O coeficiente de correlação de Pearson, normalmente denotado como r, é um valor estatístico que mede a relação linear entre duas variáveis. Ele varia em valor de +1 a -1, indicando um relacionamento linear positivo e negativo perfeito, respectivamente, entre duas variáveis. O cálculo do coeficiente de correlação é normalmente realizado por programas estatísticos, como o SPSS e o SAS, para fornecer os valores mais precisos possíveis para relatórios em estudos científicos. A interpretação e o uso do coeficiente de correlação de Pearson variam com base no contexto e propósito do respectivo estudo no qual ele é calculado.
Identifique a variável dependente a ser testada entre duas observações derivadas independentemente. Um dos requisitos do coeficiente de correlação de Pearson é que as duas variáveis que estão sendo comparadas devem ser observadas ou medidas independentemente para eliminar quaisquer resultados enviesados.
Calcule o coeficiente de correlação de Pearson. Para grandes quantidades de dados, o cálculo pode se tornar muito tedioso. Além de vários programas estatísticos, muitas calculadoras científicas têm a capacidade de calcular o valor. A equação real é fornecida na seção de referência.
Sciencing Video Vault
Crie o suporte (quase) perfeito: Veja como criar o (quase) perfeito colchete: aqui está como
Informar um valor de correlação próximo de 0 como indicação de que não existe relação linear entre as duas variáveis. À medida que o coeficiente de correlação se aproxima de 0, os valores se tornam menos correlacionados, o que identifica variáveis que podem não estar relacionadas entre si.
Relate um valor de correlação próximo de 1 como indicação de que existe uma relação linear positiva entre os dois. variáveis. Um valor maior que zero que se aproxima de 1 resulta em maior correlação positiva entre os dados. Como uma variável aumenta uma certa quantidade, a outra variável aumenta em um valor correspondente. A interpretação deve ser determinada com base no contexto do estudo.
Relate um valor de correlação próximo de -1 como indicação de que existe uma relação linear negativa entre as duas variáveis. À medida que o coeficiente se aproxima de -1, as variáveis tornam-se mais negativamente correlacionadas, indicando que à medida que uma variável aumenta, a outra variável diminui em um valor correspondente. A interpretação novamente deve ser determinada com base no contexto do estudo.
Interprete o coeficiente de correlação com base no contexto do conjunto de dados específico. O valor de correlação é essencialmente um valor arbitrário que deve ser aplicado com base nas variáveis que estão sendo comparadas. Por exemplo, um valor r resultante de 0,912 indica uma relação linear muito forte e positiva entre duas variáveis. Em um estudo comparando duas variáveis que normalmente não são identificadas como relacionadas, esses resultados fornecem evidências de que uma variável pode afetar positivamente a outra variável, resultando em causa para novas pesquisas entre os dois. No entanto, exatamente o mesmo valor de r em um estudo comparando duas variáveis que comprovadamente têm um relacionamento linear perfeitamente positivo pode identificar um erro nos dados ou outros problemas potenciais no desenho experimental. Assim, é importante entender o contexto dos dados ao relatar e interpretar o coeficiente de correlação de Pearson.
Determine a significância dos resultados. Isso é feito usando o coeficiente de correlação, graus de liberdade e uma tabela de Valores Críticos do Coeficiente de Correlação. Os graus de liberdade são calculados como o número de observações pareadas menos 2. Usando esse valor, identifique o valor crítico correspondente na tabela de correlação para um teste de 0,05 e 0,01, identificando 95 e 99% de nível de confiança, respectivamente. Compare o valor crítico com o coeficiente de correlação calculado anteriormente. Se o coeficiente de correlação é maior, os resultados são considerados significativos.
Dica
Os intervalos de confiança para o coeficiente de correlação também podem ser úteis em estudos populacionais.
