تفسير الارتباطات في فوركس ستاتا

سبيرمانز الترابط باستخدام ستاتا مقدمة معامل ارتباط الرتبة سبيرمان (تقصير لارتباط سبيرمانز الرتب في ستاتا) هو اختبار غير قياسي يقيس قوة واتجاه الارتباط بين متغيرين يقاسان على مقياس ترتيبي أو مستمر. وكثيرا ما يكون معامل ارتباط سبيرمان بالرمز r s (أو الحرف اليوناني رو، رو رو). وهو اختبار مفيد عندما لا يمكن تشغيل ارتباط بيرسونس بسبب انتهاكات طبيعية، علاقة غير خطية أو عندما يتم استخدام المتغيرات الترتيبية. على سبيل المثال، يمكنك استخدام علاقة سبيرمانز لفهم ما إذا كان هناك ارتباط بين أداء القفز العالي والوقت الذي يقضيه التدريب (أي أن المتغيرين سيكونان أداء القفزة العالية، ويقاس في الارتفاع قفز، والوقت الذي يقضيه التدريب، ويقاس بالساعات في الأسبوع ). إذا كان هناك ارتباط معتدل، إيجابي، يمكننا أن نقول أن المزيد من الوقت الذي يقضيه التدريب ارتبط مع أفضل أداء الوثب العالي. بدلا من ذلك، يمكنك استخدام ارتباط سبيرمانز لفهم ما إذا كان هناك ارتباط بين طول البطالة والصحة (أي المتغيرين الخاص بك سيكون طول البطالة، ويقاس في أيام، والصحة، ويقاس باستخدام مقياس مستمر). إذا كان هناك ارتباط قوي، سلبي، يمكننا أن نقول أنه كلما طال طول البطالة، وانخفاض مستوى الصحة. في هذا الدليل، نعرض لكم كيفية تنفيذ علاقة سبيرمانز باستخدام ستاتا، فضلا عن تفسير والإبلاغ عن نتائج هذا الاختبار. ومع ذلك، قبل أن نقدم لكم لهذا الإجراء، تحتاج إلى فهم الافتراضات المختلفة التي يجب أن تلبي البيانات الخاصة بك من أجل ارتباط سبيرمانز لتعطيك نتيجة صالحة. نناقش هذه الافتراضات بعد ذلك. الافتراضات هناك افتراضان يدعمان علاقة سبيرمانز. إذا لم يتم استيفاء أي من هذين الافتراضين، فإن تحليل البيانات باستخدام علاقة سبيرمانز قد لا يؤدي إلى نتيجة صحيحة. منذ الافتراض 1 يتعلق اختيارك للمتغيرات، فإنه لا يمكن اختبار لاستخدام ستاتا. ومع ذلك، يجب عليك أن تقرر ما إذا كانت دراستك تلبي هذا الافتراض قبل الانتقال. الافتراض 1: يجب قياس المتغيرين على مقياس ترتيبي أو مستمر (أي الفاصل الزمني أو مقياس النسبة). وتشمل أمثلة المتغيرات الترتيبية جداول ليكيرت (على سبيل المثال مقياس من 7 نقاط يوافق بشدة من خلال عدم موافقته بشدة)، من بين طرق أخرى لفئات التصنيف (على سبيل المثال مقياس من 5 نقاط لقياس الرضا الوظيفي، بدءا من معظم راض إلى أقل رضا 4 على نطاق واسع تحديد مدى سهولة التنقل في موقع جديد، بدءا من السهل جدا إلى الصعب جدا أو مقياس من 3 نقاط شرح كم يحب العملاء منتج، بدءا من ليس كثيرا إلى نعم، والكثير). ومن الأمثلة على المتغيرات المستمرة الارتفاع (مقيس بالأقدام والبوصة)، ودرجة الحرارة (المقاسة بالديغك)، والراتب (مقيس بالدولار الأمريكي)، ووقت المراجعة (مقيس بالساعات)، والذكاء (المقيس باستخدام درجة الذكاء)، ووقت التفاعل ميلي ثانية)، وأداء الاختبار (قياس من 0 إلى 100)، والمبيعات (يقاس في عدد المعاملات في الشهر)، وهكذا دواليك. يمكنك معرفة المزيد عن المتغيرات الترتيبية والمستمرة في مقالنا: أنواع المتغير. لحسن الحظ، يمكنك التحقق من الافتراض 2 باستخدام ستاتا. عند الانتقال إلى الافتراض 2، لا تفاجأ إذا فشلت البيانات الخاصة بك هذا الافتراض لأن هذا يمكن أن يحدث عند العمل مع البيانات في العالم الحقيقي بدلا من أمثلة الكتاب المدرسي، والتي غالبا ما تظهر لك فقط كيفية تنفيذ علاقة سبيرمانز عندما يسير كل شيء على ما يرام. ومع ذلك، لا داعي للقلق لأنه حتى عندما تفشل البيانات الخاصة بك هذا الافتراض، غالبا ما يكون هناك حل للتغلب على هذا (على سبيل المثال تحويل البيانات الخاصة بك أو باستخدام اختبار إحصائي آخر بدلا من ذلك). تذكر فقط أنه إذا كنت لا تحقق من أن البيانات التي تلبي هذا الافتراض أو أنك لا اختبار لذلك بشكل صحيح، فإن النتائج التي تحصل عليها عند تشغيل ارتباط سبيرمانز قد لا تكون صالحة. الافتراض 2: يجب أن تكون هناك علاقة رتيبة بين المتغيرين. توجد علاقة رتيبة عند زيادة المتغيرات في القيمة معا، أو كلما زادت قيمة المتغير الواحد، تنخفض قيمة المتغير الآخر. في حين أن هناك عددا من الطرق للتحقق مما إذا كانت هناك علاقة رتيبة بين المتغيرين الخاصين بك، نقترح إنشاء سكاتيربلوت باستخدام ستاتا حيث يمكنك رسم متغير واحد ضد الآخر، ومن ثم فحص بصريا من سكاتيربلوت للتحقق من روتينية. قد يبدو سكاتيربلوت الخاص بك شيئا مثل واحد مما يلي: كوبيرايت كوبي لاير ستاتيستيكش 2014 إذا كانت العلاقة المعروضة في سكاتيربلوت الخاص بك ليست رتيبة، سيكون لديك للنظر إما التحول أو نوع آخر من الاختبار تماما. في الممارسة العملية، والتحقق من الافتراض 2 ليست مهمة صعبة و ستاتا يوفر كل الأدوات التي تحتاج إلى القيام بذلك. ومن الجدير بالذكر أيضا أن المتغيرات الخاصة بك لا تحتاج إلى أن توزع عادة لتشغيل علاقة سبيرمانز. وبالإضافة إلى ذلك، سبيرمانز الارتباط ليست حساسة جدا إلى القيم المتطرفة (ملاحظات غير عادية في البيانات الخاصة بك)، وبالتالي فإن وجود هذه النقاط البيانات لا يبطل تلقائيا النتائج التي تحصل عليها من تشغيل علاقة سبيرمانز. في القسم، إجراء الاختبار في ستاتا. فإننا نوضح إجراء ستاتا المطلوب لتنفيذ علاقة سبيرمانز بافتراض عدم وجود افتراضات قد انتهكت. أولا، وضعنا المثال الذي نستخدمه لشرح الإجراء سبيرمانز الارتباط في ستاتا. إن قيمة تلقي التعليم هي دائما في الأخبار، وخاصة فيما يتعلق بتحسين الرواتب التي يمكن تحقيقها مع وظيفة الدراسات العليا. وكبحث بسيط جدا، أراد الباحث أن يعرف ما إذا كان عدد السنوات التي يتعلم فيها الشخص مرتبطا بمرتبه عند 35 سنة. ولتحقيق هذا التحليل، قام الباحث بتجنيد عينة صغيرة مكونة من 13 مشاركا بعمر 35 سنة. وسجلوا عدد سنوات التعليم التي حصلوا عليها (دخلوا المتغير، إدويارز) ودفعهم الحالي (دخل المتغير، الراتب). معبرا عنه بمصطلحات متغيرة، أراد الباحث ربط الراتب و إدويارز. ملاحظة: المثال والبيانات المستخدمة لهذا الدليل وهمية. لقد أنشأناها للتو لأغراض هذا الدليل. وبالإضافة إلى ذلك، افترض أن البيانات فشلت في الافتراضات المطلوبة لتشغيل ارتباط بيرسونس. الإعداد في ستاتا في ستاتا، أنشأنا متغيرين: (1) الراتب. الذي هو راتب المشاركين (1000s في السنة) و (2) إدويارس. وهو عدد سنوات التعليم التي تلقاها أحد المشاركين. ملاحظة: لا يهم المتغير الذي تقوم بإنشائه أولا. بعد إنشاء هذين المتغيرين نداش إدويارز وندشاش الراتب دخلنا درجاتهم في عمودين من محرر البيانات (تحرير) جدول البيانات، كما هو مبين أدناه: نشرت بإذن خطي من ستاتاكورب لب. إجراء الاختبار في ستاتا في هذا القسم، نعرض لك كيفية تحليل البيانات الخاصة بك باستخدام علاقة سبيرمانز في ستاتا عندما الافتراضين الموصوفين في القسم السابق، الافتراضات. لم تنتهك. يمكنك تنفيذ ارتباط سبيرمانز باستخدام رمز أو ستاتاس واجهة المستخدم الرسومية (غوي). بعد أن تقوم بتحليلك، نعرض لك كيفية تفسير نتائجك. أولا، اختر ما إذا كنت تريد استخدام رمز أو ستاتاس واجهة المستخدم الرسومية (غوي). الرمز الأساسي لتشغيل ارتباط سبيرمانز يأخذ شكل: سبيرمان فاريابيلا فاريليب باستخدام هذا الرمز، ستاتا تقرير: (أ) عدد الملاحظات (أي المشاركين) في تحليل سبيرمانز الارتباط (ب) معامل ارتباط سبيرمانز و (ج) لها دلالة إحصائية (أي p - value). هناك العديد من الخيارات الأخرى المتاحة في ستاتا، ولكننا سوف نركز على الإحصاءات الأساسية في هذا الدليل. استبدال المتغيرين في مثالنا نداش راتب و إدويارس ندش إلى فاريابلي و فاريليب على التوالي في التعليمات البرمجية المبينة أعلاه، يمكنك الحصول على التعليمات البرمجية التالية: سبيرمان الراتب إدويارس هذا هو رمز تحتاج إلى الدخول في ستاتا لتشغيل سبيرمانز الارتباط على هذه المتغيرات . يجب إدخال الرمز في المربع في ستاتا، الذي يظهر أدناه: تم نشره بإذن كتابي من ستاتاكورب لب. لذلك، أدخل رمز في المربع، كما هو مبين أدناه: نشرت مع إذن خطي من ستاتاكورب لب. الآن اضغط على مفتاح ريتورننتر على لوحة المفاتيح لإنشاء النتائج. سيظهر الناتج ستاتا التي سيتم إنتاجها هنا. واجهة المستخدم الرسومية (غوي) الخطوات الثلاث المطلوبة لتنفيذ علاقة سبيرمانز في ستاتا 12 و 13 مبينة أدناه: ل ستاتا 13، انقر فوق الاحصائيات غ تحليل غير متغير غ اختبارات الفرضيات غ سبيرمانز ارتباط الرتبة في القائمة الرئيسية، كما هو موضح أدناه : ملاحظة: ل ستاتا 12 (ولكن أيضا صالحة ل ستاتا 13)، انقر فوق الاحصائيات غ ملخصات والجداول والاختبارات غ نونبارامتريك الفرضيات غ سبيرمانز رتبة الارتباط على القائمة الرئيسية. نشرت بإذن خطي من ستاتاكورب لب. سيتم تقديمك مع سبيرمان التالية - سبيرمانز رتبة الارتباط مربع الحوار المعاملات: نشرت بإذن خطي من ستاتاكورب لب. حدد الراتب و إدويارس من داخل المتغيرات: (ترك فارغة للجميع) مربع، وذلك باستخدام الزر. سوف ينتهي بك الأمر مع الشاشة التالية: نشرت بإذن كتابي من ستاتاكورب لب. ملاحظة: لا يهم في الترتيب الذي حدد المتغيرين من داخل المتغيرات: (ترك فارغة للجميع) مربع. وبالإضافة إلى ذلك، إذا قمت بتحديد كافة الخيارات في ندشليست من منطقة ستاتيستيكشنداش، سوف ينتهي بك الأمر مع نفس الإخراج (أي حجم العينة، معامل ارتباط سبيرمانز ومستوى دلالة إحصائية إخراج سبيرمانز الارتباط في ستاتا إذا مرت البيانات الخاصة بك الافتراض 2 (أي كان هناك علاقة رتيبة بين المتغيرين)، والتي شرحناها سابقا في قسم الافتراضات، سوف تحتاج فقط لتفسير الناتج سبيرمانز الارتباط التالية في ستاتا: نشرت بإذن خطي من ستاتاكورب لب السطر الأول (أي راتب سبيرمان إدويارس) يحتوي على التعليمات البرمجية التي ركض ستاتا لتوليد ارتباط سبيرمانز. إذا اتبعت نهج رمز (هنا) سوف تعترف هذا الرمز الذي أدخلته في ستاتا. من ناحية أخرى، سوف المستخدمين واجهة المستخدم الرسومية لا تعترف هذه التعليمات البرمجية، ولكن هذا هو التعليمات البرمجية التي تم تشغيلها وراء الكواليس عند تحديد الخيارات المختلفة في سبيرمان - سبيرمانز مربع الارتباط معامل ارتباط الرتب السطر التالي (عدد الشواهد 13) يحتوي على عدد الملاحظات (أي. المشاركين) التي تم تحليلها. كان هناك 13 مشاركا في هذا المثال ومن ثم 13 في الإخراج. السطر التالي (سبيرمانز رو 0.8583) يعرض القيمة الفعلية لمعامل ارتباط سبيرمانز. يمكنك أن ترى أن سبيرمانز رو (رو) هو 0.8583. قيم معامل ارتباط سبيرمانز أقل عموما من معامل ارتباط بيرسونس و سبيرمانز رو من 0.8583 يشير إلى علاقة رتابة قوية. وبما أن معامل سبيرمانز إيجابي فيمكنك أن تستنتج أن عددا أكبر من السنوات في التعليم مرتبط بمرتب أكبر. السطر الأخير (بروب غ t 0.0002) من المخرجات يعرض الدلالة الإحصائية ثنائية الذيل (أي p - value) لمعامل ارتباط سبيرمانز. يمكنك أن ترى أن معامل ارتباط سبيرمانز ذو دلالة إحصائية لأن p .0002، وهو أقل من p لوت .05 (عتبة مشتركة للأهمية الإحصائية). الإبلاغ عن ارتباط سبيرمانز عند الإبلاغ عن الناتج من ارتباط سبيرمانز الخاص بك، فمن الممارسة الجيدة لتشمل: أ. مقدمة للتحليل الذي قمت به. B. معلومات عن عينتك (بما في ذلك أي قيم مفقودة). معامل ارتباط سبيرمان، r s. ج - مستوى الدلالة الإحصائية (أي p-فالو) من النتيجة. واستنادا إلى النتائج المذكورة أعلاه، يمكن أن نورد نتائج هذه الدراسة على النحو التالي: تم إجراء علاقة سبيرمانز لتقييم العلاقة بين الراتب وسنوات التعليم باستخدام عينة صغيرة من 13 مشاركا الذين تتراوح أعمارهم بين 35 عاما. كان هناك ارتباط إيجابي قوي بين الراتب وسنوات التعليم، وهو ذو دلالة إحصائية، r s. 8583، p.20002. بالإضافة إلى الإبلاغ عن النتائج على النحو الوارد أعلاه، يمكن استخدام رسم بياني لعرض النتائج بصريا. على سبيل المثال، يمكنك القيام بذلك باستخدام سكاتيربلوت. هذا يمكن أن يجعل من السهل على الآخرين أن يفهموا النتائج الخاصة بك ويمكن أن تنتج بسهولة في Stata. Pearsons الارتباط باستخدام ستاتا مقدمة معامل بيرسون المنتج لحظة الارتباط، وتقصير في كثير من الأحيان إلى ارتباط بيرسون أو بيرسونس الارتباط، هو مقياس لقوة واتجاه الجمعية موجود بين متغيرين متواصلين. ويولد ارتباط بيرسون معامل يسمى معامل ارتباط بيرسون، ويشار إليه بالرمز r. ويحاول ارتباط بيرسونس رسم خط من الأنسب من خلال بيانات متغيرين، ومعامل ارتباط بيرسون، r. يشير إلى مدى بعيد كل هذه النقاط البيانات إلى هذا الخط من أفضل تناسب (أي مدى جودة البيانات تناسب هذا النموذج الجديد من أفضل تناسب). قيمته يمكن أن تتراوح من -1 للحصول على علاقة خطية سلبية مثالية إلى 1 للحصول على علاقة خطية إيجابية مثالية. تشير القيمة 0 (صفر) إلى عدم وجود علاقة بين متغيرين. على سبيل المثال، يمكنك استخدام ارتباط بيرسونس لفهم ما إذا كان هناك ارتباط بين أداء الامتحان والوقت الذي يقضيه التنقيح (بمعنى أن المتغيرين سيكونان أداء الامتحان، ويقاس من 0-100 علامة، ووقت المراجعة، ويقاس بالساعات). إذا كان هناك ارتباط معتدل، إيجابي، يمكننا أن نقول أن المزيد من الوقت الذي يقضيه تنقيح كان مرتبطا مع أداء أفضل الامتحان. بدلا من ذلك، يمكنك استخدام ارتباط بيرسونس لفهم ما إذا كان هناك ارتباط بين طول البطالة والسعادة (أي المتغيرين الخاص بك سيكون طول البطالة، ويقاس بالأيام، والسعادة، ويقاس باستخدام مقياس مستمر). إذا كان هناك ارتباط قوي، سلبي، يمكننا أن نقول أنه كلما طال طول البطالة، وكلما زاد التعاسة. في هذا الدليل، نعرض لك كيفية تنفيذ ارتباط بيرسونس باستخدام ستاتا، وكذلك تفسير والإبلاغ عن نتائج هذا الاختبار. ومع ذلك، قبل أن نقدم لكم لهذا الإجراء، تحتاج إلى فهم الافتراضات المختلفة التي يجب أن تلبي البيانات الخاصة بك من أجل ارتباط بيرسونس لتعطيك نتيجة صالحة. نناقش هذه الافتراضات بعد ذلك. الافتراضات هناك أربعة افتراضات تدعم ارتباط بيرسونس. إذا لم يتم الوفاء بأي من هذه الافتراضات الأربعة، فإن تحليل البيانات باستخدام ارتباط بيرسونس قد لا يؤدي إلى نتيجة صحيحة. منذ الافتراض 1 يتعلق اختيارك للمتغيرات، فإنه لا يمكن اختبار لاستخدام ستاتا. ومع ذلك، يجب عليك أن تقرر ما إذا كانت دراستك تلبي هذا الافتراض قبل الانتقال. الافتراض 1: يجب قياس المتغيرين الخاصين بك على المستوى المستمر. ومن أمثلة هذه المتغيرات المستمرة الارتفاع (قياس بالأقدام والبوصة)، ودرجة الحرارة (المقاسة بالديغك)، والراتب (مقيس بالدولار الأمريكي)، ووقت المراجعة (مقيس بالساعات)، والذكاء (المقيس باستخدام درجة الذكاء)، ووقت التفاعل في الملي ثانية)، وأداء الاختبار (المقاسة من 0 إلى 100)، والمبيعات (مقاسة بعدد المعاملات في الشهر)، وهكذا دواليك. إذا لم تكن متأكدا مما إذا كان متغيران متواصلان (بمعنى أنه يتم قياسهما على مستوى الفاصل الزمني أو مستوى النسبة)، فاطلع على أنواع دليل المتغيرات. ملاحظة: إذا تم قياس أي من المتغيرين على مقياس ترتيبي. تحتاج إلى استخدام سبيرمانز الارتباط بدلا من بيرسونس الارتباط. وتشمل أمثلة المتغيرات الترتيبية جداول ليكيرت (على سبيل المثال مقياس من 7 نقاط يوافق بشدة من خلال عدم موافقته بشدة)، من بين طرق أخرى لفئات التصنيف (على سبيل المثال مقياس من 5 نقاط لقياس الرضا الوظيفي، بدءا من معظم راض إلى أقل رضا 4 مقياس نقطة تحديد مدى سهولة التنقل في موقع جديد، بدءا من السهل جدا إلى الصعب جدا أو مقياس من 3 نقاط شرح كم يحب العميل منتج، بدءا من ليس كثيرا، إلى أنه على ما يرام، إلى نعم، كثير). لحسن الحظ، يمكنك التحقق من الافتراضات 2 و 3 و 4 باستخدام ستاتا. عند الانتقال إلى الافتراضات 2 و 3 و 4، نقترح اختبارها في هذا الترتيب لأنها تمثل أمرا حيث، إذا كان انتهاك الافتراض غير قابل للتصحيح، فلن تكون قادرا على استخدام ارتباط بيرسونس. في الواقع، لا تفاجأ إذا كانت البيانات الخاصة بك تفشل واحدة أو أكثر من هذه الافتراضات لأن هذا هو نموذجي إلى حد ما عند العمل مع البيانات في العالم الحقيقي بدلا من الأمثلة الكتاب المدرسي، والتي غالبا ما تظهر فقط لك كيفية إجراء ارتباط بيرسونس عندما يسير كل شيء على ما يرام . ومع ذلك، لا داعي للقلق لأنه حتى عندما تفشل البيانات الخاصة بك بعض الافتراضات، غالبا ما يكون هناك حل للتغلب على هذا (على سبيل المثال تحويل البيانات الخاصة بك أو باستخدام اختبار إحصائي آخر بدلا من ذلك). تذكر فقط أنه في حالة عدم التحقق من أن البيانات تلبي هذه الافتراضات أو أنك لا تختبرها بشكل صحيح، فإن النتائج التي تحصل عليها عند تشغيل ارتباط بيرسونس قد لا تكون صحيحة. الافتراض 2: يجب أن تكون هناك علاقة خطية بين متغيرين. في حين أن هناك عددا من الطرق للتحقق مما إذا كان هناك ارتباط بيرسونس موجود، نقترح إنشاء سكاتيربلوت باستخدام ستاتا، حيث يمكنك رسم المتغيرين الخاصين ضد بعضها البعض. يمكنك ثم فحص بصريا سكاتيربلوت للتحقق من الخطية. قد يبدو سكاتيربلوت الخاص بك شيئا مثل واحد مما يلي: إذا كانت العلاقة المعروضة في سكاتيربلوت الخاص بك ليست خطية، سيكون لديك إما لتحويل البيانات الخاصة بك أو ربما تشغيل ارتباط سبيرمانز بدلا من ذلك، والتي يمكنك القيام به باستخدام ستاتا. الافتراض 3: يجب ألا تكون هناك قيم متطرفة كبيرة. القيم المتطرفة هي ببساطة نقاط بيانات واحدة ضمن بياناتك التي لا تتبع النمط المعتاد (على سبيل المثال في دراسة 100 طالب درجات الذكاء، حيث كانت النتيجة المتوسطة 108 مع اختلاف بسيط فقط بين الطلاب، وكان طالب واحد على درجة 156، والتي هو غير عادي جدا، وربما حتى وضعها في أعلى 1 من درجات الذكاء على الصعيد العالمي). تسلط النقاط العشوائية التالية الضوء على التأثير المحتمل للقيم المتطرفة: بيرسونس r حساسة للقيم المتطرفة، والتي يمكن أن يكون لها تأثير كبير جدا على خط الأنسب ومعامل ارتباط بيرسون، مما يؤدي إلى استنتاجات صعبة للغاية بشأن البيانات الخاصة بك. ولذلك، فمن الأفضل إذا لم يكن هناك القيم المتطرفة أو يتم الاحتفاظ بها إلى الحد الأدنى. لحسن الحظ، يمكنك استخدام ستاتا للكشف عن القيم المتطرفة المحتملة باستخدام سكاتيربلوتس. الافتراض 4: يجب أن تكون متغيراتك موزعة بشكل طبيعي تقريبا. من أجل تقييم الدلالة الإحصائية للارتباط بيرسون، تحتاج إلى أن يكون ثنائية المتغيرات الطبيعية، ولكن هذا الافتراض من الصعب تقييم، لذلك طريقة أكثر بساطة هو أكثر شيوعا. وهذا ما يعرف باختبار شابيرو-ويلك للحياة الطبيعية. والتي يمكنك القيام بها باستخدام ستاتا. في الممارسة العملية، والتحقق من الافتراضات 2 و 3 و 4 ربما يستغرق معظم وقتك عند تنفيذ ارتباط بيرسونس. ومع ذلك، فإنه ليس مهمة صعبة، و ستاتا يوفر كل الأدوات التي تحتاج إلى القيام بذلك. في القسم، إجراء الاختبار في ستاتا. فإننا نوضح إجراء ستاتا المطلوب لإجراء ارتباط بيرسونس بافتراض عدم وجود افتراضات قد انتهكت. أولا، وضعنا المثال الذي نستخدمه لشرح إجراء ارتباط بيرسونس في ستاتا. وتظهر الدراسات أن ممارسة يمكن أن تساعد في منع أمراض القلب. في حدود معقولة، وكلما كنت تمارس، وأقل خطر لديك من يعانون من أمراض القلب. إحدى الطرق التي تقلل من التمارين الرياضية من خطر الإصابة بأمراض القلب هي تقليل الدهون في الدم، وتسمى الكوليسترول. وكلما كنت تمارس، وانخفاض تركيز الكولسترول. وعلاوة على ذلك، فقد تبين مؤخرا أن مقدار الوقت الذي تقضيه في مشاهدة التلفزيون ندش مؤشرا على نمط الحياة المستقرة ندش قد يكون مؤشرا جيدا لأمراض القلب (أي أن أكثر تف تشاهد، وزيادة خطر الإصابة بأمراض القلب ). ولذلك، قرر باحث لتحديد ما إذا كان تركيز الكولسترول يرتبط الوقت الذي يقضيه مشاهدة التلفزيون في صحة جيدة الرجال 45-65 سنة (فئة المعرضة للخطر من الناس). على سبيل المثال، كما قضى الناس المزيد من الوقت في مشاهدة التلفزيون، هل تركيز الكولسترول أيضا زيادة (علاقة إيجابية) أو فعل العكس يحدث لإجراء التحليل، جند الباحث 100 من الذكور الأصحاء المشاركين الذين تتراوح أعمارهم بين 45 و 65 سنة. تم تسجيل مقدار الوقت الذي يقضيه مشاهدة التلفزيون (أي المتغير، تيمتف) وتركيز الكوليسترول (أي المتغير، الكوليسترول) لكل 100 مشارك. وأعرب الباحث في المصطلحات المتغيرة عن رغبته في ربط الكوليسترول والتوقيت. ملاحظة: المثال والبيانات المستخدمة لهذا الدليل وهمية. لقد أنشأناها للتو لأغراض هذا الدليل. الإعداد في ستاتا في ستاتا، أنشأنا متغيرين: (1) تيميتف. وهو متوسط ​​الوقت اليومي الذي يقضيه مشاهدة التلفزيون في دقائق و (2) الكولسترول. وهو تركيز الكولسترول في ممول. ملاحظة: لا يهم المتغير الذي تقوم بإنشائه أولا. بعد إنشاء هذين المتغيرين نداش تيميتف والكولسترول ندش دخلنا عشرات لكل في عمودين من محرر البيانات (تحرير) جدول البيانات (أي الوقت في ساعات أن المشاركين مشاهدة التلفزيون في العمود الأيسر (أي تيمتف)، وتركيز الكولسترول المشاركين في ممول في العمود الأيمن (أي الكولسترول))، كما هو مبين أدناه: نشرت بإذن خطي من ستاتاكورب لب. إجراء الاختبار في ستاتا في هذا القسم، نعرض لك كيفية تحليل البيانات الخاصة بك باستخدام ارتباط بيرسونس في ستاتا عندما الافتراضات الأربعة في القسم السابق، الافتراضات. لم تنتهك. يمكنك تنفيذ ارتباط بيرسونس باستخدام رمز أو ستاتاس واجهة المستخدم الرسومية (غوي). بعد أن تقوم بتحليلك، نعرض لك كيفية تفسير نتائجك. أولا، اختر ما إذا كنت تريد استخدام رمز أو ستاتاس واجهة المستخدم الرسومية (غوي). رمز الأساسية لتشغيل ارتباط بيرسونس يأخذ شكل: بوكور فاريابيلا فاريليب ولكن إذا كنت تريد أيضا ستاتا لإنتاج أب القيمة (أي مستوى دلالة الإحصائية من النتيجة)، تحتاج إلى إضافة سيغ إلى نهاية التعليمات البرمجية، كما هو موضح أدناه: بوكور فاريابل فاريليب، سيغ إذا كنت تريد أيضا ستاتا أن تتيح لك معرفة ما إذا كانت النتيجة ذات دلالة إحصائية على مستوى معين (على سبيل المثال حيث p لوت .05)، يمكنك تعيين هذا p - قيمة عن طريق إضافته إلى نهاية من الرمز (على سبيل المثال (0.05) حيث p ل .05 أو (.01) حيث p لوت .01)، يسبقه نجم سيغ (مثل سيغ ستار (.05))، الذي يضع نجمة بجانب درجة الارتباط إذا نتائجك ذات دلالة إحصائية عند هذا المستوى. سوف تأخذ التعليمات البرمجية شكل: بوكور فاريابيلا فاريليب، سيغ ستار (.05) وأخيرا، إذا كنت تريد ستاتا لعرض عدد من الملاحظات (أي حجم العينة الخاصة بك، N)، يمكنك القيام بذلك عن طريق إضافة أوبس إلى نهاية كود، كما هو مبين أدناه: بوكور فاريابيلا فاريليب، سيغ ستار (.05) أوبس أيا كان الرمز الذي تختار تضمينه يجب إدخاله في المربع أدناه: نشر بإذن كتابي من ستاتاكورب لب. باستخدام مثالنا حيث متغير واحد هو الكولسترول والمتغير الآخر هو تيميتف. فإن الكود المطلوب سيكون واحدا مما يلي: بكور الكولسترول تيميتف بوكور تيميتف بوكور، سيغ بوكور تيميتف سيغ، سيغ ستار (.05) بوكور تيميتف بوكور، سيغ ستار (.05) أوبس بما أننا أردنا أن تشمل (أ) معامل الارتباط ، و (ب) قيمة p عند مستوى 0.05 و (ج) حجم العينة (أي عدد المشاهدات)، وكذلك (د) يتم إخطار ما إذا كانت نتائجه ذات دلالة إحصائية عند مستوى 0،05، كود، بوكور تيميتف بوكور، سيغ ستار (.05) أوبس. واضغط على زر ريتورننتر على لوحة المفاتيح لدينا، كما هو مبين أدناه: نشرت مع إذن خطي من ستاتاكورب لب. يمكنك أن ترى الإخراج ستاتا التي سيتم إنتاجها هنا. واجهة المستخدم الرسومية (غوي) الخطوات الثلاث المطلوبة لتنفيذ ارتباط بيرسونس في ستاتا 12 و 13 مبينة أدناه: انقر فوق S تاتيستيكش غ الملخصات والجداول والاختبارات غ ملخص والإحصاءات الوصفية غ ارتباطات بيرويز في القائمة الرئيسية، كما هو موضح أدناه: نشرت بإذن خطي من ستاتاكورب لب. سيتم تقديمك مع بوكور التالية - الارتباطات بيرويز من المتغيرات مربع الحوار: نشرت بإذن خطي من ستاتاكورب لب. حدد الكوليسترول و تيميتف من داخل المتغيرات: (ترك فارغة للجميع) مربع، وذلك باستخدام الزر. بعد ذلك، ضع علامة على عدد طباعة الملاحظات لكل إدخال. طباعة مستوى الأهمية لكل مدخل ومستوى الأهمية للعرض مع مربعات نجوم. سوف ينتهي بك الأمر مع الشاشة التالية: نشرت بإذن كتابي من ستاتاكورب لب. ملاحظة: لا يهم في الترتيب الذي حدد المتغيرين من داخل المتغيرات: (ترك فارغة للجميع) مربع. الناتج من ارتباط بيرسونس في ستاتا إذا مرت بياناتك الافتراض 2 (أي أن هناك علاقة خطية بين المتغيرين الخاصين بك)، الافتراض 3 (أي أنه لم يكن هناك قيم متطرفة كبيرة) والافتراض 4 (أي أن المتغيرين كانا موزعين بشكل طبيعي تقريبا) والتي شرحناها سابقا في قسم الافتراضات، سوف تحتاج فقط لتفسير الناتج الترابط بيرسونس التالية في ستاتا: نشرت بإذن خطي من ستاتاكورب لب. يحتوي الإخراج على ثلاث أجزاء مهمة من المعلومات: (1) معامل ارتباط بيرسون (2) مستوى الدلالة الإحصائية و (3) حجم العينة. هذه المعلومات الثلاث موضحة بمزيد من التفصيل أدناه: (1) معامل ارتباط بيرسون، r. مما يدل على قوة واتجاه الرابطة بين المتغيرين، الكوليسترول و تيمتف: يظهر هذا في الصف الأول من المربع الأحمر. في مثالنا، معامل ارتباط بيرسون، r. هو 0.3709. كما أن علامة معامل ارتباط بيرسون إيجابية، يمكنك استنتاج أن هناك علاقة إيجابية بين تركيز الكوليسترول (الكوليسترول) والوقت اليومي الذي يقضيه مشاهدة التلفزيون (تيميتف) وهذا هو، وزيادة تركيز الكوليسترول مع الوقت الذي يقضيه مشاهدة التلفزيون يزيد. ملاحظة: بعض الاعتراض على الوصف، وزيادة تركيز الكوليسترول مع الوقت الذي يقضيه مشاهدة التلفزيون يزيد. والسبب في هذا الاعتراض متأصل في معنى الزيادات. استخدام هذا الفعل قد يشير إلى أن تأثير هذا المتغير هو سبور أندور مانيبولاتابل بحيث يمكنك زيادة الوقت الذي يقضيه مشاهدة التلفزيون (تيميتف) في المشاركين الخاص بك وهذا من شأنه أن يؤدي إلى زيادة تركيز الكوليسترول في الدم (الكوليسترول). هذا لا يعني أن هذا قد لا يكون ممكنا. ومع ذلك، هذه المعرفة لا ترد في الارتباط، ولكن من الناحية النظرية. على هذا النحو، قد تفضل أن أذكر العلاقة كما، ترتبط قيم أعلى من تركيز الكوليسترول إلى زيادة الوقت الذي يقضيه مشاهدة التلفزيون. ويحدد حجم معامل ارتباط بيرسون قوة الارتباط. وعلى الرغم من عدم وجود قواعد صارمة وسريعة لتخصيص قوة الارتباط لقيم معينة، فإن بعض المبادئ التوجيهية العامة توفرها كوهين (1988): قوة الرابطة حيث r تعني القيمة المطلقة أو r (على سبيل المثال r غ .5 تعني r غ .5 و r لوت -5). ولذلك، فإن معامل ارتباط بيرسون في هذا المثال (ص .371) يشير إلى ارتباط قوة متوسطة. إذا كان بدلا من ذلك، r -.371، كان لديك أيضا علاقة قوة متوسطة، وإن كانت سلبية. معامل التحديد هو نسبة التباين في متغير واحد يفسره المتغير الآخر ويتم حسابه على أنه مربع معامل الارتباط (r 2). في هذا المثال، لديك معامل التحديد، r 2. يساوي 0.371 2 0.14. ويمكن أيضا التعبير عن ذلك كنسبة مئوية (أي 14). تذكر أن هذا يفسر يشير إلى تفسيرها إحصائيا، وليس سببيا. (2) مستوى الدلالة الإحصائية (أي p-فالو)، وإذا كان الاختبار ذو دلالة إحصائية، نجم () بجانب معامل ارتباط بيرسونس: يظهر هذا في الصف الثاني من المربع الأحمر. استخدمت النتائج التي أبلغت عنها حتى الآن معامل ارتباط بيرسون لوصف العلاقة بين المتغيرين في عينتك. إذا كنت ترغب في اختبار الفرضيات حول العلاقة الخطية بين المتغيرات الخاصة بك في السكان عينة من، تحتاج إلى اختبار مستوى الأهمية الإحصائية. إن مستوى الدلالة الإحصائية (p-فالو) لمعامل الارتباط في هذا المثال هو .0001، مما يعني وجود علاقة ذات دلالة إحصائية بين المتغيرين: تركيز الكوليسترول (الكوليسترول) والوقت اليومي الذي يقضيه مشاهدة التلفزيون (تيميتف). (3) حجم العينة، n (أي عدد الملاحظات): يظهر هذا في الصف الثالث من المربع الأحمر، مما يشير إلى أن لدينا 100 مشارك في دراستنا. ملاحظة: نقدم المخرجات من ارتباط بيرسونس أعلاه. ومع ذلك، بما أنك يجب أن تختبر بياناتك للافتراضات التي شرحناها سابقا في قسم الافتراضات، ستحتاج أيضا إلى تفسير ناتج ستاتا الذي تم إنتاجه عند اختبار هذه الافتراضات. وهذا يشمل ما يلي: (أ) سكاتيربلوتس التي استخدمتها للتحقق مما إذا كانت هناك علاقة خطية بين المتغيرين (أي الافتراض 2) (ب) نفس نقاط الانتثار التي كنت قد استخدمت للتحقق من عدم وجود قيم متطرفة كبيرة (أي افتراض 3) و (ج) اختبار شابيرو-ويلك للحالة الطبيعية للتحقق مما إذا كان متغيرين تقريبا موزعين عادة (أي الافتراض 4). أيضا، تذكر أنه إذا فشلت البيانات الخاصة بك أي من هذه الافتراضات، فإن الإخراج الذي تحصل عليه من الإجراء بيرسونس الارتباط (أي الناتج نناقش أعلاه) لن تكون ذات صلة، وربما يكون لديك لإجراء اختبار إحصائي مختلف لتحليل معلوماتك. الإبلاغ عن مخرجات ارتباط بيرسونس عند الإبلاغ عن ارتباط ارتباط بيرسونس الخاص بك، فمن الممارسة السليمة أن تشمل: أ. مقدمة للتحليل الذي قمت به. B. معلومات عن عينتك (بما في ذلك أي قيم مفقودة). C. معامل ارتباط بيرسون، r. ودرجة من الحرية، وهي حجم العينة ناقص 2 (على سبيل المثال لعينة حجم 100، ودرجات الحرية سيكون 98. كما هو الحال في مثالنا). د. مستوى الدلالة الإحصائية (أي p - value) من النتيجة. ه - معامل التحديد، r 2 (أي نسبة التباين في متغير واحد يفسره المتغير الآخر). واستنادا إلى النتائج المذكورة أعلاه، يمكننا أن نبلغ عن نتائج هذه الدراسة على النحو التالي: تم تشغيل بيرسونس الارتباط لحظة المنتج لتقييم العلاقة بين تركيز الكوليسترول والوقت اليومي الذي يقضيه مشاهدة التلفزيون في 100 الذكور الذين تتراوح أعمارهم بين 45 و 65 عاما. كان هناك ارتباط إيجابي معتدل بين الوقت اليومي الذي يقضيه مشاهدة التلفزيون وتركيز الكوليسترول، ص (98) .371، p لوت .0005، مع الوقت الذي يقضيه مشاهدة التلفزيون شرح 14 من الاختلاف في تركيز الكوليسترول. بالإضافة إلى الإبلاغ عن النتائج على النحو الوارد أعلاه، يمكن استخدام رسم بياني لعرض النتائج بصريا. على سبيل المثال، يمكنك القيام بذلك باستخدام سكاتيربلوت. هذا يمكن أن يجعل من السهل على الآخرين لفهم النتائج الخاصة بك ويتم إنتاجها بسهولة في ستاتا.