Метод ранговой корреляции Спирмена позволяет определить тесноту (силу) и направление корреляционной связи между двумя признаками или двумя профилями (иерархиями) признаков.
Для подсчета ранговой корреляции необходимо располагать двумя рядами значений,
которые могут быть проранжированы. Такими рядами значений могут быть:
1) два признака, измеренные в одной и той же группе испытуемых;
2) две индивидуальные иерархии признаков, выявленные у двух испытуемых по одному и тому же набору признаков;
3) две групповые иерархии признаков,
4) индивидуальная и групповая иерархии признаков.
Вначале показатели ранжируются отдельно по каждому из признаков.
Как правило, меньшему значению признака начисляется меньший ранг.
В первом случае (два признака) ранжируются индивидуальные значения по первому признаку, полученные разными испытуемыми, а затем индивидуальные значения по второму признаку.
Если два признака связаны положительно, то испытуемые, имеющие низкие ранги по одному из них, будут иметь низкие ранги и по другому, а испытуемые, имеющие высокие ранги по
одному из признаков, будут иметь по другому признаку также высокие ранги. Для подсчета rs необходимо определить разности (d) между рангами, полученными данным испытуемым по обоим признакам. Затем эти показатели d определенным образом преобразуются и вычитаются из 1. Чем
меньше разности между рангами, тем больше будет rs, тем ближе он будет к +1.
Если корреляция отсутствует, то все ранги будут перемешаны и между ними не будет
никакого соответствия. Формула составлена так, что в этом случае rs окажется близким к 0.
В случае отрицательной корреляции низким рангам испытуемых по одному признаку
будут соответствовать высокие ранги по другому признаку, и наоборот. Чем больше несовпадение между рангами испытуемых по двум переменным, тем ближе rs к -1.
Во втором случае (два индивидуальных профиля), ранжируются индивидуальные
значения, полученные каждым из 2-х испытуемым по определенному (одинаковому для них обоих) набору признаков. Первый ранг получит признак с самым низким значением; второй ранг – признак с более высоким значением и т.д. Очевидно, что все признаки должны быть измерены в одних и тех же единицах, иначе ранжирование невозможно. Например, невозможно проранжировать показатели по личностному опроснику Кеттелла (16PF), если они выражены в "сырых" баллах, поскольку по разным факторам диапазоны значений различны: от 0 до 13, от 0 до
20 и от 0 до 26. Мы не можем сказать, какой из факторов будет занимать первое место по выраженности, пока не приведем все значения к единой шкале (чаще всего это шкала стенов).
Если индивидуальные иерархии двух испытуемых связаны положительно, то признаки, имеющие низкие ранги у одного из них, будут иметь низкие ранги и у другого, и наоборот. Например, если у одного испытуемого фактор Е (доминантность) имеет самый низкий ранг, то и у другого испытуемого он должен иметь низкий ранг, если у одного испытуемого фактор С
(эмоциональная устойчивость) имеет высший ранг, то и другой испытуемый должен иметь по
этому фактору высокий ранг и т.д.
В третьем случае (два групповых профиля), ранжируются среднегрупповые значения, полученные в 2-х группах испытуемых по определенному, одинаковому для двух групп, набору признаков. В дальнейшем линия рассуждений такая же, как и в предыдущих двух случаях.
В случае 4-ом (индивидуальный и групповой профили), ранжируются отдельно индивидуальные значения испытуемого и среднегрупповые значения по тому же набору признаков, которые получены, как правило, при исключении этого отдельного испытуемого – он не участвует в среднегрупповом профиле, с которым будет сопоставляться его индивидуальный профиль. Ранговая корреляция позволит проверить, насколько согласованы индивидуальный и групповой профили.
Во всех четырех случаях значимость полученного коэффициента корреляции определяется по количеству ранжированных значений N. В первом случае это количество будет совпадать с объемом выборки n. Во втором случае количеством наблюдений будет количество признаков, составляющих иерархию. В третьем и четвертом случае N – это также количество сопоставляемых признаков, а не количество испытуемых в группах. Подробные пояснения даны в примерах. Если абсолютная величина rs достигает критического значения или превышает его, корреляция достоверна.
Гипотезы.
Возможны два варианта гипотез. Первый относится к случаю 1, второй – к трем остальным случаям.
Первый вариант гипотез
H0: Корреляция между переменными А и Б не отличается от нуля.
H1: Корреляция между переменными А и Б достоверно отличается от нуля.
Второй вариант гипотез
H0: Корреляция между иерархиями А и Б не отличается от нуля.
H1: Корреляция между иерархиями А и Б достоверно отличается от нуля.
Ограничения коэффициента ранговой корреляции
1. По каждой переменной должно быть представлено не менее 5 наблюдений. Верхняя граница выборки определяется имеющимися таблицами критических значений.
2. Коэффициент ранговой корреляции Спирмена rs при большом количестве одинаковых рангов по одной или обеим сопоставляемым переменным дает огрубленные значения. В идеале оба коррелируемых ряда должны представлять собой две последовательности несовпадающих значений. В случае, если это условие не соблюдается, необходимо вносить поправку на одинаковые ранги.
Коэффициент ранговой корреляции Спирмена подсчитывается по формуле:
Если в обоих сопоставляемых ранговых рядах присутствуют группы одинаковых рангов, перед подсчетом коэффициента ранговой корреляции необходимо внести поправки на одинаковые ранги Та и Тв:
Та = Σ (а3 – а)/12,
Тв = Σ (в3 – в)/12,
где а – объем каждой группы одинаковых рангов в ранговом ряду А, в – объем каждой
группы одинаковых рангов в ранговом ряду В.
Для подсчета эмпирического значения rs используют формулу:
Расчет
коэффициента ранговой корреляции Спирмена rs
1. Определить, какие два признака или две иерархии признаков будут участвовать в
сопоставлении как переменные А и В.
2. Проранжировать значения переменной А, начисляя ранг 1 наименьшему значению, в соответствии с правилами ранжирования (см. П.2.3). Занести ранги в первый столбец таблицы по порядку номеров испытуемых или признаков.
3. Проранжировать значения переменной В, в соответствии с теми же правилами. Занести ранги во второй столбец таблицы по порядку номеров испытуемых или признаков.
5. Возвести каждую разность в квадрат: d2. Эти значения занести в четвертый столбец таблицы.
Та = Σ (а3 – а)/12,
Тв = Σ (в3 – в)/12,
где а – объем каждой группы одинаковых рангов в ранговом ряду А; в – объем каждой группы
одинаковых рангов в ранговом ряду В.
а) при отсутствии одинаковых рангов
rs 1 − 6 ⋅
б) при наличии одинаковых рангов
Σd 2 T T
r 1 − 6 ⋅ a в,
где Σd2 – сумма квадратов разностей между рангами; Та и Тв – поправки на одинаковые
N – количество испытуемых или признаков, участвовавших в ранжировании.
9. Определить по Таблице (см. Приложение 4.3) критические значения rs для данного N. Если rs, превышает критическое значение или, по крайней мере, равен ему, корреляция достоверно отличается от 0.
Пример 4.1.При определении степени зависимости реакции употребления алкоголя на глазодвигательную реакцию в испытуемой группе были получены данные до употребления алкоголя и после употребления. Зависит ли реакция испытуемого от состояния опьянения?
Результаты эксперимента:
До:16, 13, 14, 9, 10, 13, 14, 14, 18, 20, 15, 10, 9, 10, 16, 17, 18. После: 24, 9, 10, 23, 20, 11, 12, 19, 18, 13, 14, 12, 14, 7, 9, 14. Сформулируем гипотезы:
Н0: корреляция между степенью зависимости реакции до употребления алкоголя и после не отличается от нуля.
Н1: корреляция между степенью зависимости реакции до употребления алкоголя и после достоверно отличается от нуля.
Таблица 4.1. Расчет d2 для рангового коэффициента корреляции Спирмена rs при сопоставлении показателей глазодвигательной реакции до эксперимента и после (N=17)
|
значения |
значения |
|||||
Так
как, мы имеем повторяющиеся ранги, то в данном случае будем применять формулу с
поправкой на одинаковые ранги:
Та= ((23-2)+(33-3)+(23-2)+(33-3)+(23-2)+(23-2))/12=6
Тb =((23-2)+(23-2)+(33-3))/12=3
Найдем эмпирическое значение коэффициента Спирмена:
rs = 1- 6*((767,75+6+3)/(17*(172-1)))=0,05
По таблице (приложение 4.3) находим критические значения коэффициента корреляции
0,48 (p ≤ 0,05)
0,62 (p ≤ 0,01)
Получаем
rs=0,05∠rкр(0,05)=0,48
Вывод: Н1гипотеза отвергается и принимается Н0. Т.е. корреляция между степенью
зависимости реакции до употребления алкоголя и после не отличается от нуля.
Калькулятор ниже вычисляет коэффициент ранговой корреляции Спирмена между двумя случайными величинами. Теоретическая часть, чтобы не отвлекаться от калькулятора, традиционно размещается под ним.
add import_export mode_edit delete
Изменения случайных величин
| arrow_upward arrow_downward X | arrow_upward arrow_downward Y | ||
|---|---|---|---|
| mode_edit |
Изменения случайных величин
Импортировать данные Ошибка импорта
Для разделения полей можно использовать один из этих символов: Tab, ";" или "," Пример: -50.5;-50.5
Импортировать Назад Отменить
Метод расчета коэффициента ранговой корреляции Спирмена на самом деле описывается очень просто. Это тот же самый Коэффициент корреляции Пирсона , только рассчитанный не для самих результатов измерений случайных величин, а для их ранговых значений .
То есть,
Осталось только разобраться, что такое ранговые значения и для чего все это нужно.
Если элементы вариационного ряда расположить в порядке возрастания или убывания, то рангом элемента будет являться его номер в этом упорядоченном ряду.
Например, пусть у нас есть вариационный ряд {17,26,5,14,21}. Отсортируем его элементы в порядке убывания {26,21,17,14,5}. 26 имеет ранг 1, 21 - ранг 2 и т.д. Вариационный ряд ранговых значений будет выглядеть следующим образом {3,1,5,4,2}.
То есть, при расчете коэффициента Спирмена исходные вариационные ряды преобразуются в вариационные ряды ранговых значений, после чего к ним применяется формула Пирсона.
Есть одна тонкость - ранг повторяющихся значений берется как среднее из рангов. То есть для ряда {17, 15, 14, 15} ряд ранговых значений будет выглядеть как {1, 2.5, 4, 2.5}, так как первый элемент равный 15 имеет ранг 2, а второй - ранг 3, и .
Если же повторяющихся значений нет, то есть все значения ранговых рядов - числа из диапазона от 1 до n, формулу Пирсона можно упростить до
Ну и кстати, эта формула чаще всего и приводится как формула расчета коэффицента Спирмена.
В чем же суть перехода от самих значений к их ранговым значениям?
А суть в том, что исследуя корреляцию ранговых значений можно установить насколько хорошо зависимость двух переменных описывается монотонной функцией.
Знак коэффициента указывает на направление связи между переменными. Если знак положительный, то значения Y имеют тенденцию увеличиваться при увеличении значений X; если знак отрицательный, то значения Y имеют тенденцию уменьшаться при увеличении значений X. Если коэффициент равен 0, то никакой тенденции нет. Если же коэффициент равен 1 или -1, то зависимость между X и Y имеет вид монотонной функции - то есть, при увеличении X, Y также увеличивается, либо наоборот, при увеличении X, Y уменьшается.
То есть, в отличие от коэффициента корреляции Пирсона, который может выявить только линейную зависимость одной переменной от другой, коэффициент корреляции Спирмена может выявить монотонную зависимость, там, где непосредственная линейная связь не выявляется.
Поясню на примере. Предположим, что мы исследуем функцию y=10/x.
У нас есть следующие результаты измерений X и Y
{{1,10}, {5,2}, {10,1}, {20,0.5}, {100,0.1}}
Для этих данных коэффициент корреляции Пирсона равен -0.4686, то есть связь слабая либо отсутствует. А вот коэффициент корреляции Спирмена строго равен -1, что как бы намекает исследователю, что Y имеет строгую отрицательную монотонную зависимость от X.
Студента-психолога (социолога, менеджера, управленца и др.) нередко интересует, как связаны между собой две или большее количество переменных в одной или нескольких изучаемых группах.
В математике для описания связей между переменными величинами используют понятие функции F, которая ставит в соответствие каждому определенному значению независимой переменной X определенное значение зависимой переменной Y. Полученная зависимость обозначается как Y=F(X).
При этом виды корреляционных связей между измеренными признаками могут быть различны: так, корреляция бывает линейной и нелинейной, положительной и отрицательной. Она линейна - если с увеличением или уменьшением одной переменной X,вторая переменная Y в среднем либо также растет, либо убывает. Она нелинейна, если при увеличении одной величины характер изменения второй не линеен, а описывается другими законами.
Корреляция будет положительной, если с увеличением переменной X переменная Y в среднем также увеличивается, а если с увеличением X переменная Y имеет в среднем тенденцию к уменьшению, то говорят о наличии отрицательной корреляции. Возможна ситуация, когда между переменными невозможно установить какую-либо зависимость. В этом случае говорят об отсутствии корреляционной связи.
Задача корреляционного анализа сводится к установлению направления (положительное или отрицательное) и формы (линейная, нелинейная) связи между варьирующими признаками, измерению ее тесноты, и, наконец, к проверке уровня значимости полученных коэффициентов корреляции.
Коэффициент корреляции рангов, предложенный К. Спирменом, относится к непараметрическим показателям связи между переменными, измеренными в ранговой шкале. При расчете этого коэффициента не требуется никаких предположений о характере распределений признаков в генеральной совокупности. Этот коэффициент определяет степень тесноты связи порядковых признаков, которые в этом случае представляют собой ранги сравниваемых величин.
Ранговый коэффициент линейной корреляции Спирмена подсчитывается по формуле:
где n - количество ранжируемых признаков (показателей, испытуемых);
D - разность между рангами по двум переменным для каждого испытуемого;
D2 - сумма квадратов разностей рангов.
Критические значения коэффициента корреляции рангов Спирмена представлены ниже:
Величина коэффициента линейной корреляции Спирмена лежит в интервале +1 и -1. Коэффициент линейной корреляции Спирмена может быть положительным и отрицательным, характеризуя направленность связи между двумя признаками, измеренными в ранговой шкале.
Если коэффициент корреляции по модулю оказывается близким к 1, то это соответствует высокому уровню связи между переменными. Так, в частности, при корреляции переменной величины с самой собой величина коэффициента корреляции будет равна +1. Подобная связь характеризует прямо пропорциональную зависимость. Если же значения переменной X будут распложены в порядке возрастания, а те же значения (обозначенные теперь уже как переменная Y) будут располагаться в порядке убывания, то в этом случае корреляция между переменными Х и Y будет равна точно -1. Такая величина коэффициента корреляции характеризует обратно пропорциональную зависимость.
Знак коэффициента корреляции очень важен для интерпретации полученной связи. Если знак коэффициента линейной корреляции - плюс, то связь между коррелирующими признаками такова, что большей величине одного признака (переменной) соответствует большая величина другого признака (другой переменной). Иными словами, если один показатель (переменная) увеличивается, то соответственно увеличивается и другой показатель (переменная). Такая зависимость носит название прямо пропорциональной зависимости.
Если же получен знак минус, то большей величине одного признака соответствует меньшая величина другого. Иначе говоря, при наличии знака минус, увеличению одной переменной (признака, значения) соответствует уменьшение другой переменной. Такая зависимость носит название обратно пропорциональной зависимости. При этом выбор переменной, которой приписывается характер (тенденция) возрастания - произволен. Это может быть как переменная X, так и переменная Y. Однако если считается, что увеличивается переменная X, то переменная Y будет соответственно уменьшаться, и наоборот.
Рассмотрим пример корреляции Спирмена.
Психолог выясняет, как связаны между собой индивидуальные показатели готовности к школе, полученные до начала обучения в школе у 11 первоклассников и их средняя успеваемость в конце учебного года.
Для решения этой задачи были проранжированы, во-первых, значения показателей школьной готовности, полученные при поступлении в школу, и, во-вторых, итоговые показатели успеваемости в конце года у этих же учащихся в среднем. Результаты представим в таблице:
Подставляем полученные данные в вышеприведенную формулу, и производим расчет. Получаем:
Для нахождения уровня значимости обращаемся к таблице «Критические значения коэффициента корреляции рангов Спирмена,» в которой приведены критические значения для коэффициентов ранговой корреляции.
Строим соответствующую «ось значимости»:
Полученный коэффициент корреляции совпал с критическим значением для уровня значимости в 1%. Следовательно, можно утверждать, что показатели школьной готовности и итоговые оценки первоклассников связаны положительной корреляционной зависимостью - иначе говоря, чем выше показатель школьной готовности, тем лучше учится первоклассник. В терминах статистических гипотез психолог должен отклонить нулевую (Н0) гипотезу о сходстве и принять альтернативную (Н1) о наличии различий, которая говорит о том, что связь между показателями школьной готовности и средней успеваемостью отлична от нуля.
Корреляция спирмена. Корреляционный анализ по методу спирмена. Ранги спирмена. Коэффициент корреляции Спирмена. Ранговая корреляция Спирмена
В случаях, если измерения исследуемых признаков проводятся в шкале порядка, или же форма взаимосвязи отличается от линейной, исследование взаимосвязи между двумя случайными величинами осуществляется с помощь ранговых коэффициентов корреляции. Рассмотрим коэффициент ранговой корреляции Спирмена. При его вычислении необходимо ранжировать (упорядочить) варианты выборки. Ранжированием называется группировка экспериментальных данных в определенном порядке, либо по возрастанию, либо по убыванию.
Проведение операции ранжирования осуществляется по следующему алгоритму:
1. Меньшему значению начисляется меньший ранг. Наибольшему значению начисляется ранг, соответствующий количеству ранжируемых значений. Наименьшему значению начисляется ранг равный 1. Например, если n=7, то наибольшее значение получит ранг под номером 7, за исключением случаев, которые предусмотрены вторым правилом.
2. Если несколько значений равны, то им начисляется ранг, представляющий собой среднее значение из тех рангов, которые они получили бы, если бы не были равны. В качестве примера рассмотрим упорядоченную по возрастанию выборку, состоящую из 7 элементов: 22, 23, 25, 25, 25, 28, 30. Значения 22 и 23 встречаются по одному разу, поэтому их ранги соответственно равны R22=1, а R23=2. Значение 25 встречается 3 раза. Если бы эти значения не повторялись, то их ранги были бы равными 3, 4, 5. Поэтому их ранг R25 равен среднему арифметическому 3, 4 и 5: . Значения 28 и 30 не повторяются, поэтому их ранги соответственно равны R28=6, а R30=7. Окончательно имеем следующее соответствие:
3. Общая сумма рангов должна совпадать с расчетной, которая определяется по формуле:
где n - общее количество ранжируемых значений.
Несовпадение реальной и расчетной сумм рангов будет свидетельствовать об ошибке, допущенной при начислении рангов или их суммировании. В этом случае необходимо найти и исправить ошибку.
Коэффициент ранговой корреляции Спирмена является методом, позволяющим определить силу и направленность взаимосвязи между двумя признаками или двумя иерархиями признаков. Применение коэффициента ранговой корреляции имеет ряд ограничений:
- а) Предполагаемая корреляционная зависимость должна носить монотонный характер.
- б) Объем каждой из выборок должен быть больше или равен 5. Для определения верхней границы выборки пользуются таблицами критических значений (Таблица 3 Приложения). Максимальное значение n в таблице - 40.
- в) При проведении анализа вероятна возможность возникновения большого количества одинаковых рангов. В этом случае, необходимо вносить поправку. Наиболее благоприятным является случай когда, обе изучаемые выборки представляют собой две последовательности несовпадающих значений.
Для проведения корреляционного анализа исследователь должен располагать двумя выборками, которые могут быть ранжированы, например:
- - два признака, измеренные в одной и той же группе испытуемых;
- - две индивидуальные иерархии признаков, выявленные у двух испытуемых по одному и тому же набору признаков;
- - две групповые иерархии признаков;
- - индивидуальная и групповая иерархии признаков.
Расчет начинаем с ранжирования изучаемых показателей отдельно по каждому из признаков.
Проведем анализ случая с двумя признаками, измеренными в одной и той же группе испытуемых. Сначала ранжируют индивидуальные значения по первому признаку, полученные разными испытуемыми, а затем индивидуальные значения по второму признаку. Если меньшим рангам одного показателя соответствуют меньшие ранги другого показателя, а большим рангам одного показателя соответствуют большие ранги другого показателя, то два признака связаны положительно. Если же большим рангам одного показателя соответствуют меньшие ранги другого показателя, то два признака связаны отрицательно. Для нахождения rs, определяем разности между рангами (d) по каждому испытуемому. Чем меньше разности между рангами, тем ближе коэффициент ранговой корреляции rs будет к «+1». Если взаимосвязь отсутствует, то между ними не будет никакого соответствия, следовательно rs окажется близким к нулю. Чем больше разности между рангами испытуемых по двум переменным, тем ближе к «-1» будет значение коэффициента rs. Таким образом, коэффициент ранговой корреляции Спирмена является мерой любой монотонной зависимости между двумя исследуемыми признаками.
Рассмотрим случай с двумя индивидуальными иерархиями признаков, выявленными у двух испытуемых по одному и тому же набору признаков. В данной ситуации ранжируют индивидуальные значения, полученные каждым из двух испытуемым по определенной совокупности признаков. Признаку с самым низким значением необходимо присвоить первый ранг; признаку с более высоким значением - второй ранг и т.д. Следует обратить особое внимание на то, чтобы все признаки были измерены в одних и тех же единицах. Например, невозможно ранжировать показатели, если они выражены в различных по «цене» баллах, поскольку невозможно определить, какой из факторов будет занимать первое место по выраженности, пока все значения не будут приведены к единой шкале. Если признаки, имеющие низкие ранги у одного из испытуемых так же имеют низкие ранги у другого, и наоборот, то индивидуальные иерархии связаны положительно.
В случае с двумя групповыми иерархиями признаков, ранжируют средне-групповые значения, полученные в двух группах испытуемых по одинаковому для исследуемых групп, набору признаков. Далее следует придерживаемся алгоритма, приведенного в предыдущих случаях.
Проведем анализ случая с индивидуальной и групповой иерархией признаков. Начинают с того, что ранжируют отдельно индивидуальные значения испытуемого и средне-групповые значения по тому же набору признаков, которые получены, при исключении того испытуемого, который не участвует в средне-групповой иерархии, так как с ней будет сопоставляться его индивидуальная иерархия. Ранговая корреляция позволяет оценить степень согласованности индивидуальной и групповой иерархии признаков.
Рассмотрим, как определяется значимость коэффициента корреляции в перечисленных выше случаях. В случае с двумя признаками она будет определяться объемом выборки. В случае с двумя индивидуальными иерархиями признаков значимость зависит от количества признаков, входящих в иерархию. В двух последних случаях значимость обуславливается числом изучаемых признаков, а не численностью групп. Таким образом, значимость rs во всех случаях определяется числом ранжированных значений n.
При проверке статистической значимости rs пользуются таблицами критических значений коэффициента ранговой корреляции, составленных для различных количеств ранжируемых значений и разных уровней значимости. Если абсолютная величина rs, достигает критического значения или превышает его, то корреляция достоверна.
При рассмотрении первого варианта (случай с двумя признаками, измеренными в одной и той же группе испытуемых) возможны следующие гипотезы.
Н0: Корреляция между переменными x и y не отличается от нуля.
Н1: Корреляция между переменными x и y достоверно отличается от нуля.
Если мы работаем с любым из трех оставшихся случаев, то необходимо выдвинуть другую пару гипотез:
Н0: Корреляция между иерархиями x и y не отличается от нуля.
Н1: Корреляция между иерархиями x и y достоверно отличается от нуля.
Последовательность действий при вычислении коэффициента ранговой корреляции Спирмена rs такова.
- - Определить, какие два признака или две иерархии признаков будут участвовать в сопоставлении как переменные x и y.
- - Ранжировать значения переменной x, начисляя ранг 1 наименьшему значению, в соответствии с правилами ранжирования. Поместить ранги в первую колонку таблицы по порядку номеров испытуемых или признаков.
- - Ранжировать значения переменной y. Поместить ранги во вторую колонку таблицы по порядку номеров испытуемых или признаков.
- - Вычислить разности d между рангами x и y по каждой строке таблицы. Результаты поместить в следующую колонку таблицы.
- - Вычислить квадраты разностей (d2). Полученные значения поместить в четвертую колонку таблицы.
- - Вычислить сумму квадратов разностей? d2.
- - При возникновении одинаковых рангов вычислить поправки:
где tx - объем каждой группы одинаковых рангов в выборке x;
ty - объем каждой группы одинаковых рангов в выборке y.
Вычислить коэффициент ранговой корреляции в зависимости от наличия или отсутствия одинаковых рангов. При отсутствии одинаковых рангов коэффициент ранговой корреляции rs рассчитать по формуле:
При наличии одинаковых рангов коэффициент ранговой корреляции rs рассчитать по формуле:
где?d2 - сумма квадратов разностей между рангами;
Tx и Ty - поправки на одинаковые ранги;
n - количество испытуемых или признаков, участвовавших в ранжировании.
Определить по таблице 3 Приложения критические значения rs, для данного количества испытуемых n. Достоверное отличие от нуля коэффициента корреляции будет наблюдаться при условии, если rs не меньше критического значения.
This calculator below calculates Spearman"s rank correlation coefficient between two random variables. The theoretical part is traditional below the calculator.
add import_export mode_edit delete
Changes of random variables
| arrow_upward arrow_downward | arrow_upward arrow_downward | ||
|---|---|---|---|
| mode_edit |
Changes of random variables
Import data Import error
"One of the following characters is used to separate data fields: tab, semicolon (;) or comma(,)" Sample: -50.5;-50.5
Import Back Cancel
Digits after the decimal point: 4
Calculate
Spearman"s correlation coefficient
Save share extension
The method of Spearman"s rank correlation coefficient calculation is actually pretty simple. It"s like the Pearson correlation coefficient , but designed not for measurements of random variables only but for their ranking values .
We have only to understand what is the rank value and why all this is necessary.
If the elements of a variational series arranged in ascending or descending order, that rank of the element will be his number in ordered series.
For example, we have a variational series {17,26,5,14,21}. Let"s sort it"s elements in a descending order {26,21,17,14,5}. 26 has a rank of 1, 21 - rank of 2 and so on, Variational series of ranking values will look like this {3,1,5,4,2}.
I.e. when calculating Spearman"s coefficient initial variation series are converted into variational series of ranking values and then Pearson"s formula is applied to them.
.
There is one subtlety - the rank of the repeating values is taken as the average of the ranks. That is, for a series {17, 15, 14, 15}ranking series will look like {1, 2.5, 4, 2.5}, as the first element is 15 has a rank of 2, and the second - rank of 3, and.
If you don"t have the repeating values, that is, all the values of ranking series - the numbers between 1 and n, the Pearson"s formula can be simplified to
By the way, this formula is often given as the formula for calculating the Spearman"s coefficient.
What is the essence of the transition from the values themselves to their rank value?
When investigating the correlation of ranking values you can find how well the dependence of the two variables is described by a monotonic function.
The sign of the coefficient indicates the direction of the relationship between variables. If the sign is positive the values of Y has a tendency to increase with the increasement of X. If the sign is negative the values of Y has a tendency to decrease with the increasement of X. If the coefficient is 0 there is no tendency then. If the coefficient equals 1 or -1, the relationship between X and Y has an appearance of monotonic function, i.e. with the increasement of X, Y also increases and vice versa.
That is, unlike the Pearson"s correlation coefficient, which can detect only the linear relationship of one variable from another, Spearman"s correlation coefficient can detect monotonic dependence, where the direct linear relationship cannot be revealed.
Here"s an example.
Поясню на примере. Let"s suppose,we examine the function y=10/x.
We have the following measurements of X and Y
{{1,10}, {5,2}, {10,1}, {20,0.5}, {100,0.1}}
For this data, Pearson correlation coefficient is equal to -0.4686, i.e. the relationship is weak or absent. And Spearman"s correlation coefficient is strictly equal to -1, as if it"s hints to the researcher that Y has strongly negative monotonic dependence from X.
