Я хочу провести корреляции по ряду измерений, где использовались шкалы Лайкерта. Глядя на диаграммы рассеяния, кажется, что предположения о линейности и гомоскедастичности, возможно, были нарушены.
Связанные вопросы были заданы несколько раз на этом сайте. Проверять, выписываться
Исходя из моего опыта, есть разница между проведением анализов на предмете likert, а не на шкале likert. Шкала Ликерта - это сумма нескольких предметов. После суммирования нескольких элементов весы Ликерта получают больше возможных значений, в результате получается менее комковатая шкала. Такие шкалы часто имеют достаточное количество баллов, что многие исследователи готовы рассматривать их как непрерывные. Конечно, некоторые утверждают, что это немного кавалернее, и в психометрии было много написано о том, как лучше всего измерить психологические и связанные с ними конструкты.
Исходя из моих случайных наблюдений за чтением журнальных статей по психологии, большинство двумерных отношений между множественными шкалами Ликерта анализируются с использованием коэффициента корреляции Пирсона. Здесь я думаю о таких масштабах, как личность, интеллект, отношения, благополучие и так далее. Если у вас есть такие шкалы, стоит учесть, что ваши результаты будут сравниваться с предыдущими результатами, где Пирсон, возможно, был доминирующим выбором.
Это интересное упражнение - сравнивать Пирсона со Спирманом (и, возможно, даже с тау Кендалла). Тем не менее, вам все еще остается решение о том, какую статистику использовать, и в конечном итоге это зависит от того, какое у вас определение двумерной ассоциации.
Коэффициент корреляции является точной суммой линейных отношений между двумя переменными даже в отсутствие гомоскедастичности (или, возможно, мы должны сказать, что двумерная нормальность обусловлена тем, что ни одна из переменных не является зависимой переменной).
Если между вашими двумя переменными существует нелинейная связь, это интересно. Тем не менее, обе переменные все еще могут рассматриваться как непрерывные переменные, и, таким образом, вы все равно можете использовать Пирсона. Например, возраст часто имеет отношение U-U с другими переменными, такими как доход, но возраст по-прежнему является непрерывной переменной.
Я предлагаю вам создать точечный график и подобрать несколько сглаженных подгонок (таких как сплайн или МЕНЬШЕ) для изучения любых нелинейных отношений. Если отношения действительно нелинейны, то линейная корреляция - не лучший выбор для описания таких отношений. Затем вы можете исследовать полиномиальную или нелинейную регрессию.
Вы почти наверняка должны пойти на ро Спирмена или тау Кендалла. Часто, если данные ненормальны, но отклонения равны, вы можете выбрать r Пирсона, поскольку он не имеет большого значения. Если отклонения существенно отличаются, то вам нужен непараметрический метод.
Вероятно, вы могли бы привести практически любой вводный учебник по статистике в поддержку использования Spearman's Rho.
Обновление: если допущение о линейности нарушается, вам не следует использовать коэффициент корреляции Пирсона для ваших данных, поскольку он предполагает линейную зависимость. Rho Спирмена допустимо без линейности и предназначено для более общих монотонных отношений между переменными. Если вы хотите использовать коэффициент корреляции Пирсона, вы можете посмотреть в журнале преобразования ваших данных, так как это может иметь дело с нелинейностью.
источник
одна вещь вполне уверена, что корреляция требует линейности в отношениях в целом. теперь вы говорите, что ваши данные имеют некоторую кривую форму, поэтому нелинейная регрессия кажется левым выбором
источник