답변:
이 사이트에서 관련 질문이 몇 차례 제기되었습니다. 체크 아웃
내 경험에 따르면, 리 커트 척도와 달리 리 커트 항목에서 분석을 실행하는 것에는 차이가 있습니다. 리 커트 척도는 여러 항목의 합계입니다. 여러 항목을 합한 후 리 커트 스케일은 더 많은 값을 얻을 수 있으며 결과 스케일은 덜 울퉁불퉁합니다. 이러한 척도에는 종종 많은 연구자들이 척도를 연속적인 것으로 취급하기 위해 충분한 수의 포인트가 있습니다. 물론 어떤 사람들은 이것이 다소 무의미하다고 주장 할 것이며 심리적 및 관련 구성을 측정하는 가장 좋은 방법에 대해 심리학으로 많이 쓰여졌습니다.
심리학에서 저널 기사를 읽음으로써 얻은 캐주얼 한 관찰에서, 다중 항목 리 커트 척도 사이의 대부분의 이변 량 관계는 Pearson의 상관 계수를 사용하여 분석됩니다. 저는 성격, 지능, 태도, 복지 등과 같은 비늘에 대해 생각하고 있습니다. 이와 같은 척도를 가지고 있다면 Pearson이 지배적 인 선택이었던 이전 결과와 결과를 비교할 가치가 있습니다.
Pearson 's와 Spearman 's (아마도 Kendall 's tau)를 비교하는 것은 흥미로운 운동입니다. 그러나 어떤 통계를 사용해야할지 결정해야합니다. 이는 궁극적으로 이변 량 연관에 대한 정의에 따라 다릅니다.
상관 계수는 Homoscedasticity가없는 경우에도 두 변수 사이의 선형 관계를 정확하게 요약 한 것입니다.
두 변수 사이에 비선형 관계가 있다면 흥미 롭습니다. 그러나 두 변수는 계속 연속 변수로 취급 될 수 있으므로 여전히 Pearson을 사용할 수 있습니다. 예를 들어, 연령은 종종 소득과 같은 다른 변수와 역 U 관계를 갖지만 나이는 여전히 연속 변수입니다.
비선형 관계를 탐색하기 위해 산점도를 생성하고 스플라인 또는 LOESS와 같은 일부 부드러운 맞춤을 맞추는 것이 좋습니다. 관계가 실제로 비선형 인 경우 선형 상관 관계는 이러한 관계를 설명하기위한 최선의 선택이 아닙니다. 그런 다음 다항식 또는 비선형 회귀를 탐색 할 수 있습니다.
Spearman 's rho 또는 Kendall 's tau로 가야합니다. 데이터가 비정규이지만 분산이 동일한 경우 종종 큰 차이를 만들지 않으므로 Pearson의 r을 사용할 수 있습니다. 분산이 크게 다른 경우 비모수 적 방법이 필요합니다.
Spearman 's Rho 사용을 지원하기 위해 거의 모든 입문 통계 교재를 인용 할 수 있습니다.
업데이트 : 선형성 가정을 위반하면 선형 관계를 가정하므로 데이터에 피어슨 상관 계수를 사용해서는 안됩니다. Spearman 's Rho는 선형성없이 수용 가능하며 변수 간의보다 일반적인 단조로운 관계를 의미합니다. Pearson의 상관 계수를 사용하려면 비선형 성을 처리 할 수 있으므로 데이터를 변환하는 로그를 볼 수 있습니다.
한 가지는 상관 관계가 일반적으로 관계에 선형성을 요구한다는 것을 확신합니다. 이제 데이터가 다소 곡선 모양이므로 비선형 회귀가 왼쪽 선택 인 것처럼 보입니다.