Il coefficiente di correlazione di Pearson, normalmente indicato come r, è un valore statistico che misura la relazione lineare tra due variabili. Il valore varia da +1 a -1, indicando una perfetta relazione lineare positiva e negativa rispettivamente tra due variabili. Il calcolo del coefficiente di correlazione viene normalmente eseguito da programmi statistici, come SPSS e SAS, per fornire i valori più accurati possibili per la segnalazione in studi scientifici. L'interpretazione e l'uso del coefficiente di correlazione di Pearson varia in base al contesto e allo scopo del rispettivo studio in cui è calcolato.

Identificare la variabile dipendente da testare tra due osservazioni derivate indipendentemente. Uno dei requisiti del coefficiente di correlazione di Pearson è che le due variabili da confrontare devono essere osservate o misurate indipendentemente per eliminare eventuali risultati distorti.

Calcola il coefficiente di correlazione di Pearson. Per grandi quantità di dati, il calcolo può diventare molto noioso. Oltre a vari programmi statistici, molti calcolatori scientifici hanno la possibilità di calcolare il valore. L'equazione attuale è fornita nella sezione Riferimento.
Video di Sciencing Video Vault Crea la parentesi (quasi) perfetta: ecco come

Crea la parentesi (quasi) perfetta: ecco come

Segnala un valore di correlazione vicino a 0 come indicazione che non esiste una relazione lineare tra le due variabili. Quando il coefficiente di correlazione si avvicina a 0, i valori diventano meno correlati e identificano le variabili che potrebbero non essere correlate tra loro.

Segnala un valore di correlazione vicino a 1 come indicazione che esiste una relazione lineare positiva tra i due variabili. Un valore maggiore di zero che si avvicina a 1 comporta una maggiore correlazione positiva tra i dati. Poiché una variabile aumenta un certo importo, l'altra variabile aumenta di un importo corrispondente. L'interpretazione deve essere determinata in base al contesto dello studio.

Segnala un valore di correlazione vicino a -1 come indicazione che esiste una relazione lineare negativa tra le due variabili. Quando il coefficiente si avvicina a -1, le variabili diventano più negativamente correlate indicando che all'aumentare di una variabile, l'altra variabile diminuisce di un importo corrispondente. L'interpretazione deve essere nuovamente determinata in base al contesto dello studio.

Interpretare il coefficiente di correlazione in base al contesto del set di dati specifico. Il valore di correlazione è essenzialmente un valore arbitrario che deve essere applicato in base alle variabili confrontate. Ad esempio, un valore r risultante di 0,912 indica una relazione lineare molto forte e positiva tra due variabili. In uno studio che confronta due variabili che normalmente non vengono identificate come correlate, questi risultati forniscono la prova che una variabile può influenzare positivamente l'altra variabile, risultando in una ulteriore ricerca tra i due. Tuttavia, lo stesso valore r in uno studio che confronta due variabili che hanno dimostrato una relazione lineare perfettamente positiva può identificare un errore nei dati o altri potenziali problemi nella progettazione sperimentale. Pertanto, è importante comprendere il contesto dei dati quando si riporta e si interpreta il coefficiente di correlazione di Pearson.

Determina il significato dei risultati. Ciò viene eseguito utilizzando il coefficiente di correlazione, i gradi di libertà e un valore critico della tabella Coefficiente di correlazione. I gradi di libertà sono calcolati come il numero di osservazioni accoppiate meno 2. Usando questo valore, identificare il corrispondente valore critico nella tabella di correlazione per un test di 0.05 e 0.01 che identifica rispettivamente il livello di confidenza 95 e 99%. Confrontare il valore critico con il coefficiente di correlazione precedentemente calcolato. Se il coefficiente di correlazione è maggiore, si dice che i risultati sono significativi.

Suggerimento

Gli intervalli di confidenza per il coefficiente di correlazione possono anche essere utili negli studi di popolazione.