Partielle Korrelation
| Befehl: | Statistiken KorrelationPartielle Korrelation |
|---|
Verwenden Sie die partielle Korrelation, wenn Sie vermuten, dass der Zusammenhang zwischen 2 Variablen von weiteren Variablen beeinflusst wird. Der partielle Korrelationskoeffizient gilt als um den Einfluss der verschiedenen Kovariablen bereinigt bzw. korrigiert.
Erforderliche Eingabe
Variable Y - Variable X
Wählen Sie die beiden interessierenden Variablen aus.
Kovariablen
Die Variablen, von denen Sie vermuten, dass sie den Zusammenhang zwischen den Variablen X und Y beeinflussen.
Auswahl
(Optional) Geben Sie einen Filter ein, um nur eine ausgewählte Untergruppe von Fällen in die statistische Analyse einzubeziehen.
Optionen
Für eine oder beide Variablen können Sie eine Logarithmische Transformation auswählen.
Ergebnisse
Variable Y | GRADE_A |
|---|---|
Variable X | ATP |
Kovariablen |
|---|
CONCENTRATION |
MORPHOLOGY |
Stichprobengröße | 46 |
|---|---|
Korrelationskoeffizient r | 0.1805 |
Signifikanzniveau | P=0.2410 |
  |
Das Ergebnisfenster für die partielle Korrelation zeigt Folgendes an:
- Stichprobengröße: die Anzahl der (ausgewählten) Datenpaare
- Korrelationskoeffizient: partieller Korrelationskoeffizient, mit P-Wert
Interpretation
Der partielle Korrelationskoeffizient wird wie ein gewöhnlicher Pearson-Korrelationskoeffizient interpretiert: Er liegt zwischen −1 und +1 und misst Stärke und Richtung des linearen Zusammenhangs zwischen X und Y, nachdem der lineare Einfluss der Kovariablen aus beiden Variablen entfernt wurde. Er beantwortet die Frage: „Wie stark hängen X und Y bei Personen mit denselben Werten der Kovariablen zusammen?“ Der P-Wert prüft die Nullhypothese, dass die partielle Korrelation in der Grundgesamtheit null ist.
Vergleichen Sie die partielle Korrelation immer mit dem einfachen (nicht adjustierten) Korrelationskoeffizienten. Liegt die partielle Korrelation deutlich näher bei null, wird der Zusammenhang zwischen X und Y weitgehend durch die Kovariablen erklärt (Confounding). Ist sie ähnlich, haben die Kovariablen wenig Einfluss. Ist sie größer oder hat sie das umgekehrte Vorzeichen, hat eine Kovariable den Zusammenhang verdeckt (Suppression). Beachten Sie, dass die Adjustierung nur lineare Effekte entfernt und keinen kausalen Zusammenhang beweist. Adjustieren Sie nur für Variablen, die plausibel sowohl X als auch Y beeinflussen: Die Adjustierung für eine Variable, die auf dem Kausalpfad zwischen X und Y liegt, entfernt einen Teil genau des Effekts, den Sie messen möchten.
Fachliteratur
- Altman DG (1991) Practical statistics for medical research. London: Chapman and Hall.