Bayessche Inferenz über Pearson-Korrelation

Diese Funktion erfordert Custom Tables and Advanced Statistics.

Der Pearson-Korrelationskoeffizient misst die lineare Beziehung zwischen zwei metrischen Variablen, die gemeinsam einer bivariaten Normalverteilung folgen. Die konventionelle statistische Inferenz über den Korrelationskoeffizienten wurde umfassend diskutiert und ihre Praxis wird seit langem in IBM® SPSS® Statisticsangeboten. Mit dem Design der bayesschen Inferenz über Pearson-Korrelationskoeffizienten können Benutzer die Bayes-Inferenz zeichnen, indem sie Bayes-Faktoren schätzen und A-posteriori-Verteilungen charakterisieren.

1. Wählen Sie in den Menüs Folgendes aus:

   Analysieren > Bayes-Statistik > Pearson-Korrelation

   Hinweis: Die rot markierten Felder sind Pflichtfelder. Die Schaltflächen „Einfügen“ und „OK“ werden aktiviert, nachdem Sie gültige Werte in alle erforderlichen Felder eingegeben haben.
2. Wählen Sie die entsprechenden Testvariablen für die paarweise Korrelationsinferenz aus der Liste Verfügbare Variablen. Es müssen mindestens zwei Quellenvariablen angegeben werden. Wenn mehr als zwei Variablen ausgewählt sind, wird die Analyse für alle paarweisen Kombinationen der ausgewählten Variablen ausgeführt.
3. Wählen Sie die gewünschte Bayes-Analyse aus:
   • A-posteriori-Verteilung charakterisieren: Bei Auswahl dieser Option wird die Bayessche Inferenz aus einer Perspektive erstellt, die durch die Charakterisierung von A-posteriori-Verteilungen erreicht wird. Sie können die marginale A-posteriori-Verteilung der relevanten Parameter untersuchen, indem Sie die übrigen störenden Parameter herausintegrieren und außerdem Zuverlässigkeitsintervalle erstellen, um die direkte Inferenz zu zeichnen. Dies ist die Standardeinstellung.
   • Bayes-Faktor schätzen: Bei Auswahl dieser Option wird durch Schätzen von Bayes-Faktoren (eine der bemerkenswerten Methodiken der bayesschen Inferenz) ein natürlicher Quotient zum Vergleichen der marginalen Wahrscheinlichkeiten zwischen einer Nullhypothese und einer Alternativhypothese gebildet.

     Tabelle 1. Häufig verwendete Schwellenwerte zum Definieren der Signifikanz von Nachweisen

     Bayes-Faktor	Nachweiskategorie	Bayes-Faktor	Nachweiskategorie	Bayes-Faktor	Nachweiskategorie
     >100	Extremer Nachweis für H0	1 - 3	Anekdotischer Nachweis für H0	1/30-1/10	Starker Nachweis für H1
     30-100	Sehr starker Nachweis für H0	1	Kein Nachweis	1/100-1/30	Sehr starker Nachweis für H1
     10-30	Starker Nachweis für H0	1/3-1	Anekdotischer Nachweis für H1	1/100	Extremer Nachweis für H1
     3-10	Mäßiger Nachweis für H0	1/10-1/3	Mäßiger Nachweis für H1

     H0: Nullhypothese

     H1: Alternativhypothese

     ¹

     ²

   • Beide Methoden verwenden: Bei Auswahl dieser Option werden beide Inferenzmethoden A-posteriori-Verteilung charakterisieren und Bayes-Faktor schätzen verwendet.
4. Geben Sie die maximale Anzahl von Plots an, die in der Ausgabe erscheinen sollen. Ein Set von Diagrammen kann drei Diagramme in demselben Fensterbereich enthalten. Die Diagramme werden in der Reihenfolge von der ersten Variablen im Vergleich zu den übrigen Variablen erzeugt, dann der zweiten Variablen im Vergleich zu den übrigen Variablen und so weiter. Der definierte ganzzahlige Wert muss zwischen 0 und 50 liegen. Standardmäßig werden 10 Sets von Diagrammen für fünf Variablen ausgegeben. Diese Option ist nicht verfügbar, wenn Bayes-Faktor schätzen ausgewählt ist.
5. Sie können optional auf Kriterien klicken, um Bayessche Pearson-Korrelation: Kriterien -Einstellungen anzugeben (Zuverlässigkeitsintervallprozentsatz, Optionen für fehlende Werte und numerische Methodeneinstellungen), auf Priori-Wahrscheinlichkeiten klicken, um Bayessche Pearson-Korrelation: A-priori-Verteilung -Einstellungen (Wert C für die A-priori-Verteilung L(Ρ) (1- Ρ²)^Canzugeben, oder auf Bayes-Faktor klicken, um Bayes-Inferenz bei unabhängigen Stichproben: Bayes-Faktor schätzen -Einstellungen anzugeben.