Nyatakan andaian-andaian yang perlu dipenuhi untuk menjalan analisis korelasi Pearson dan ujian Khi

Kuasa Dua
Andaian 1 .
Your two variables should be measured at the interval or ratio level.( variabel
Anda harus diukur pada tahap selang atau nisbah ) (i.e., they are continuous).
Examples
* variables that meet this criterion include revision time.
(measured in hours),
variabel yang memenuhi kriteria ini termasuk masa semakan.
(diukur dalam jam),

* intelligence (measured using IQ score),
kecerdasan (diukur dengan menggunakan skor IQ),

* exam performance (measured from 0 to 100)
Prestasi peperiksaan (diukur dari 0 hingga 100)

* weight (measured in kg
berat (diukur dalam kg)

Andaian 2

There needs to be a linear relationship between the two variables. Whilst there are a number of
ways to check whether a linear relationship exists between your two variables
(Perlu ada hubungan yang linear antara dua pemboleh ubah. Walaupun terdapat beberapa cara
untuk memeriksa sama ada hubungan yang linear wujud antara dua pembolehubah anda )
we suggest creating a scatterplot using SPSS, where you can plot the dependent variable against
your independent variable, and then visually inspect the scatterplot to check for linearity. Your
scatterplot may look something like one of the following:
(kami sarankan menciptakan sebar menggunakan SPSS, di mana anda boleh plot pembolehubah
bersandar terhadap pembolehubah bebas anda, dan kemudian visual memeriksa sebar untuk
memeriksa kelinearan. Sebar anda mungkin kelihatan seperti satu daripada yang berikut: )

If the relationship displayed in your scatterplot is not linear, you will have to either
run a non-parametric equivalent to Pearsons correlation or transform your data,
which you can do using SPSS. In our enhanced guides, we show you how to:
(a) create a scatterplot to check for linearity when carrying out Pearsons
correlation using SPSS;
(b) interpret different scatterplot results; and
(c) transform your data using SPSS if there is not a linear relationship between
your two variables.
(Jika hubungan yang dipaparkan di sebar anda tidak linear, anda perlu sama ada
menjalankan setara bukan parametrik untuk korelasi Pearson atau mengubah data
anda, yang anda boleh lakukan dengan menggunakan SPSS. Di dalam panduan
kami meningkat, kami menunjukkan kepada anda bagaimana untuk:
(a) membuat sebar untuk memeriksa kelinearan ketika menjalankan korelasi
Pearson menggunakan SPSS;
(b) menafsirkan hasil sebar berbeza; dan
(c) mengubah data menggunakan SPSS jika tidak ada hubungan yang linear antara
dua pembolehubah anda.

Andaian 3
There should be no significant outliers. Outliers are simply single data points
within your data that do not follow the usual pattern (e.g., in a study of 100
students IQ scores, where the mean score was 108 with only a small variation
between students, one student had a score of 156, which is very unusual, and may
even put her in the top 1% of IQ scores globally). The following scatterplots
highlight the potential impact of outliers:
Seharusnya tidak ada data terpencil yang signifikan. Outlier adalah titik data hanya tunggal dalam
data anda yang tidak mengikuti pola yang biasa (contohnya, dalam satu kajian skor IQ 100 pelajar, di
mana skor min adalah 108 dengan hanya variasi kecil di antara pelajar, seorang pelajar mempunyai
skor 156 , yang sangat luar biasa, dan mungkin juga meletakkan beliau di atas 1% daripada skor IQ di
seluruh dunia). The scatterplots berikut menyerlahkan potensi kesan outlier:


Pearsons r is sensitive to outliers, which can have a very large effect on the line of best fit and the
Pearson correlation coefficient, leading to very difficult conclusions regarding your data. Therefore,
it is best if there are no outliers or they are kept to a minimum. Fortunately, when using SPSS to run
Pearsons correlation on your data, you can easily include criteria to help you detect possible
outliers. In our enhanced Pearsons correlation guide, we:
(a) show you how to detect outliers using "casewise diagnostics", which is a simple process when
using SPSS; and
(b) discuss some of the options you have in order to deal with outliers.
R Pearson sensitif terhadap data terpencil, yang boleh mempunyai kesan yang sangat besar pada
garis lurus penyuaian terbaik dan pekali korelasi Pearson, yang membawa kepada kesimpulan yang
sangat sulit mengenai data anda. Oleh itu, adalah lebih baik jika tidak ada data terpencil atau mereka
dikekalkan pada tahap minimum. Mujurlah, apabila menggunakan SPSS untuk menjalankan korelasi
Pearson data anda, anda boleh dengan mudah memasukkan kriteria untuk membantu anda
mengesan data terpencil mungkin. Dalam panduan korelasi Pearson ditingkatkan kami, kami:
(a) menunjukkan cara untuk mengesan data terpencil menggunakan "diagnostik casewise", yang
merupakan proses yang mudah apabila menggunakan SPSS; dan
(b) membincangkan beberapa pilihan yang ada dalam rangka menghadapi titik terpencil.

Andaian 4
Your variables should be approximately normally distributed. In order to assess
the statistical significance of the Pearson correlation, you need to have bivariate
normality, but this assumption is difficult to assess, so a simpler method is more
commonly used. This known as the Shapiro-Wilk test of normality, which is easily
tested for using SPSS. In addition to showing you how to do this in our enhanced
Pearsons correlation guide, we also explain what you can do if your data fails this
assumption.
Pembolehubah anda perlu kira-kira bertaburan normal. Untuk menilai kepentingan statistik korelasi
Pearson, anda perlu mempunyai normal bivariat, tetapi andaian ini adalah sukar untuk menilai, jadi
kaedah yang lebih mudah adalah lebih biasa digunakan. Ini dikenali sebagai ujian Shapiro-Wilk
normal, yang mudah diuji untuk menggunakan SPSS. Selain menunjukkan anda bagaimana untuk
melakukan ini dalam panduan korelasi Pearson ditingkatkan kami, kami juga menjelaskan apa yang
boleh dilakukan jika data anda gagal andaian ini.

You can check assumptions #2, #3 and #4 using SPSS. We suggest testing these assumptions in this
order because it represents an order where, if a violation to the assumption is not correctable, you will
no longer be able to use Pearsons correlation (although you may be able to run another statistical test
on your data instead). Just remember that if you do not run the statistical tests on these assumptions
correctly, the results you get when running a Pearson's correlation might not be valid. This is why we
dedicate a number of sections of our enhanced Pearson's correlation guide to help you get this right.
Anda boleh menyemak andaian # 2, # 3 dan # 4 menggunakan SPSS. Kami cadangkan menguji
andaian ini dalam urutan ini kerana ia merupakan suatu perintah di mana, jika pelanggaran dengan
pengambilalihan itu tidak diperbaiki, anda tidak lagi dapat menggunakan korelasi Pearson (walaupun
anda mungkin boleh untuk menjalankan ujian statistik lain kepada data anda, bukan ). Hanya ingat
bahawa jika anda tidak menjalankan ujian statistik mengenai andaian ini benar, hasil yang anda
dapat apabila berjalan korelasi Pearson mungkin tidak sah. Inilah sebabnya mengapa kami
mendedikasikan beberapa bahagian dari panduan korelasi Pearson kami ditingkatkan untuk
membantu anda mendapatkan hak ini.


2 key assumptions to be aware of before applying the chi-square test
2 Andaian utama yang harus diperhatikan sebelum memohon ujian khi-kuasa dua
1 Sample size assumption:
Contoh saiz sample
The chi-square test can be used to determine differences in proportions using a two-by-two
contingency table. It is however important to understand that the chi-square tests yields only
an approximate p-value, on which a correction factor is then applied. This only works well
when your datasets are large enough. When sample sizes are small, as indicated by more than
20% of the contingency cells having expected values -< 5 a Fisher's exact test maybe more
appropriate. This test is one of a class of exact tests, because the significance of the
deviation from a null hypothesis can be calculated exactly, rather than relying on an
approximation.
Ujian khi-kuasa dua boleh digunakan untuk menentukan perbezaan dalam perkadaran yang
menggunakan jadual kontingensi dua-dua. Bagaimanapun, ia adalah penting untuk memahami
bahawa ujian khi-kuasa hanya menghasilkan anggaran nilai p, di mana faktor pembetulan kemudian
diterapkan. Ini hanya berfungsi dengan baik apabila set data anda adalah cukup besar. Apabila saiz
sampel adalah kecil, seperti yang ditunjukkan oleh nilai-nilai lebih dari 20% daripada sel-sel luar
jangka telah dijangka <5 ujian yang tepat Fisher mungkin lebih sesuai. Ujian ini adalah salah satu
kelas "ujian tepat", kerana kepentingan penyimpangan dari "hipotesis nol" boleh dikira dengan
tepat, dan bukannya bergantung kepada anggaran sahaja.

2. Independence assumption:
chi-square test cannot be used on correlated data. When you are looking to test differences in
proportions among matched pairs in a before/after scenario, an appropriate choice would be
the McNemar's test. In essence, it is a chi-square goodness of fit test on the two discordant cells,
with a null hypothesis stating that 50% of the changes (agreements or disagreements) go in each
direction. This test requires the same subjects to be included in the before and after measurements
i.e. the pairs should be matched one-on-one.
ujian khi-kuasa yang tidak dapat digunakan pada data berkorelasi. Apabila anda mencari untuk
menguji perbezaan dalam perkadaran di antara pasangan yang cocok dalam sebelum / selepas
senario, pilihan yang sesuai akan menjadi ujian McNemar. Pada dasarnya, ia adalah satu kebaikan
khi-kuasa dua ujian patut mengenai dua sel sumbang, dengan hipotesis nol yang menyatakan
bahawa 50% daripada perubahan (perjanjian atau perbedaan pendapat) pergi di setiap arah. Ujian
ini memerlukan jumlah mata pelajaran yang termasuk dalam sebelum dan selepas pengukuran iaitu
pasangan perlu dipadankan satu-satu.