Was zählt, kann gemessen werden, also verfeinern Sie Ihre Messungen. - Ed Seykota In der Welt der Finanzen ist die Korrelation ein statistisches Maß dafür, wie sich zwei Wertpapiere in Beziehung zueinander bewegen. Korrelationen werden im fortgeschrittenen Portfoliomanagement eingesetzt. Vermeiden Sie gleichzeitige Trades in hochkorrelierten Instrumenten Finden Sie Handelsmöglichkeiten unter hoch korrelierten Instrumenten Korrelation ist positiv, wenn zwei Wertpapiere im Preis zusammen steigen Korrelation ist negativ, wenn eine Sicherheit steigt und die anderen sinkt Die PZ Korrelationsindikator Maßnahmen, wie verschiedene Wertpapiere in Bezug auf eine Referenz zu bewegen Eins, so dass Portfolio-Management einfacher. Ein Koeffizient von Null ist neutrale Korrelation Ein Koeffizient von 0,3 ist eine niedrige positive Korrelation Ein Koeffizient über 0,8 ist eine hohe positive Korrelation Ein Koeffizient von -0,3 ist eine niedrige negative Korrelation Ein Koeffizient über -0,8 ist eine hohe negative Korrelation Verbessern Sie Ihr Risiko und Portfolio-Management mit dem besten Und die meisten kompletten Marktkorrelationsindikator für die Metatrader-Plattform. ScreenshotsParsons Korrelation mit Stata Einleitung Der Pearson-Produkt-Moment-Korrelationskoeffizient, der oft zu Pearson-Korrelation oder Pearsons-Korrelation verkürzt wird, ist ein Maß für die Stärke und Richtung der Assoziation, die zwischen zwei kontinuierlichen Variablen existiert. Die Pearson-Korrelation erzeugt einen Koeffizienten, der als Pearson-Korrelationskoeffizient bezeichnet wird, der als r bezeichnet wird. Eine Pearsons-Korrelation versucht, eine Linie von bester Passform durch die Daten von zwei Variablen zu zeichnen, und der Pearson-Korrelationskoeffizient r. Zeigt an, wie weit alle diese Datenpunkte zu dieser Linie am besten passen (d. H. Wie gut die Datenpunkte passen diese neue Modelline von bester Passform). Sein Wert kann von -1 für eine perfekte negative lineare Beziehung zu 1 für eine perfekte positive lineare Beziehung reichen. Ein Wert von 0 (Null) gibt keine Beziehung zwischen zwei Variablen an. Zum Beispiel könnten Sie eine Pearsons-Korrelation verwenden, um zu verstehen, ob es eine Assoziation zwischen der Prüfungsleistung und der Zeitaufwand für die Überarbeitung gibt (d. h. Ihre beiden Variablen würden die Prüfungsleistung, gemessen von 0-100 Mark und die Revisionszeit, gemessen in Stunden) sein. Wenn es eine moderate, positive Assoziation gab, konnten wir sagen, dass mehr Zeit verbrachte Überarbeitung war mit einer besseren Prüfung Leistung verbunden war. Alternativ könnten Sie eine Pearsons-Korrelation verwenden, um zu verstehen, ob es eine Assoziation zwischen der Länge der Arbeitslosigkeit und dem Glück gibt (d. h. Ihre beiden Variablen würden die Länge der Arbeitslosigkeit sein, gemessen in Tagen und das Glück, gemessen mit einer kontinuierlichen Skala). Wenn es eine starke, negative Assoziation gab, konnten wir sagen, dass je länger die Arbeitslosigkeit, desto größer das Unglück. In diesem Leitfaden zeigen wir Ihnen, wie Sie eine Pearsons Korrelation mit Stata durchführen, sowie interpretieren und berichten die Ergebnisse aus diesem Test. Doch bevor wir Ihnen dieses Verfahren vorstellen, müssen Sie die verschiedenen Annahmen verstehen, die Ihre Daten erfüllen müssen, um eine Pearsons-Korrelation zu erhalten, um Ihnen ein gültiges Ergebnis zu geben. Wir besprechen diese Annahmen als nächstes. Annahmen Es gibt vier Annahmen, die eine Pearsons-Korrelation untermauern. Wenn eine dieser vier Annahmen nicht erfüllt ist, kann die Analyse Ihrer Daten mit einer Pearsons-Korrelation nicht zu einem gültigen Ergebnis führen. Da die Annahme 1 sich auf die Wahl der Variablen bezieht, kann sie nicht mit Stata getestet werden. Allerdings sollten Sie entscheiden, ob Ihr Studium diese Annahme erfüllt, bevor Sie weitergehen. Annahme 1: Ihre beiden Variablen sollten auf der kontinuierlichen Ebene gemessen werden. Beispiele für solche kontinuierlichen Variablen sind die Höhe (gemessen in Fuß und Zoll), die Temperatur (gemessen in degC), das Gehalt (gemessen in US-Dollar), die Revisionszeit (gemessen in Stunden), die Intelligenz (gemessen mit der IQ-Punktzahl), die Reaktionszeit (gemessen In Millisekunden), Testleistung (gemessen von 0 bis 100), Umsatz (gemessen in Anzahl der Transaktionen pro Monat) und so weiter. Wenn Sie sich nicht sicher sind, ob Ihre beiden Variablen stetig sind (d. h. im Intervall - oder Verhältnis-Niveau gemessen), finden Sie in unserem Variablen-Handbuch. Hinweis: Wenn eine der beiden Variablen auf einer Ordnungsskala gemessen wurde. Sie müssen die Spearmans-Korrelation anstelle von Pearsons-Korrelation verwenden. Beispiele für Ordnungsvariablen sind Likert-Skalen (z. B. eine 7-Punkte-Skala von stark einverstanden bis zu stark nicht einverstanden), unter anderem von Ranking-Kategorien (zB eine 5-Punkte-Skala zur Messung der Arbeitszufriedenheit, von den meisten zufriedenen bis zum wenigsten zufriedenen 4 - Punkt-Skala bestimmen, wie einfach es war, eine neue Website zu navigieren, von sehr einfach bis sehr schwierig oder eine 3-Punkte-Skala zu erklären, wie viel ein Kunde ein Produkt mochte, von Nicht sehr viel, es ist OK, zu Ja, viel). Glücklicherweise können Sie die Annahmen 2, 3 und 4 mit Stata überprüfen. Wenn wir uns auf die Annahmen 2, 3 und 4 begeben, empfehlen wir, sie in dieser Reihenfolge zu testen, weil sie einen Auftrag darstellt, bei dem, wenn eine Verletzung der Annahme nicht korrigierbar ist, Sie nicht mehr in der Lage sind, eine Pearsons-Korrelation zu verwenden. In der Tat, seien Sie nicht überrascht, wenn Ihre Daten eine oder mehrere dieser Annahmen ausfallen, da dies ziemlich typisch ist, wenn Sie mit realen Daten arbeiten, anstatt Lehrbuchbeispiele, die Ihnen oft nur zeigen, wie Sie eine Pearsons Korrelation durchführen, wenn alles gut läuft . Allerdings machen Sie sich keine Sorgen, denn selbst wenn Ihre Daten bestimmte Annahmen fehlschlagen, gibt es oft eine Lösung, um diese zu überwinden (z. B. Umwandlung Ihrer Daten oder mit einem anderen statistischen Test stattdessen). Denken Sie daran, dass, wenn Sie nicht überprüfen, dass Sie Daten erfüllt diese Annahmen oder Sie nicht für sie richtig testen, die Ergebnisse, die Sie erhalten, wenn eine Pearsons Korrelation ist möglicherweise nicht gültig. Annahme 2: Es muss eine lineare Beziehung zwischen Ihren beiden Variablen geben. Während es eine Reihe von Möglichkeiten gibt, um zu überprüfen, ob eine Pearsons-Korrelation existiert, schlagen wir vor, ein Scatterplot mit Stata zu erstellen, wo Sie Ihre beiden Variablen gegeneinander zeichnen können. Sie können dann das Scatterplot visuell überprüfen, um die Linearität zu überprüfen. Ihr Scatterplot kann so aussehen wie eine der folgenden: Wenn die in Ihrem Scatterplot angezeigte Beziehung nicht linear ist, müssen Sie entweder Ihre Daten umwandeln oder stattdessen eine Spearmans-Korrelation ausführen, die Sie mit Stata machen können. Annahme 3: Es sollte keine signifikanten Ausreißer geben. Ausreißer sind einfach einzelne Datenpunkte innerhalb Ihrer Daten, die nicht dem üblichen Muster folgen (zB in einer Studie von 100 Studenten IQ Scores, wo die mittlere Punktzahl 108 mit nur einer kleinen Variation zwischen den Schülern war, hatte ein Schüler eine Punktzahl von 156, die Ist sehr ungewöhnlich und kann sie sogar in die Top 1 der IQ-Scores weltweit stellen). Die folgenden Scatterplots heben die potenziellen Auswirkungen von Ausreißern hervor: Pearsons r ist empfindlich gegenüber Ausreißern, was einen sehr großen Einfluss auf die optimale Passform und den Pearson-Korrelationskoeffizienten haben kann, was zu sehr schwierigen Schlussfolgerungen in Bezug auf Ihre Daten führt. Daher ist es am besten, wenn es keine Ausreißer gibt oder sie auf ein Minimum gehalten werden. Glücklicherweise können Sie Stata verwenden, um mögliche Ausreißer mit Scatterplots zu erkennen. Annahme 4: Ihre Variablen sollten annähernd normal verteilt sein. Um die statistische Signifikanz der Pearson-Korrelation zu beurteilen, müssen Sie eine bivariate Normalität haben, aber diese Annahme ist schwer zu beurteilen, so dass eine einfachere Methode häufiger verwendet wird. Dies ist bekannt als der Shapiro-Wilk-Test der Normalität. Die Sie mit Stata durchführen können. In der Praxis wird die Überprüfung der Annahmen 2, 3 und 4 wahrscheinlich die meiste Zeit bei der Durchführung einer Pearsons-Korrelation aufnehmen. Allerdings ist es keine schwierige Aufgabe, und Stata bietet alle Werkzeuge, die Sie benötigen, um dies zu tun. Im Abschnitt Testverfahren in Stata. Wir veranschaulichen das Stata-Verfahren, das erforderlich ist, um eine Pearsons-Korrelation durchzuführen, vorausgesetzt, dass keine Annahmen verletzt wurden. Zuerst haben wir das Beispiel, das wir verwenden, um das Pearsons-Korrelationsverfahren in Stata zu erklären. Studien zeigen, dass die Ausübung helfen kann, Herzerkrankungen zu verhindern. Innerhalb vernünftiger Grenzen, je mehr Sie üben, desto weniger Risiko haben Sie von Herzkrankheiten zu leiden. Eine Möglichkeit, in der Übung reduziert Ihr Risiko von Herzkrankheiten leiden ist durch die Verringerung eines Fettes in Ihrem Blut, genannt Cholesterin. Je mehr Sie trainieren, desto niedriger die Cholesterinkonzentration. Darüber hinaus wurde vor kurzem gezeigt, dass die Zeitspanne, die Sie verbringen, Fernsehen ndash ein Indikator für einen sesshaften Lebensstil ndash könnte ein guter Vorhersage der Herzkrankheit (dh das ist, je mehr TV Sie sehen, desto größer ist Ihr Risiko von Herzerkrankungen ). Daher entschloss sich ein Forscher, festzustellen, ob die Cholesterin-Konzentration mit der Zeit verbunden war, die Fernsehen in ansonsten gesunden 45- bis 65-jährigen Männern (eine gefährdete Kategorie von Personen) verbrachte. Zum Beispiel, als die Menschen mehr Zeit mit dem Fernsehen verbrachten, hat sich ihre Cholesterinkonzentration erhöht (eine positive Beziehung) oder tat das Gegenteil. Um die Analyse durchzuführen, rekrutierte der Forscher 100 gesunde männliche Teilnehmer im Alter zwischen 45 und 65 Jahren. Die Zeitspanne, in der Fernsehen beobachtet wurde (d. h. die Variable, Timetv) und die Cholesterinkonzentration (d. h. die Variable, Cholesterin), wurden für alle 100 Teilnehmer aufgezeichnet. Ausgedrückt in variablen Begriffen, wollte der Forscher Cholesterin und Zeitplan korrelieren. Hinweis: Das Beispiel und die Daten, die für diese Anleitung verwendet werden, sind fiktiv. Wir haben sie gerade für die Zwecke dieses Leitfadens geschaffen. Setup in Stata In Stata haben wir zwei Variablen erstellt: (1) timetv. Das ist die durchschnittliche tägliche Zeit verbrachte Fernsehen in Minuten und (2) Cholesterin. Was die Cholesterinkonzentration in mmolL ist. Hinweis: Es spielt keine Rolle, welche Variable Sie zuerst erstellen. Nach dem Erstellen dieser beiden Variablen ndash timetv und cholesterol ndash haben wir die Scores für jeden in die beiden Spalten der Data Editor (Edit) Spreadsheet (dh die Zeit in Stunden, dass die Teilnehmer sahen TV in der linken Spalte (dh timetv), Und Teilnehmer Cholesterin-Konzentration in mmolL in der rechten Spalte (dh Cholesterin)), wie unten gezeigt: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Testverfahren in Stata In diesem Abschnitt zeigen wir Ihnen, wie Sie Ihre Daten mit einer Pearsons Korrelation in Stata analysieren können, wenn die vier Annahmen im vorherigen Abschnitt, Annahmen. Nicht verletzt worden Sie können eine Pearsons-Korrelation mit Code oder Statas grafische Benutzeroberfläche (GUI) durchführen. Nachdem Sie Ihre Analyse durchgeführt haben, zeigen wir Ihnen, wie Sie Ihre Ergebnisse interpretieren können. Zuerst wählen Sie, ob Sie Code oder Statas grafische Benutzeroberfläche (GUI) verwenden möchten. Der Grundcode zum Ausführen einer Pearsons-Korrelation nimmt die Form an: pwcorr VariableA VariableB Wenn du aber auch willst, dass Stata ap-value (dh die statistische Signifikanzniveau deines Ergebnisses) erzeugt, musst du sig zum Ende des Codes hinzufügen, Wie unten gezeigt: pwcorr VariableA VariableB, sig Wenn Sie auch möchten, dass Stata Sie wissen lässt, ob Ihr Ergebnis auf einer bestimmten Ebene statistisch signifikant ist (z. B. bei p lt .05), können Sie diesen p-Wert setzen, indem Sie ihn zum Ende hinzufügen Des Code (zB (.05) wobei p lt .05 oder (.01) wobei p lt .01) vorangestellt ist von sig Stern (zB sig Stern (.05)), der einen Stern neben der Korrelationsbewertung platziert, wenn Ihr Ergebnis ist auf dieser Ebene statistisch signifikant. Der Code würde das Formular annehmen: pwcorr VariableA VariableB, sig Stern (.05) Schließlich, wenn Sie möchten, dass Stata die Anzahl der Beobachtungen (dh Ihre Stichprobengröße, N) anzeigt, können Sie dies tun, indem Sie obs am Ende des Code, wie unten gezeigt: pwcorr VariableA VariableB, sig Stern (.05) obs Was auch immer Code, den Sie wählen möchten, sollte in das folgende Feld eingegeben werden: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Mit unserem Beispiel, wo eine Variable ist Cholesterin und die andere Variable ist timetv. Der erforderliche Code wäre einer der folgenden: pwcorr cholesterin timetv pwcorr cholesterin timetv, sig pwcorr cholesterin timetv, sig star (.05) pwcorr cholesterin timetv, sig star (.05) obs Da wollten wir (a) den Korrelationskoeffizienten einschließen , (B) der p-Wert auf der 0,05-Ebene und (c) die Stichprobengröße (dh die Anzahl der Beobachtungen) sowie (d) benachrichtigt werden, ob unser Ergebnis statistisch signifikant auf der 0,05-Ebene war Der Code, pwcorr Cholesterin timetv, sig Stern (.05) obs. Und drückte die ReturnEnter-Taste auf unserer Tastatur, wie unten gezeigt: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Sie können die Stata-Ausgabe sehen, die hier produziert wird. Grafische Benutzeroberfläche (GUI) Die drei Schritte, die zur Durchführung einer Pearsons-Korrelation in den Stationen 12 und 13 erforderlich sind, sind nachfolgend aufgeführt: Klicken Sie auf S tatistics gt Zusammenfassungen, Tabellen und Tests gt Zusammenfassung und beschreibende Statistiken gt Paarweise Korrelationen im Hauptmenü, wie gezeigt Unten: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Sie werden mit den folgenden pwcorr - Paarweise Korrelationen der Variablen Dialogbox präsentiert: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Wählen Sie Cholesterin und Timetv aus den Variablen: (Leer für alle) Feld, mit der Schaltfläche. Als nächstes markieren Sie die Anzahl der Beobachtungen für jeden Eintrag. Druck-Signifikanzniveau für jeden Eintrag und Signifikanz-Level für die Anzeige mit einem Stern-Boxen. Sie werden mit dem folgenden Bildschirm enden: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Anmerkung: Es spielt keine Rolle, in welcher Reihenfolge Sie Ihre beiden Variablen aus den Variablen auswählen: (leer für alle). Ausgabe einer Pearsons-Korrelation in Stata Wenn Ihre Daten die Annahme 2 (dh es gab eine lineare Beziehung zwischen Ihren beiden Variablen), Annahme 3 (dh es gab keine signifikanten Ausreißer) und Annahme 4 (dh Ihre beiden Variablen wurden annähernd normal verteilt), Die wir bereits im Abschnitt "Annahmen" erklärt haben, müssen Sie nur die folgende Pearsons-Korrelationsausgabe in Stata interpretieren: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Die Ausgabe enthält drei wichtige Informationen: (1) den Pearson-Korrelationskoeffizienten (2) das Niveau der statistischen Signifikanz und (3) die Stichprobengröße. Diese drei Informationen werden nachfolgend näher erläutert: (1) Der Pearson-Korrelationskoeffizient r. Die die Stärke und Richtung der Assoziation zwischen Ihren beiden Variablen, Cholesterin und Timetv zeigt: Dies wird in der ersten Zeile der roten Box gezeigt. In unserem Beispiel ist der Pearson-Korrelationskoeffizient r. Ist .3709. Da das Zeichen des Pearson-Korrelationskoeffizienten positiv ist, können Sie schließen, dass es eine positive Korrelation zwischen Cholesterin-Konzentration (Cholesterin) und tägliche Zeit verbrachte Fernsehen (Timetv), dass ist, Cholesterin-Konzentration erhöht, wie die Zeit verbrachte Fernsehen erhöht. Anmerkung: Manche würden der Beschreibung widersprechen, die Cholesterin-Konzentration steigt, wenn die Zeit verbrachte das Fernsehen erhöht. Der Grund für diesen Einwand ist im Sinne der Zunahme verwurzelt. Die Verwendung dieses Verbes könnte darauf hindeuten, dass die Wirkung dieser Variablen kausal und manipulierbar ist, so dass man die Zeit verbrauchen könnte, die Fernsehen (timetv) in Ihren Teilnehmern verbracht hat, und dies würde zu einer Erhöhung ihrer Cholesterinkonzentration (Cholesterin) führen. Das ist nicht zu sagen, das wäre vielleicht nicht möglich. Allerdings ist dieses Wissen nicht in der Korrelation enthalten, sondern in der Theorie. Als solche, könnten Sie es vorziehen, die Beziehung zu bezeichnen, da höhere Werte der Cholesterin-Konzentration verbunden sind, um mehr Zeit verbrachte Fernsehen. Die Größe des Pearson-Korrelationskoeffizienten bestimmt die Stärke der Korrelation. Zwar gibt es keine harten und schnellen Regeln für die Zuordnung der Stärken der Assoziation zu bestimmten Werten, einige allgemeine Richtlinien werden von Cohen (1988) zur Verfügung gestellt: Strength of Association, wobei r den absoluten Wert oder r bedeutet (z. B. r gt .5 bedeutet r gt .5 und r lt-5). Daher deutet der Pearson-Korrelationskoeffizient in diesem Beispiel (r. 371) auf eine mittelstärkere Korrelation hin. Wenn stattdessen r -.371, hättest du auch eine mittelstarke Korrelation gehabt, wenn auch eine negative. Der Bestimmungskoeffizient ist der Anteil der Varianz in einer Variablen, der durch die andere Variable erklärt wird und als Quadrat des Korrelationskoeffizienten (r 2) berechnet wird. In diesem Beispiel haben Sie einen Bestimmungskoeffizienten, r 2. gleich 0,371 2 0,14. Dies kann auch als Prozentsatz (d. h. 14) ausgedrückt werden. Denken Sie daran, dass dies erklärt bezieht sich auf statistisch erklärt, nicht kausal. (2) Das Niveau der statistischen Signifikanz (d. h. der p-Wert) und wenn der Test statistisch signifikant ist, wird ein Stern () neben dem Pearsons-Korrelationskoeffizienten: Dies wird in der zweiten Zeile des roten Feldes gezeigt. Die Ergebnisse, die Sie bisher gemeldet haben, haben nur den Pearson-Korrelationskoeffizienten verwendet, um die Beziehung zwischen den beiden Variablen in Ihrer Probe zu beschreiben. Wenn Sie Hypothesen über die lineare Beziehung zwischen Ihren Variablen in der Population Ihrer Probe aus testen möchten, müssen Sie das Niveau der statistischen Signifikanz testen. Das Niveau der statistischen Signifikanz (p-Wert) des Korrelationskoeffizienten in diesem Beispiel ist .0001, was bedeutet, dass es eine statistisch signifikante Beziehung zwischen den beiden Variablen: Cholesterin-Konzentration (Cholesterin) und tägliche Zeit verbrachte Fernsehen (timetv) gibt. (3) Die Stichprobengröße n (d. h. die Anzahl der Beobachtungen): Dies zeigt sich in der dritten Zeile des roten Feldes, was bedeutet, dass wir 100 Teilnehmer in unserer Studie haben. Anmerkung: Wir präsentieren die Ausgabe aus der Pearsons Korrelation oben. Da Sie jedoch Ihre Daten für die Annahmen getestet haben, die wir früher im Abschnitt "Annahmen" erläutert haben, müssen Sie auch die Stata-Ausgabe interpretieren, die bei der Prüfung dieser Annahmen erstellt wurde. Dazu gehören: (a) die Scatterplots, die du benutzt hast, um zu prüfen, ob es eine lineare Beziehung zwischen deinen beiden Variablen gab (dh Annahme 2) (b) die gleichen Scatterplots, die du benutzt hast, um zu überprüfen, dass es keine signifikanten Ausreißer (dh Annahme 3) Und (c) der Shapiro-Wilk-Test der Normalität, um zu prüfen, ob deine beiden Variablen annähernd normal verteilt waren (dh Annahme 4). Denken Sie auch daran, dass, wenn Ihre Daten eine dieser Annahmen fehlten, die Ausgabe, die Sie aus dem Pearsons-Korrelationsverfahren erhalten (dh die Ausgabe, die wir oben diskutieren) nicht mehr relevant ist, und Sie müssen möglicherweise einen anderen statistischen Test durchführen, um zu analysieren deine Daten. Berichterstattung über die Ausgabe einer Pearsons-Korrelation Wenn Sie die Ausgabe Ihrer Pearsons-Korrelation melden, ist es eine gute Praxis, Folgendes einzuschließen: A. Eine Einführung in die Analyse, die Sie durchgeführt haben. B. Informationen über Ihre Probe (einschließlich fehlender Werte). C. Der Pearson-Korrelationskoeffizient r. Und Freiheitsgrade, die die Stichprobengröße minus 2 (z. B. für eine Stichprobengröße von 100, beträgt, sind die Freiheitsgrade 98. wie in unserem Beispiel). D. Das statistische Signifikanzniveau (d. h. p-Wert) des Ergebnisses. E. Der Bestimmungskoeffizient r2 (d. h. der Anteil der Varianz in einer Variablen, der durch die andere Variable erklärt wird). Basierend auf den obigen Ergebnissen konnten wir die Ergebnisse dieser Studie wie folgt berichten: Eine Pearsons-Produkt-Moment-Korrelation wurde durchgeführt, um die Beziehung zwischen der Cholesterin-Konzentration und der täglichen Zeit, die Fernsehen bei 100 Männern im Alter von 45 bis 65 Jahren beobachtet wurde, zu bewerten. Es gab eine moderate positive Korrelation zwischen der täglichen Zeit verbrachte Fernsehen und Cholesterin-Konzentration, r (98) .371, p lt .0005, mit der Zeit verbrachte Fernsehen erklären 14 der Variation der Cholesterin-Konzentration. Zusätzlich zum Melden der Ergebnisse wie oben kann ein Diagramm verwendet werden, um Ihre Ergebnisse visuell darzustellen. Zum Beispiel könntest du das mit einem Scatterplot machen. Dies kann es anderen erleichtern, Ihre Ergebnisse zu verstehen und wird leicht in Stata produziert.
No comments:
Post a Comment