---

Hej,

Jeg har en mængde data hvor jeg har undersøgt correlationen.
Ved nogle af variablerne er der correlation, som er signifikant på 0.01, men
er der ikke noget mere jeg skal undersøge for at kunne udtale mig om
dataene??

Data er eksporteret fra Excel til SPSS.
Jeg har sammenlignet 2 variabler af gangen, men det er ikke alle felter der
er udfyldt, så skal jeg vælge casewise eller listwise deletetion, for at det
bliver mest korrekt?

Data er indsamlet via et afkrydsningskema til tiden 0 og så igen 12 mdr
senere.
n= 1350.

Typisk er der brugt en VAS (visuel analog skala) fra 0-10:

Eks.:
Hvor fysisk belastende mener du dit arbejde er?
0: særdeles let, 10: ekstremt hårdt

Sammenholdt med:
Hvor aktiv er du i fritiden?
1: ikke fysisk aktiv, 4: elite-idrætsudøver



mvh
Thomas

NB! Det er lang tid siden jeg har haft statistik, så svar må gerne være
pædagogisk :)

---

"Thomas Jensen" <tgsj@mail.dk> wrote in message
news:3dee711b$0$224$edfadb0f@dread16.news.tele.dk...
> Hej,
>>
> Typisk er der brugt en VAS (visuel analog skala) fra 0-10:
>
> Eks.:
> Hvor fysisk belastende mener du dit arbejde er?
> 0: særdeles let, 10: ekstremt hårdt
>
> Sammenholdt med:
> Hvor aktiv er du i fritiden?
> 1: ikke fysisk aktiv, 4: elite-idrætsudøver
>
>
>

Hej Thomas

det er lidt siden jeg har arbejdet med det, men her er alligevel nogle
kommentarer:

Du bør overveje at benytte Spearmans rank test i stedet da 1) Dine data
opfylder ikke umiddelbart intervalkravet (til Pearsons test) idet springene
mellem f.eks. "0: Hårdt" og "10: Ekstremt hårdt" er subjektive/udefinerede.
2) Du ikke har testet, at data er normalfordelt (også et krav til Pearson).

Og så bør du som altid med korrelation være varsom med forhastede
konklusioner især angående årsag-virkning.


Håber ikke jeg gjorde dig mere forvirret end klogere

Kasper

---

Hej,

"Prankster Kineses" <spam.me.senseless@spam.spam> wrote in message
news:asm17s$omf$1@sunsite.dk...

> Du bør overveje at benytte Spearmans rank test i stedet da 1) Dine data
> opfylder ikke umiddelbart intervalkravet (til Pearsons test) idet
springene
> mellem f.eks. "0: Hårdt" og "10: Ekstremt hårdt" er
subjektive/udefinerede.
> 2) Du ikke har testet, at data er normalfordelt (også et krav til
Pearson).
>
> Og så bør du som altid med korrelation være varsom med forhastede
> konklusioner især angående årsag-virkning.

Jeg har kigget i mine statistikbøger og kan ikke umiddelbart finde kravene
til Pearson.
Kan du uddybe dem lidt?

Hvordan tester jeg om mine data er normalfordelt?
Ved at vurdere dem i et histogram eller er der en test jeg kan lave?
Hvis jeg tester data bliver det så ikke min subjektive vurdering hvorvidt
data er normalfordelt?
Her tænker jeg på at når jeg laver et histrogram og lægger
normalfordelingskurven oven i passer de ikke helt sammen, men hvor meget må
toppene af søjlerne afvige fra normalfordelingskurven?

Mvh
Thomas Jensen




>
>
> Håber ikke jeg gjorde dig mere forvirret end klogere
>
> Kasper
>
>

---

Jeg vil tro at hvis jeg også laver et probitplot, vil jeg kunne få et
overblik
mht normal fordelingen.

Thomas

---

> Jeg har kigget i mine statistikbøger og kan ikke umiddelbart finde kravene
> til Pearson.
> Kan du uddybe dem lidt?
>

Data skal 1) være normalfordelt og 2) være intervaller/ratios. Sidste er
lidt tricky at forklare, men tænk på at du skal have en naturlig
veldefineret skala som f.eks. antal rigtige i en prøve eller din højde i cm.
Det vil jeg bestemt ikke mene skalaen "Hårdt, lidt hårdere, meget hårdt etc"
opfylder da det er en subjektiv vurdering (Hvor høj "synes" du du er?).
Havde spørgsmålet gået på et specifikt antal timer man træner under samme
betingelser, så kunne det måske gå.

Selv hvis det viser sig at dine data er normalfordelt, så mener jeg altså
ikke du kan betragte dine data som intervaller/ratios. Spearmans test er
ikke-parametrisk og stiller ikke disse (ret hårde) krav.

> Hvordan tester jeg om mine data er normalfordelt?

Du kan tegne et såkaldt quantile-quantile-plot (qqplot hedder det i R og
S-Plus) som skal vurderes visuelt. Giver dette nogenlunde en ret linie så er
data normalfordelt.
Er du stadig i tvivl eller vil du lave en rigtig statistisk test kan du
benytte Kolmogorov-Smirnov test (ks.test(...) i R og S-Plus) som giver
p-værdier og det hele.

> Ved at vurdere dem i et histogram eller er der en test jeg kan lave?
> Hvis jeg tester data bliver det så ikke min subjektive vurdering hvorvidt
> data er normalfordelt.
> Her tænker jeg på at når jeg laver et histrogram og lægger
> normalfordelingskurven oven i passer de ikke helt sammen, men hvor meget
må
> toppene af søjlerne afvige fra normalfordelingskurven?
>

Nej nej den går ikke. Men Kolmogorov-Smirnov gør netop dette på en mere
matematisk velfunderet måde. Den trækker den målte fordeling fra den
teoretiske og vurderer om fejlen kan skyldes ren tilfældighed (sådan lidt
kort fortalt).

Kasper

---

Har uploaded et html output skema i dk.binaer under overskriften:
Kolmogorov output.

Så vidt jeg kan se (hvis det er den rigtige test) får jeg at vide at det er
normalfordelt.

Har du mulighed for at kigge på det? (fylder ca 9k )

Thomas

---

"Thomas Jensen" <tgsj@mail.dk> wrote in message
news:3df47fee$0$193$edfadb0f@dread16.news.tele.dk...
> Har uploaded et html output skema i dk.binaer under overskriften:
> Kolmogorov output.



Tjaaa, det var i hvertfald meningen at jeg ville uploade det, med der er
åbenbart knas
med TDC news server for jeg får timeout på min post.

Prøver igen lidt senere

Thomas