Słownik metodologiczny · Zależności i efekty

Korelacja semicząstkowa

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Korelacja semicząstkowa

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Korelacja semicząstkowa?

Korelacja semicząstkowa usuwa wpływ kontroli tylko z jednej zmiennej, zwykle predyktora, i wiąże się z unikalnym przyrostem R².

Zastosowanie, warunki i dobre praktyki

W korelacji semicząstkowej wpływ zmiennych kontrolnych usuwa się tylko z jednego członu zależności. Jej kwadrat ma szczególnie użyteczną interpretację w regresji: pokazuje unikatowy przyrost części wariancji wyniku związany z danym predyktorem. Nie należy mylić go z korelacją cząstkową, której mianownik odnosi się do zmienności pozostałej po kontroli po obu stronach. Przed raportowaniem trzeba wskazać, z której zmiennej usunięto wpływ kowariantów, ponieważ od tego zależy mianownik i sens współczynnika.

Najważniejsze zastosowanie: Używaj do oceny unikalnego wkładu predyktora w regresji wielorakiej.

Jak to się oblicza i co oznaczają symbole?

srₓ(ᵧ·z) = [rₓᵧ − rₓz rᵧz] / √(1−rᵧz²)

Z wpływu Z oczyszcza się tylko jeden predyktor. Kwadrat sr pokazuje jego unikalny przyrost wyjaśnionej wariancji wyniku w danym modelu.

Jak poprawnie stosować i interpretować hasło „Korelacja semicząstkowa”?

W odniesieniu do pojęcia „Korelacja semicząstkowa” kluczowe jest określenie typu zależności, który ma mierzyć współczynnik: liniowej, monotonicznej, rangowej albo warunkowej po kontroli innych zmiennych. W analizie dotyczącej hasła „Korelacja semicząstkowa” przed obliczeniem wyniku należy obejrzeć wykres i sprawdzić zakres pomiaru, skupienia danych oraz obserwacje wpływowe. Dla interpretacji hasła „Korelacja semicząstkowa” identyczna wartość współczynnika może opisywać zupełnie inne układy punktów, dlatego liczba nie zastępuje obrazu relacji.

Wiarygodność „Korelacja semicząstkowa” zależy od jakości obu pomiarów, doboru próby i zgodności użytego współczynnika z kształtem relacji. W odniesieniu do hasła „Korelacja semicząstkowa” ograniczenie zakresu zmiennej może osłabić wynik, a mieszanie podgrup może stworzyć albo odwrócić zależność. Przy ocenie hasła „Korelacja semicząstkowa”, gdy wynik ma służyć wnioskowaniu, warto podać przedział ufności i przeprowadzić analizę wrażliwości na punkty wpływowe.

Co trzeba opisać w raporcie?

W raporcie dotyczącym „Korelacja semicząstkowa” należy nazwać współczynnik, obie zmienne, liczebność oraz kierunek i siłę zależności. W analizie dotyczącej hasła „Korelacja semicząstkowa” wartość punktową uzupełnia się przedziałem ufności i wartością p, lecz wniosek merytoryczny powinien odnosić się do skali zmiennych oraz wykresu, a nie do samej etykiety „słaba” lub „silna”.

Zakres raportowania dla hasła „Korelacja semicząstkowa”: sr = …; ΔR² = sr² = ….

Przykład praktyczny i gotowa interpretacja

Sytuacja: Kwadrat sr dla X pokazuje część całkowitej wariancji Y unikalnie wyjaśnianą przez X.

Jak ją zinterpretować: Współczynnik opisuje związek Y z tą częścią X, której nie da się liniowo odtworzyć z kowariantów. Jego kwadrat odpowiada unikatowemu przyrostowi R² i różni się mianownikiem od korelacji cząstkowej.

Najczęstsza pułapka i granica interpretacji

Nie myl jej z korelacją cząstkową, która residualizuje obie zmienne.

Interpretacja „Korelacja semicząstkowa” nie pozwala sama w sobie mówić o wpływie jednej zmiennej na drugą. W odniesieniu do hasła „Korelacja semicząstkowa” zależność może wynikać ze wspólnej przyczyny, selekcji próby, trendu czasowego albo sposobu pomiaru.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Lakens, 2013).

Powiązane hasła

KorelacjaKorelacja cząstkowaKorelacja PearsonaKorelacja pozornaKorelacja SpearmanaEfekt główny

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Wielkość efektu: jak ocenić znaczenie wyniku poza wartością p

Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.

Czytaj →Poradnik

Pytania badawcze i hipotezy: jak przejść od teorii do analizy

Jak formułować pytania badawcze i hipotezy? Od teorii i operacjonalizacji przez kierunek efektu po plan analizy i prerejestrację.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
  2. Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
  3. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
  4. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  5. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
  6. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}
@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}
@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R