تفاوت همبستگی اسپیرمن و پیرسون

شاید برای شما نیز این سوال ایجاد شده باشد که ضریب همبستگی پیرسون یا ضریب همبستگی اسپیرمن چه تفاوتی دارد؟ یا این که هر یک از این ضرایب در کجا کاربرد دارند و چه چیزی را محاسبه می کنند. در ادامه این مقاله ابتدا هر یک از این ضرایب را تعریف می کنیم، در رابطه کاربردهای هر یک به شما توضیح می دهیم و در نهایت تفاوت آن ها را نیز مطرح می کنیم.

بیشتر بخوانید: محاسبه حجم نمونه در SPSS

بدون شک برای درک تفاوت میان دو مفهوم ابتدا باید تعریف هر یک از آن ها را بلد باشید تا بتوانید شباهت ها و تفاوت های میان آن را نیز درک کنید. در ادامه تعاریف هر یک از ضریب همبستگی پیرسون و ضریب همبستگی اسپیرمن را ارائه می دهیم.

ضریب همبستگی پیرسون

ضریب همبستگی پیرسون یا ضریب همبستگی گشتاوری یا ضریب مرتبه صفر توسط آماردانی به نام کارل پیرسون معرفی شد. هر زمانی که شما بخواهید میزان، نوع و جهت رابطه میان دو متغیر تحت بررسی را تعیین کنید از روش ضریب همبستگی پیرسون استفاده می کنید. فرمول محاسبه مقدار ضریب همبستگی پیرسون به صورت زیر است:

ضریب همبستگی اسپیرمن

ضریب همبستگی رتبه ای اسپیرمن توسط آماردان و روانشنان انگلیسی به نام چارلز اسپیرمن معرفی شده است. این ضریب برای تعیین میزان و نوع ارتباط میان دو متغیر ترتیبی به کار برده می شود. ضریب همبستگی اسپیرمن یک ضریب ناپارامتری است و به جای این که از خود مقادیر استفاده کنیم، از رتبه مربوط به هر یک از مقادیر استفاده می کنیم. فرمول محاسبه این ضریب به صورت زیر می باشد:

تفاوت ضریب همبستگی اسپیرمن و پیرسون

تفاوت های میان این دو روش همبستگی به شرح زیر می باشند:

1- پیرسون پارامتری بوده و برای محاسبه همبستگی میان دو متغیر فاصله ای یا نسبی کاربرد دارد اما اسپیرمن ناپارامتری است و رابطه میان دو متغیر ترتیبی را می سنجد.

2- اسپیرمن برای بررسی روابط غیرخطی به کار برده می شود اما پیرسون رابطه های خطی را آشکار می سازد.

3- عملکرد ضریب همبستگی پیرسون بالاتر از ضریب همبستگی اسپیرمن است.

4- برای محاسبه اسپیرمن پیش فرض های کمتری نیاز داریم در نتیجه محاسبه آن ساده تر است.

منظور از پارامتری و ناپارامتری بودن چیست؟

فرض نرمالیتی (Normality Test) به شما می گوید که یک مجموعه داده از توزیع نرمال پیروی می کنند یا خیر. حال به بیان ساده، اگر یک مجموعه داده از توزیع نرمال پیروی کند، آن را پارامتری نامیده و برای محاسبه رابطه بین چنین متغیرهایی از روش های پارامتری استفاده می کنند. حال اگر این فرضیه رد شود، برای انجام اعمال آماری روی متغیر مورد نظر باید از روش های ناپارامتری استفاده کنیم.

با توجه به توضیحی که در مورد داده های پارامتری و ناپارامتری مطرح شد، برای بررسی رابطه میان دو مجموعه داده ناپارامتری از روش اسپیرمن و برای بررسی دو مجموعه داده پارامتری از پیرسون استفاده می کنیم. حال اگر یکی از متغیرها پارامتری و دیگری ناپارامتری باشد، برای بررسی میزان و نوع رابطه بین آن ها باید از روش رگرسیون استفاده کنیم.

بیشتر بخوانید: روش تحلیل داده های مصاحبه

0 پاسخ

دیدگاه خود را ثبت کنید

Want to join the discussion?
Feel free to contribute!

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *