Korrelaatiokertoimet - SPSS-harjoitus 1

Jos olet ensimmäistä kertaa aloittamassa SPSS-harjoitusta MOTV-ympäristössä, on ennen varsinaisen harjoituksen tekemistä syytä tutustua opiskeluohjeisiin.

Tässä demonstraatiossa käytetään vuoden 2000 ISSP-tutkimuksen Suomen osa-aineistoa.
Havaintoaineiston hakemisesta SPSS-ohjelmaan on erilliset ohjeet.

Korrelaatiokertoimet

» osaISSP-aineisto | Harjoitusaineistot

SPSS ohjelmistossa korrelaatiokertoimien laskenta aloitetaan valikosta Analyze - Correlate - Bivariate...

Riippuvuusluvut intervalliasteikollisille muuttujille

Lasketaan aineistosta intervalliasteikollisten muuttujien 'vastaajan ikä' ja 'opiskeluvuodet' (q45) välinen Pearsonin korrelaatiokerroin. Ensiksi muodostetaan ikä-muuttuja Transform - Compute Variable... -komennolla, jossa ikä = 2000 - syntymävuosi (ika = 2000 - q2). On hyödyllistä ensin tarkistaa hajontakuviosta, onko muuttujien välinen riippuvuus lineaarista. Hajontakuviosta näkyvät myös yksittäiset poikkeavat havainnot, jotka saattaavat vaikuttaa huomattavasti korrelaatiokertoimen arvoon. Kokeile myöhemmin poistaa aineistosta selkeästi poikkeavia arvoja ja huomaa kuinka se vaikuttaa korrelaatiokertoimen arvoon.

Seuraavaksi valitaan muuttujat Variables -laatikkoon. Muuttujia voi lisätä enemmänkin kuin kaksi, jolloin ohjelma laskee kaikki muuttujien väliset korrelaatiot. Merkitsevyystesteistä on mahdollista valita kaksi- tai yksisuuntaiset testit. Valittavana olisi myös Kendallin tau-b sekä Spearmanin rho (järjestyskorrelaatiokertoimet), mutta niihin tutustumme hiukan myöhemmin.

Options-painikkeen takaa löytyvät vaihtoehdot puuttuvien tietojen käsittelyyn sekä muuttujakohtaisten keskiarvojen ja -virheiden tulostukseen. Myös ristitulopoikkeamat sekä kovarianssit voi halutessaan tulostaa.

Lopuksi painetaan Continue ja OK ja saadaan tulokset.

Correlations-taulusta nähdään, että muuttujien välinen korrelaatio on -0.149 ja se on merkitsevä merkitsevyystasolla 0.05. Näyttää siis siltä, että muuttujien välillä on heikko negatiivinen korrelaatio. Vanhemmilla ihmisillä on vähemmän opiskeluvuosia takanaan ja nuoret ovat opiskelleet keskimääräistä pidempään. Toisaalta aivan nuorimmilla vastaajilla koulutus on vielä kesken. Huomattavaa on, että korrelaatiokertoimen avulla ei voi selittää riippuvuuden suuntaa eli vaikuttaako ikä opiskeluvuosiin vai opiskeluvuodet ikään. Kausaalisuuden suunta on pääteltävä muulla tavoin tai sitä voidaan tutkia muillakin analyyseillä (esim. regressioanalyysi).

Riippuvuusluvut luokitteluasteikollisille muuttujille

Seuraavaksi laskemme riippuvuuslukuja luokitteluasteikollisille muuttujille. Muodostetaan ensin uudet kaksiluokkaiset muuttujat (bv1a, bv2a) muuttujien 'asuinmaakunta' (bv1) ja 'vastaajan äidinkieli' (bv2) avulla. Muuttujaan 'bv1a' tulee kaksi luokkaa (uusimaa ja muu maakunta) sekä muuttujaan 'bv2a' kaksi luokkaa (suomi ja muu kieli). Tehdään muuttujista ristiintaulukko (Analyze - Descriptive Statistics - Crosstabs...) ja valitaan Statistics... -painikkeella seuraavat riippuvuusluvut luokitteluasteikollisille muuttujille:

Painamalla Continue ja OK saadaan tulokset:

Riippuvuusluvut järjestysasteikollisille muuttujille

Seuraavaksi laskemme riippuvuuslukuja järjestysasteikollisille muuttujille. Muodostetaan ensin uudet muuttujat (q44a, q59a) muuttujien 'peruskoulutus' (q44) ja 'bruttokuukausitulot' (q59) avulla. Muuttujaan q44a tulee kaksi luokkaa: korkeintaan peruskoulu ja vähintään keskiasteen koulutus. Muuttujaan q59a tulee luokat alle 7000 mk/kk, 7000-12000 mk/kk ja yli 12000 mk/kk. Tehdään muuttujista ristiintaulukko (Analyze - Descriptive Statistics - Crosstabs...) ja valitaan Statistics... -painikkeella seuraavat riippuvuusluvut järjestysasteikollisille muuttujille.

Painamalla Continue ja OK saadaan tulokset: