Słownik metodologiczny · Zależności i efekty

Korelacja Spearmana

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

Strona główna / Słownik / Korelacja Spearmana

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Korelacja Spearmana?

Współczynnik ρ Spearmana jest korelacją rang opisującą siłę i kierunek zależności monotonicznej między dwiema zmiennymi.

Zastosowanie, warunki i dobre praktyki

Spearman działa na rangach, dzięki czemu opisuje relację monotoniczną: wraz ze wzrostem jednej zmiennej druga ma tendencję stale rosnąć albo maleć, choć nie musi robić tego liniowo. Jest właściwy dla wielu danych porządkowych i relacji z nieliniową skalą. Nie rozwiązuje jednak wszystkich problemów wartości odstających, remisów ani mieszaniny podgrup, dlatego wykres pozostaje konieczny. Wynik należy podać jako ρs z przedziałem i N, a przy licznych remisach opisać sposób wyznaczenia dokładnego albo asymptotycznego p.

Najważniejsze zastosowanie: Stosuj dla danych porządkowych lub zależności monotonicznej, która nie jest dobrze liniowa.

Jak to się oblicza i co oznaczają symbole?

ρₛ = 1 − 6Σdᵢ² / [n(n²−1)]

dᵢ jest różnicą rang dla i-tej obserwacji. Prosty wzór obowiązuje bez remisów; programy uwzględniają rangi wiązane. Współczynnik opisuje monotoniczną, niekoniecznie liniową relację.

Jak poprawnie stosować i interpretować hasło „Korelacja Spearmana”?

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

Wiarygodność „Korelacja Spearmana” zależy od jakości obu pomiarów, doboru próby i zgodności użytego współczynnika z kształtem relacji. Dla interpretacji hasła „Korelacja Spearmana” ograniczenie zakresu zmiennej może osłabić wynik, a mieszanie podgrup może stworzyć albo odwrócić zależność. W odniesieniu do hasła „Korelacja Spearmana”, 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 Spearmana” należy nazwać współczynnik, obie zmienne, liczebność oraz kierunek i siłę zależności. Przy ocenie hasła „Korelacja Spearmana” 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 Spearmana”: ρ = …, 95% CI […], p = …, N = ….

Przykład praktyczny i gotowa interpretacja

Sytuacja: Kolejność nasilenia bólu rośnie wraz z kolejnością ograniczeń funkcjonalnych.

Jak ją zinterpretować: Wynik wskazuje kierunek i siłę zależności monotonicznej rang, a niekoniecznie relacji liniowej wartości surowych. Remisy i mieszanie podgrup mogą zmieniać interpretację, dlatego potrzebny jest wykres oraz przedział dla ρs.

Najczęstsza pułapka i granica interpretacji

Nie jest uniwersalnym „nieparametrycznym Pearsonem”; odpowiada na inne pytanie.

Interpretacja „Korelacja Spearmana” nie pozwala sama w sobie mówić o wpływie jednej zmiennej na drugą. Dla interpretacji hasła „Korelacja Spearmana” 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 semicząstkowaEfekt 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