Wanneer geeft een correlatiecoëfficiënt een sterk of zwak verband ? dank u

Question

Hoe interpreteer je of je een zwak of sterk verband hebt tussen je correlaties ?

in onze cursus kan je een tabel terugvinden waar de vuistregels gehanteerd worden.

Mogen we die volgend ?  want in een voorbeeld in onze  cursus komen we uit op r= 0.754

en is een sterk positief verband want p-waarde is kleiner dan 0.001.

maar als ik dit in de tabel ga bekijken is het een middelmatig positief verband

Answer 1

Het briljante korte artikeltje 'A Power Primer' van Cohen (1992) heeft een lijstje van deze tentatieve richtlijnen. Dit is onder andere te downloaden op http://drsmorey.org/bibtex/upload/Cohen:1992.pdf.

Comments

Bedankt voor het snelle antwoord.
echter kan ik in het artikel een tabel2 terugvinden.

daar zou ik de waarde moeten aflezen bij

nr2 sig r of  nr 3 R dif  en dan in functie van welk siginificantieniveau dat bepaald wordt... echter verschillen deze getallen erg van mekaar en staan er geen negatieve getallen in.

Ik begrijp het eigenlijk niet zo goed... vermits ik de tabel dan in onze cursus zie wat helemaal iets verschillend lijkt...

Mijn excuses

---

Heb je het artikel gelezen? Als in, van A-Z? Dat is wel aan te raden :-)

Concreet: het gaat om tabel 1, niet om tabel 2 :-)

---

Ik heb het artikel zelfs een paar keer gelezen ;)

in de uitleg voor tabel 1 kan ik terugvinden dat je voor de significatie ook naar nr 4 in de tabel moet kijken... dan kan je een small medium en large effect gaan vinden maar dan wordt de beoordeling categorieen toch veel algemener dan als we de interpretatie met de tabel zouden doen in de cursus ?

of ben ik helemaal verkeerd?

---

Heel goed! Maar - wacht even :-)

Over welke cursus heb je het? Is er ergens een tabel waar p-waarden worden gelinkt aan hoe groot een effect is? Da's niet goed - p-waarden en effectgrootte (en belangrijkheid/relevantie van een effect) staan juist helemaal los van elkaar. Daarom zijn effect sizes zo belangrijk! Da's de enige manier om een indruk te krijgen van hoe sterk een effect of verband is.

Daarom zijn deze richtlijnen ook alleen gebaseerd op de effect sizes: Cohen's d, Pearson r, en eta^2. Hoewel Cohen f^2 noemt; maar die kun je in elkaar omrekenen:
$$\eta^2=\frac{f^2}{1 + f^2}$$
Een correlatie kleiner dan .1 heet 'triviaal'; groter dan .1 maar kleiner dan .3 'klein' (of 'zwak'), tussen .3 en .5 'middelmatig' ofzo, en groter dan .5 'groot' of 'sterk'.

Eigenlijk, als je het 'echt netjes' doet, bereken je geen puntschattingen voor de effect sizes (dus, de waarde van r), maar betrouwbaarheidsintervallen voor je effect sizes. Dan weet je welke effectgroottes allemaal plausibel zijn; meestal kan een effect bijvoorbeeld klein of gemiddeld zijn, al het betrouwbaarheidsinterval voor Pearson r van .15 tot .42 loopt ofzo. Maar dit zit niet in SPSS geloof ik, dus dat valt buiten het curriculum. Als je geinteresseerd bent; ik heb een functie in R geschreven die het relatief makkelijk maakt om wel betrouwbaarheidsintervallen te berekenen voor correlaties; mail me daar dan even over. Of beter nog, stel een aparte vraag op dit forum, "hoe bereken ik een betrouwbaarheidsinterval voor een correlatie", dan leg ik het daar uit :-)

Hoe dan ook is het belangrijk om te onthouden dat een p-waarde NOOIT informatie geeft over hoe groot, belangrijk, of relevant een effect of verband is!

Een p-waarde zegt hoe groot de kans is op je gegeven uitkomst (effect, of verband) onder aanname dat de nulhypothese waar is. Als je p-waarde klein is, verwerp je de nulhypothese; je concludeert dan dat het onwaarschijnlijk is dat er geen verband/effect bestaat in de populatie. Hoe groot een eventueel verband of effect dan vervolgens is, kun je nooit bepalen op basis van die p-waarde; dan moet je naar effect sizes kijken.

---

Ik heb de cursus van onderzoekspracticum kwantitatieve data analyse.  en daar heb ik onder de titel samenhang van 2 variablen: correlatienanalyse : interpretatie van correlatiecoefficient een tabel staan met een overzicht van de grootte van r met de interpretatie erbij.

het berekenen van het betrouwbaarheidsinterval bij een correlate is denk ik niet wat bij mij in de cursus aanbod komt....

 

Bedankt!

---

Je hebt gelijk - het berekenen van een betrouwbaarheidsinterval voor een correlatie hoef je niet te kunnen! Maar mocht je het ooit willen, het aanbod staat :-) (dit geldt ook voor studenten die e.g. met hun bachelor- of masterthese bezig zijn en dit lezen)

Je hebt gelijk; dit was een foutje in die bron. Ik heb de bron gecorrigeerd! Dankjewel voor het bericht!

En, belangrijk: een p-waarde van < .001, of zelfs van < .00000001, kan prima voorkomen met een klein, zwak, of zelfs triviaal verband. Het hangt er vanaf hoeveel deelnemers er in de analyse zitten. Een r van .032 heeft p = .0000423 als je 14000 deelnemers hebt. Nu heb je zelden 14000 deelnemers, maar met 1000 deelnemers is zelfs een correlatie van .11 al < .001 . . .

 

(mocht je hier zelf mee willen spelen; in R kun je package SuppDists installeren, waar de Pearson r distributie in zit. Dan kun je bv commando's gebruiken als:

2*(1-pPearson(.032, N=14000));

om te kijken wat de p-waarde is van een r van .032 met N=14000)

---

Bedankt voor u hulp !