Mi az a korreláció, és hogyan értelmezzük az eredményeit?

A szakdolgozatok kvantitatív kutatásában gyakran alkalmazott eljárás a korreláció, aminek az eredményét nem ritkán rosszul értelmezik; illetve sokan nem tudnak arról sem, hogy kétféle korreláció létezik, és ezek közül a szakdolgozónak kell választania, mi több, meg is kell indokolnia, hogy miért pont az adott korrelációs eljárást választotta. Ezen eljárások közül ráadásul csak az egyik kivitelezhető Excelben, a másikhoz valamilyen egyéb statisztikai szoftver használata szükséges. Most segítek eligazodni abban, hogy pontosan hogyan értelmezzük a korreláció eredményeit.

FONTOS!

A korreláció nem azt jelenti, hogy X dolog BEFOLYÁSOL Y dolgot (ellentétben a lineáris regresszióval!!!), csak azt jelenti, hogy együtt mozog. Például, ha én marketingesként megállapítom, hogy nagyobb eséllyel vesz Dove tusfürdőt az, aki candy crush-ozik, az nem azt jelenti, hogy valaki azért szereti a dove tusfürdőt, mert candy crushozik, csak megállapítjuk, hogy együtt mozog. Hasznos eredmény? Persze, mert a candy crusht telerakom dove hirdetésekkel. Ettől függetlenül értem, hogy ez miért van? NEM. Tehát ez nem egy OK-OKOZATI ÖSSZEFÜGGÉS! A lineáris regresszió viszont AZ!

Arról, hogy mi a különbség a korreláció és a lineáris regresszió között, itt írtunk. 

Van tehát két változónk. Mondjuk a Dove tusfürdőmárka marketingesei vagyunk, és meg akarjuk tudni, hogy akik jobban szeretik a Candy Crush nevű telefonos játékot, nagyobb eséllyel vesznek-e Dove tusfürdőt. Ha ez a két érték együtt mozog (például ha minden válaszadónál együtt nő a candy crush használatának mennyiségének, és a dove tusfürdők vásárlásának száma; vagy éppen együtt csökken), akkor összefüggés van a kettő közt.

Hogyan értelmezzük a korreláció eredményeit?

A korreláció eredménye az ún. korrelációs együttható. Jele 𝑟 vagy 𝜌. Arról, hogy mikor melyik, később. A korrelációs együttható megmutatja a két változó közötti lineáris kapcsolat erősségét és irányát mutatja. Az r értéke –1 és +1 között mozoghat, jelezve a kapcsolat természetét és mértékét. 

A –1-es érték az adatok tökéletes ELLENTÉTES irányú mozgását; az 1 pedig az adatok tökéletes, AZONOS IRÁNYBA TÖRTÉNŐ mozgását feltételezi.

Tehát ha –1, akkor az azt jelenti, hogyha 1-gyel csökkent az egyik érték, a másik érték 1-gyel nő. 

Ha a korrelációs együttható 1; akkor ha az egyik érték eggyel nő, a másik érték is 1-gyel nő.

• Pozitív előjel: Ha a korrelációs együttható pozitív, akkor a két változó együtt mozog: ha az egyik növekszik, a másik is.
• Negatív előjel: Ha a korrelációs együttható negatív, akkor a két változó fordítottan mozog: ha az egyik növekszik, a másik csökken.
• Nagyobb abszolút érték (|r|): Minél közelebb áll az érték 1-hez (legyen az +1 vagy −1), annál erősebb a lineáris kapcsolat.
• Kisebb abszolút érték: Minél közelebb van az érték 0-hoz, annál gyengébb a lineáris kapcsolat. 

Korrelációs együttható értelmezési kisokos szakdolgozóknak

A korrelációs együttható azonban nem kizárólag –1; 0; vagy 1 szokott lenni. Minél nagyobb az adott érték, annál erősebb kapcsolat van a két érték közt.

• –1 és –0,66 között erős negatív korrelációs kapcsolatról beszélhetünk

• –0,66 és –0,33 között közepesen erős negatív korrelációs kapcsolatról

• –0,33 és 0 között gyenge negatív korrelációs kapcsolatról

• 0 és 0,33 között gyenge pozitív irányú korrelációs kapcsolat áll fenn

• 0,33 és 0,66 között közepesen erős pozitív irányú korrelációs kapcsolat

• 0,66 és 1 között pedig erős pozitív irányú korrelációs kapcsolat

Mit jelent a szignifikanciaszint vagy p-érték?

A korrelációs együttható mit sem ér a p-érték nélkül. Ha a p-érték 0,05-nél nagyob, az eredmény nem szignifikáns. Arról, hogy mi az a p-érték (vagy más néven szignifikanciaszint) részletesen itt írtunk.

Ne feledd, kétféle korreláció létezik! is mondom Neked, mik ezek.

Spearman's rho vagy Pearson's r: attól függően, hogy az adatok normális eloszlást követnek-e, választhatunk paraméteres vagy nemparaméteres tesztet. a Spearman korreláció egy nemparaméteres eljárás, és nem normális eloszlású adatok esetén alkalmazzuk, a Pearson korreláció egy paraméteres teszt, és normális eloszlású adatok esetén alkalmazzuk. A Spearman korreláció más néven rangkorrelációnak is hívjuk.

Sajnos az Excelben csak Pearson's r korrelációt tudsz készíteni, ezért ha pontosabb eredményekre vágysz, az adatok eloszlását, és a megfelelő korrelációs eljárást illetően, javasolt valamilyen statisztikai szoftvert, pl. SPSS-t, JASP-et, vagy PSPP-t használnod.

Arról, hogy mit jelent a normális eloszlás, és neked mi közöd hozzá, hamarosan érkezem egy bejegyzéssel.

Ha továbbra is kérdéseid vannak, keress bátran, és a szakdolgozatiro.com segítünk kibogozni.