırır; büyük örneklemde katsayıyı hiç etkilemeyecek kadar küçük sapmaları da anlamlı bulur (normallik testi). Kararı bu teste bağlamak, raporlanan niceliği örneklem büyüklüğüne bağlar: aynı ilişki küçük bir örneklemde çoğunlukla r ile, büyük bir örneklemde çoğunlukla ρ ile raporlanır. r ve ρ farklı nicelikler olduğu için iki çalışmanın sonucu artık doğrudan karşılaştırılamaz.
  • İkincisi, iki değişken de tam normal dağılsa bile iki ayrı testten en az birinin şans eseri anlamlı çıkma olasılığı yaklaşık %10’dur (iki test bağımsız sayılırsa 1 − .95² ≈ .10). Değişken sayısı arttıkça bu olasılık da büyür; bir korelasyon matrisinde tek bir değişkenin testi bütün tabloyu Spearman’a çevirebilir.

Shapiro-Wilk sonucu yine raporlanabilir, çünkü dağılımı betimler; ama katsayıyı seçmez. Aynı mantığın grup karşılaştırmalarındaki karşılığı parametrik ve parametrik olmayan testler yazısında anlatılır.

Neden “n < 30 ise Spearman ya da Kendall” kuralı yanlış?

Örneklem küçük diye sıra katsayısına geçmenin bir gerekçesi yoktur. Küçük örneklemin asıl sorunu geniş güven aralığıdır ve bu, iki katsayı için de geçerlidir; katsayıyı değiştirmek belirsizliği azaltmaz.

Kendall τ-b de küçük örneklem için ayrıca gerekli değildir. τ aynı monoton ilişkiyi başka bir ölçekte özetler ve aynı veride çoğunlukla ρ’dan küçük çıkar. 29 gözlemde τ, 30 gözlemde ρ raporlayan bir kural, aynı ilişki için ölçeği farklı iki sayı üretir. Kendall τ-b, çok sayıda bağlı değer olduğunda Spearman ρ’ya bir seçenektir.

Çözümlü örnek: platforma giriş sayısı ve sınav puanı

Bir öğretim üyesi, çevrim içi yürütülen bir dersin 30 öğrencisinde dönem boyunca ders platformuna kaç kez giriş yapıldığı ile dönem sonu sınav puanı (0–100) arasındaki ilişkiyi inceliyor. Giriş sayısı gibi sayım değişkenleri çoğu zaman sağa çarpıktır: öğrencilerin çoğu benzer sayıda giriş yapar, birkaçı çok daha fazla. Veri öğretici amaçla hazırlanmıştır; aşağıdan indirip aynı incelemeyi kendiniz yapabilirsiniz.

Karar, katsayılar hesaplanmadan önce değişkenlere bakılarak verilir. İlk kart yalnız giriş sayısının dağılımını gösterir:

Çevrim içi bir derste 30 öğrencinin dönem boyunca ders platformuna giriş sayısı (öğretici veri)
Gruplara göre veri noktaları ve ortancalar Çevrim içi bir derste 30 öğrencinin dönem boyunca ders platformuna giriş sayısı (öğretici veri) 0 50 100 150 giris Platforma giriş sayısı (dönem boyunca) giris: 23giris: 12giris: 31giris: 8giris: 142giris: 19giris: 26giris: 14giris: 37giris: 17giris: 21giris: 28giris: 10giris: 44giris: 15giris: 25giris: 33giris: 16giris: 118giris: 20giris: 35giris: 11giris: 24giris: 40giris: 13giris: 27giris: 15giris: 30giris: 22giris: 18 Ortanca 22.5
giris
23
12
31
8
142
19
26
14
37
17
21
28

İlk 12 satır (toplam 30) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)

Tablo 1 giriş sayısının betimsel istatistiklerini ve Shapiro-Wilk sonucunu verir.

Tablo 1

Platforma Giriş Sayısının Betimsel İstatistikleri ve Shapiro-Wilk Testi

Platforma giriş sayısıDeğer
n30
Ortalama29.80
SS28.91
Ortanca22.50
Çarpıklık (G1)3.13
Fazla basıklık (G2)10.02
Shapiro-Wilk W.582
Shapiro-Wilk p< .001

Karar iki koşula bakılarak verilir; Shapiro-Wilk ve örneklem büyüklüğü karara girmez:

  1. Ölçek düzeyi. Giriş sayısı da sınav puanı da 7’den çok farklı değer alır; ikisi de sıralı değildir.
  2. Belirgin normal dışılık. Giriş sayısı belirgin biçimde sağa çarpıktır: G1 = 3.13 ve G2 = 10.02; iki değer de eşiklerin (2 ve 7) üstündedir. Sınav puanı ise belirgin biçimde çarpık değildir; çarpıklığı ve basıklığı eşiklerin çok altındadır.
  3. Shapiro-Wilk ve örneklem büyüklüğü. Giriş sayısında test anlamlıdır (W = .582, p < .001) ve raporlanır; ama kararı ne bu test ne de 30 öğrencilik örneklem verir, çarpıklığın büyüklüğü verir.

Sonuç: Spearman ρ birincil katsayıdır; Pearson r duyarlılık analizi olarak yanına eklenir. Aynı veride iki katsayının sonucu şöyledir. İkinci kart giriş sayısını sınav puanıyla birlikte, birincil katsayı Spearman ρ ile verir:

Platforma giriş sayısı ve sınav puanı: Spearman ρ, birincil katsayı (öğretici veri, n = 30)
Saçılım grafiği Platforma giriş sayısı ve sınav puanı: Spearman ρ, birincil katsayı (öğretici veri, n = 30) 40 50 60 70 80 90 050100150 Platforma giriş sayısı (dönem boyunca) Sınav puanı (0–100) giris 23, puan 64giris 12, puan 71giris 31, puan 56giris 8, puan 58giris 142, puan 88giris 19, puan 72giris 26, puan 67giris 14, puan 49giris 37, puan 65giris 17, puan 68giris 21, puan 47giris 28, puan 70giris 10, puan 66giris 44, puan 58giris 15, puan 74giris 25, puan 53giris 33, puan 73giris 16, puan 57giris 118, puan 84giris 20, puan 61giris 35, puan 51giris 11, puan 52giris 24, puan 76giris 40, puan 60giris 13, puan 60giris 27, puan 59giris 15, puan 63giris 30, puan 62giris 22, puan 69giris 18, puan 55
girispuan
2364
1271
3156
858
14288
1972
2667
1449
3765
1768
2147
2870

İlk 12 satır (toplam 30) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)

Üçüncü kart aynı iki değişkeni duyarlılık analizi olan Pearson r ile verir:

Platforma giriş sayısı ve sınav puanı: Pearson r, duyarlılık analizi (öğretici veri, n = 30)
Saçılım grafiği Platforma giriş sayısı ve sınav puanı: Pearson r, duyarlılık analizi (öğretici veri, n = 30) 40 50 60 70 80 90 050100150 Platforma giriş sayısı (dönem boyunca) Sınav puanı (0–100) giris 23, puan 64giris 12, puan 71giris 31, puan 56giris 8, puan 58giris 142, puan 88giris 19, puan 72giris 26, puan 67giris 14, puan 49giris 37, puan 65giris 17, puan 68giris 21, puan 47giris 28, puan 70giris 10, puan 66giris 44, puan 58giris 15, puan 74giris 25, puan 53giris 33, puan 73giris 16, puan 57giris 118, puan 84giris 20, puan 61giris 35, puan 51giris 11, puan 52giris 24, puan 76giris 40, puan 60giris 13, puan 60giris 27, puan 59giris 15, puan 63giris 30, puan 62giris 22, puan 69giris 18, puan 55
girispuan
2364
1271
3156
858
14288
1972
2667
1449
3765
1768
2147
2870

İlk 12 satır (toplam 30) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)

  • Birincil, Spearman: n = 30, ρ = .20, p = .297, %95 güven aralığı (GA) [−.18, .52]
  • Duyarlılık, Pearson: r(28) = .59, p < .001, %95 güven aralığı [.29, .78]

İki katsayı neden ayrıştı?

Saçılım grafiğinde iki öğrenci ötekilerden çok uzaktadır: ikisi de sınıfın geri kalanından çok daha fazla giriş yapmış ve sınavda en yüksek iki puanı almıştır. Pearson r bu iki noktanın ortalamadan uzaklığını hesaba katar; saçılım grafiğine çizilen en küçük kareler doğrusu da onlara doğru çekilir. r’nin büyüklüğü büyük ölçüde bu iki öğrenciden gelir. Spearman ρ’da aynı iki öğrenci yalnız en büyük iki sırayı alır. Kalan 28 öğrencide giriş sayısı ile puan arasında belirgin bir eğilim yoktur; bu iki öğrenci çıkarıldığında iki katsayı da sıfıra yakın çıkar.

Birincil katsayı Spearman ρ olduğu için sonuç şudur: giriş sayısı ile sınav puanı arasında anlamlı bir monoton ilişki gösterilemedi. Pearson’ın anlamlı sonucu gizlenmez; duyarlılık analizi olarak yanında yazılır ve iki öğrenciye dayandığı açıklanır. Pearson’ı anlamlı çıktığı için birincil yapmak, sonucu gördükten sonra yöntem seçmek olurdu; bu da birinci tür hata oranını şişirir (Simmons vd., 2011).

Ayrışma ters yönde de olabilir: birkaç kaba hatalı değer Pearson’ı sıfıra çekerken Spearman anlamlı çıkabilir. Kural aynıdır; birincil katsayı sonuca göre değişmez. Uç gözlemlerin nasıl inceleneceği ve hangi durumda analizden çıkarılabileceği aykırı değer yazısında anlatılır; çıkarılsalar bile bu bir duyarlılık analizidir ve tam veriyle birlikte raporlanır.

Yöntem ve bulgular bölümünde nasıl yazılır?

Yöntem bölümünde karar ve gerekçesi kısaca yazılır:

Tezde nasıl yazılır

Platforma giriş sayısı belirgin biçimde sağa çarpık olduğu için (G1 = 3.13, G2 = 10.02) giriş sayısı ile sınav puanı arasındaki ilişki Spearman sıra korelasyonuyla incelendi. Pearson korelasyonu duyarlılık analizi olarak raporlandı.

Bulgular bölümünde iki katsayı birlikte verilir:

Giriş sayısı ile sınav puanı arasında anlamlı bir monoton ilişki bulunmadı, rs(28)=.20r_s(28) = .20, p = .297, %95 GA [−.18, .52]. Duyarlılık analizinde Pearson korelasyonu anlamlıydı, r(28) = .59, p < .001, %95 GA [.29, .78]; bu ilişki büyük ölçüde en çok giriş yapan iki öğrenciden kaynaklanıyordu.

Spearman katsayısı APA 7’de rsr_s ile gösterilir. Bir korelasyon matrisinde katsayı türü bütün tablo için bir kez seçilir; hangi katsayının birincil olduğu ve öteki katsayının duyarlılık analizi olarak nerede verildiği tablo notunda yazılır (korelasyon tablosu). Eksik veri varsa her katsayının kaç gözlemle hesaplandığı da belirtilir (eksik veri). Sayıların ve simgelerin biçimi APA 7’ye göre istatistik raporlama yazısında anlatılır.

Sık yapılan hatalar

Pearson ile Spearman seçiminde ve iki katsayının yorumunda yapılan hatalar aşağıdadır; ilk üçü, katsayıyı ölçek düzeyi ve dağılımın biçimi dışında bir ölçüte göre seçmektir.

  • İki katsayıyı da hesaplayıp anlamlı olanı raporlamak. Karar kuralı analiz planına önceden yazılır; katsayı sonuçlara bakılmadan, yalnız ölçek düzeyi ve dağılımın biçimiyle seçilir; öteki duyarlılık analizi olarak açıkça yazılır (Simmons vd., 2011).
  • Katsayıyı Shapiro-Wilk sonucuna göre seçmek. Karar ölçek düzeyine ve çarpıklık ile basıklığın büyüklüğüne göre verilir.
  • Küçük örneklemde Spearman’a ya da Kendall’a geçmek. Örneklem büyüklüğü katsayıyı seçmez; küçük örneklemin sorunu geniş güven aralığıdır.
  • r ile ρ’yu aynı niceliğin iki tahmini sanmak. Biri doğrusal, öteki monoton ilişkiyi ölçer. Katsayıyı bir etki büyüklüğü olarak yorumlarken hangisinin raporlandığı yazılır; r²’nin ortak varyans yorumu ρ’ya taşınmaz.
  • Saçılım grafiğine bakmamak. Aynı katsayı çok farklı desenlerden doğabilir (Anscombe, 1973).
  • Tek bir Likert maddesinde Pearson kullanmak. Tek bir madde sıralıdır; maddeler arasındaki ilişki Spearman ile incelenir.
  • Korelasyonu nedensellik saymak. Hangi katsayı seçilirse seçilsin, ilişki bir değişkenin ötekine yol açtığını göstermez (korelasyon ve nedensellik).

Sık sorulan sorular

Verilerim normal dağılmıyorsa Pearson kullanamaz mıyım?

Kullanabilirsiniz. Pearson r’nin kendisi betimseldir; anlamlılık testi ve güven aralığı normalliğe dayanır, ama normal dağılımdan hafif sapma Pearson’ı geçersiz kılmaz. Spearman’ı birincil yapan, değişkenlerden birinin sıralı ölçekte ya da belirgin biçimde normal dışı olmasıdır. Normal dışılığın ölçütü: ∣c¸arpıklık∣>2{|\text{çarpıklık}| > 2} ya da ∣fazla basıklık∣>7{|\text{fazla basıklık}| > 7}.

Shapiro-Wilk testi anlamlı çıktı; Spearman’a geçmeli miyim?

Tek başına bu yetmez. Sonucu raporlayın; iki değişkenin çarpıklık ve basıklık değerlerine, histogramına ve saçılım grafiğine bakın. Değerler eşiklerin altındaysa ve değişkenler sıralı değilse Pearson birincil kalır, Spearman duyarlılık analizi olarak yanına eklenir.

Örneklemim 30’dan küçük; Spearman ya da Kendall mı kullanmalıyım?

Hayır. Seçim ölçek düzeyine ve dağılımın biçimine göre yapılır. Küçük örneklemde iki katsayının da güven aralığı geniştir; katsayıyı değiştirmek bunu düzeltmez. Kendall τ-b, çok sayıda bağlı değer olduğunda Spearman’a bir seçenektir; değeri aynı veride genellikle ρ’dan küçüktür, bu yüzden ikisi birbirinin yerine okunmaz.

Pearson ile Spearman farklı sonuç verirse hangisini raporlamalıyım?

Analiz planındaki kurala göre birincil seçilen katsayıyı birincil sonuç olarak, ötekini duyarlılık analizi olarak raporlayın ve ayrışmayı açıklayın. Ayrışma çoğu zaman birkaç uç değerden, belirgin çarpıklıktan ya da doğrusal olmayan bir ilişkiden kaynaklanır; saçılım grafiği hangisi olduğunu gösterir.

Likert ölçeği puanlarında Pearson mu Spearman mı?

Tek bir madde sıralıdır; Spearman kullanılır. Birçok maddenin toplamı ya da ortalaması olan ölçek puanı genellikle sürekli kabul edilir ve Pearson ile incelenir. Ölçek puanlarından biri belirgin biçimde normal dışıysa Spearman yine birincil olur.

Spearman’ın güven aralığı Pearson’ınkinden neden farklı hesaplanır?

İkisi de Fisher dönüşümünü kullanır, ama ρ’nun örnekleme değişkenliği r’ninkinden biraz büyüktür. Bonett ve Wright (2000) bu yüzden Spearman için daha büyük bir standart hata önerir; aynı örneklem büyüklüğünde ρ’nun aralığı biraz daha geniş çıkar.

  • #korelasyon-analizi
  • #pearson-r
  • #spearman-rho
  • #istatistiksel-test-secimi

Bilimsel inceleme

Doç. Dr. Hasan Yıldırım

Karamanoğlu Mehmetbey Üniversitesi Öğretim Üyesi

İnceleme tarihi:

Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.

Kaynakça

  1. Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21.
  2. Bishara, A. J., & Hittner, J. B. (2012). Testing the significance of a correlation with nonnormal data: Comparison of Pearson, Spearman, transformation, and resampling approaches. Psychological Methods, 17(3), 399–417.
  3. Bonett, D. G., & Wright, T. A. (2000). Sample size requirements for estimating Pearson, Kendall and Spearman correlations. Psychometrika, 65(1), 23–28.
  4. de Winter, J. C. F., Gosling, S. D., & Potter, J. (2016). Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes: A tutorial using simulations and empirical data. Psychological Methods, 21(3), 273–290.
  5. Fisher, R. A. (1921). On the "probable error" of a coefficient of correlation deduced from a small sample. Metron, 1(4), 3–32.
  6. Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science, 22(11), 1359–1366.
  7. West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56–75). Sage.

Bu analizi şimdi yapın

Basira’da kendiniz yapın

Korelasyon Analizi modülünü örnek veriyle açın; sonra kendi verinize geçin.

Analizi aç

Uzmanla çalışın

Tez ya da makaleniz için doktora düzeyinde uzmanlar analizinizi yapar veya denetler.

Nasıl çalışır?

İlgili yazılar