मैं कई मापों पर सहसंबंध चलाना चाहता हूं जहां लिकर्ट स्केल का उपयोग किया गया था। बिखराव को देखते हुए यह प्रतीत होता है कि रैखिकता और समरूपता की मान्यताओं का उल्लंघन किया गया है।
जवाबों:
इस साइट पर संबंधित प्रश्न कुछ बार पूछे गए हैं। चेक आउट
मेरे अनुभव से, एक घटक पैमाने पर विरोध के रूप में चल रहे विश्लेषण के बीच एक अंतर है। एक तरह का पैमाना कई वस्तुओं का योग है। कई मदों को समेटने के बाद, समान पैमाने अधिक संभावित मान प्राप्त करते हैं, जिसके परिणामस्वरूप पैमाना कम ढेलेदार होता है। इस तरह के तराजू में अक्सर पर्याप्त संख्या में बिंदु होते हैं जो कई शोधकर्ताओं ने उन्हें निरंतर इलाज के लिए तैयार किया है। बेशक, कुछ लोग तर्क देंगे कि यह थोड़ा घुड़सवार है, और साइकोमेट्रिक्स में बहुत कुछ लिखा गया है कि मनोवैज्ञानिक और संबंधित निर्माणों को कैसे मापें।
मनोविज्ञान में पत्रिका के लेख पढ़ने से मेरी आकस्मिक टिप्पणियों से, बहु-आइटम तुलना तराजू के बीच बहुसंख्यक रिश्तों का विश्लेषण पियर्सन के सहसंबंध गुणांक का उपयोग करके किया जाता है। यहाँ, मैं व्यक्तित्व, बुद्धि, दृष्टिकोण, कल्याण और आगे जैसे तराजू के बारे में सोच रहा हूँ। यदि आपके पास इस तरह के पैमाने हैं, तो यह विचार करने योग्य है कि आपके परिणाम पिछले परिणामों की तुलना में होंगे जहां पियर्सन प्रमुख विकल्प हो सकता है।
पीयरसन की स्पीयरमैन (और शायद केंडल के ताऊ) के साथ तुलना करना एक दिलचस्प अभ्यास है। हालाँकि, आप अभी भी इस निर्णय से बचे हुए हैं कि किस सांख्यिकीय का उपयोग करना है, और यह अंततः इस बात पर निर्भर करता है कि आपके पास द्विभाजित संघ की क्या परिभाषा है।
एक सहसंबंध गुणांक समरूपता की अनुपस्थिति में भी दो चर के बीच रैखिक संबंध का एक सटीक सारांश है (या शायद हमें यह कहना चाहिए कि द्विभाजित सामान्यता दी गई है कि न तो चर एक आश्रित चर है)।
यदि आपके दो चर के बीच एक गैर-रैखिक संबंध है, तो यह दिलचस्प है। हालाँकि, दोनों चर अभी भी निरंतर चर के रूप में माने जा सकते हैं, और इस प्रकार, आप अभी भी पियर्सन का उपयोग कर सकते हैं। उदाहरण के लिए, आयु का अक्सर आय के रूप में अन्य चर के साथ एक उलटा-यू संबंध होता है, फिर भी उम्र अभी भी एक निरंतर चर है।
मेरा सुझाव है कि आप एक बिखरे हुए कथानक का निर्माण करें और किसी भी गैर-रैखिक संबंधों का पता लगाने के लिए कुछ चिकने फिट (जैसे कि एक पट्टी या LOESS) फिट करें। यदि संबंध वास्तव में गैर-रैखिक है तो ऐसे संबंध का वर्णन करने के लिए रैखिक सहसंबंध सबसे अच्छा विकल्प नहीं है। फिर आप बहुपद या अरेखीय प्रतिगमन का पता लगाना चाहते हैं।
आपको स्पीयरमैन के आरएचओ या केंडल के ताऊ के लिए लगभग निश्चित रूप से जाना चाहिए। अक्सर, यदि डेटा गैर-सामान्य है, लेकिन संस्करण समान हैं, तो आप पियरसन के आर के लिए जा सकते हैं क्योंकि यह बहुत बड़ा अंतर नहीं करता है। यदि संस्करण में काफी भिन्नता है, तो आपको एक गैर पैरामीट्रिक विधि की आवश्यकता है।
आप शायद स्पीयरमैन की Rho के उपयोग के समर्थन में लगभग किसी भी परिचयात्मक सांख्यिकी पाठ्यपुस्तक का हवाला दे सकते हैं।
अद्यतन: यदि रैखिकता की धारणा का उल्लंघन किया जाता है, तो आपको अपने डेटा पर पियर्सन सहसंबंध गुणांक का उपयोग नहीं करना चाहिए, क्योंकि यह एक रैखिक संबंध मानता है। स्पीयरमैन की Rho बिना रैखिकता के स्वीकार्य है और चर के बीच अधिक सामान्य मोनोटोनिक संबंधों के लिए है। यदि आप पियर्सन के सहसंबंध गुणांक का उपयोग करना चाहते हैं, तो आप लॉग डेटा को देख सकते हैं क्योंकि यह गैर-रैखिकता से निपट सकता है।
एक बात यह सुनिश्चित है कि सहसंबंध को सामान्य रूप से संबंधों में रैखिकता की आवश्यकता होती है। अब आप कहते हैं कि आपका डेटा कुछ वक्र आकार का है, इसलिए nonlinear प्रतिगमन बाईं पसंद प्रतीत होता है