Teste de significância de três ou mais correlações usando a transformação de Fisher

Seguindo meus posts anteriores, até onde posso entender, se eu tiver três coeficientes de correlação, terei que testá-los em pares para ver se há uma diferença significativa entre eles.

Isso significa que eu precisaria usar a transformação Fishers para calcular a pontuação z de re, em seguida, o valor de p de z (que as calculadoras recomendadas nos posts anteriores fazem, felizmente) e depois verificar se o valor de p é maior ou menor que meu valor alfa (0,05) para cada par.

ou seja, se 21 a 30 anos for a faixa etária 1, 31 a 40 anos for a faixa etária 2 e 41 a 50 anos for a faixa etária 2, minha comparação das correlações entre seus hábitos de compra e perda de peso seria:

Grupo 1 vs. Grupo 2
Grupo 1 vs. Grupo 3
Grupo 2 vs. Grupo 3

Em vez de fazer três cálculos separados, existe uma maneira de fazer todos esses cálculos em uma única etapa?

correlation Adhesh Josh
fonte

Você poderia ser um pouco mais detalhado? Como em - qual é a sua resposta, suas variáveis explicativas e em quais correlações você está interessado? Você pode não transformar de Fisher para testar a correlação; um simples teste t pode ser suficiente.

suncoolsu

@suncoolsu Estou testando a correlação entre hábitos de compra e ganho de peso para esses três grupos. Meus resultados são os seguintes: Grupo 1: r = 0,8978, n = 105; Grupo 2: r = 0,55678, n = 95; e Grupo 3: r = 0,7865, n = 120.

Adhesh Josh

Eu acho que seus dados passam a IOTT. Esse é o teste de trauma interocular - ele atinge você entre os olhos. Se as correlações de .9, .6 e .8 não são diferentes entre si, o que é? Mas se você estiver realmente interessado

Peter Flom - Reinstate Monica

Respostas:

Sua pergunta é um exemplo perfeito de modelos de regressão com preditores quantitativos e qualitativos . Especificamente, os três grupos etários - - são as variáveis qualitativas e as variáveis quantitativas sãohábitos de compraeperda de peso(acho que sim, porque você está calculando correlações). $1,2, \& \,3$

Devo enfatizar que essa é uma maneira muito melhor de modelar do que calcular correlações separadas por grupo, porque você tem mais dados para modelar; portanto, suas estimativas de erro (valores-p, etc.) serão mais confiáveis. Uma razão mais técnica é o maior grau de liberdade resultante na estatística do teste t para testar a significância dos coeficientes de regressão.

Operando pela regra de que preditores qualitativos podem ser manipulados por variáveis indicadoras , apenas duas variáveis indicadoras, , são necessárias aqui, definidas da seguinte forma: $c$ $c-1$ $X_1, X_2$

X_{1 1} = 1 1 se a pessoa pertencer ao grupo 1; 0 0 de outra forma .

$X_1 = 1 \text{ if person belongs to group 1}; 0 \text{ otherwise} .$

X_{2} = 1 1 se a pessoa pertencer ao grupo 2; 0 0 de outra forma .

$X_2 = 1 \text{ if person belongs to group 2}; 0 \text{ otherwise}.$

Isso implica que o grupo é representado por ; representar a sua resposta - compras hábito como e quantitativa da perda de peso variável explicativa como . Agora você se encaixa neste modelo linear $3$ $X_1=0, X_2=0$ $Y$ $W$

A pergunta óbvia é que importa se alteramos e (porque escolhi aleatoriamente os hábitos de compra como variável de resposta). A resposta é sim - as estimativas dos coeficientes de regressão mudarão, mas o teste de "associação" entre condicionados em grupos (aqui teste t, mas é o mesmo que testar a correlação para uma única variável preditora) não mudança. Especificamente,

E [Y] = β_{0 0} + β_{1 1} X_{1 1} + β_{2} X_{2} + β_{3} W .

$E[Y]=\beta_0 + \beta_1X_1 + \beta_2X_2 + \beta_3W.$

W

$W$

Y

$Y$

é equivalente a ter 3 linhas separadas, dependendo dos grupos, se você desenhar

E [Y] = β_{0 0} + β_{3} W - para o terceiro grupo,

$E[Y]= \beta_0 + \beta_3W \text{ -- for third group},$

E [Y] = (β_{0 0} + β_{2}) + β_{3} W - para o segundo grupo,

$E[Y]= (\beta_0 + \beta_2)+\beta_3W \text{ -- for second group},$

E [Y] = (β_{0 0} + β_{1 1}) + β_{3} W - para o primeiro grupo,

$E[Y]= (\beta_0 + \beta_1)+\beta_3W \text{ -- for first group},$

Y

$Y$ vs

. Essa é uma boa maneira de visualizar o que você está testando faz sentido (basicamente uma forma de EDA e verificação de modelo, mas você precisa distinguir adequadamente as observações agrupadas). Três linhas paralelas indicam nenhuma interação entre os três grupos e

, e muita interação implica que essas linhas se cruzarão.

W

$W$

W

$W$

Como fazem os testes que você pergunta. Basicamente, depois de ajustar o modelo e obter as estimativas, você precisa testar alguns contrastes. Especificamente para suas comparações:

Grupo 2 x Grupo 3: β_{2} + β_{0 0} - β_{0 0} = 0 0,

$\text{Group 2 vs Group 3: } \beta_2 + \beta_0 - \beta_0 = 0,$

Grupo 1 vs Grupo 3: β_{1 1} + β_{0 0} - β_{0 0} = 0 0,

$\text{Group 1 vs Group 3: } \beta_1 + \beta_0 - \beta_0 = 0,$

Grupo 2 x Grupo 1: β_{2} + β_{0 0} - (β_{0 0} + β_{1 1}) = 0

$\text{Group 2 vs Group 1: } \beta_2 + \beta_0 - (\beta_0+\beta_1) = 0.$

suncoolsu
fonte

Testar a equivalência de inclinações é diferente de testar a equivalência de correlações. Veja, por exemplo: jessicagrahn.com/uploads/6/0/8/5/6085172/comparecorrcoeff.doc

Wolfgang

t^{*} = \frac{ρ \sqrt{n - 2}}{\sqrt{1 - ρ^{2}}} \sim t_{n - 2}

$t^* = \frac{\rho\sqrt{n-2}}{\sqrt{1-\rho^2}} \sim t_{n-2}$

Além disso, seu documento fala sobre a comparação de diferentes populações, o que não é o caso de um único preditor.

suncoolsu

H_{0} : β_{1} = β_{2} = β_{3}

$H_0: \beta_1 = \beta_2 = \beta_3$

H_{0} : ρ_{1} = ρ_{2} = ρ_{3}

$H_0: \rho_1 = \rho_2 = \rho_3$

β

$\beta$

Sim, você está certo (como eu disse antes), mas minha resposta pressupõe que o OP estava interessado em determinar a relação entre perda de peso e hábitos de compra com base em grupos (não necessariamente correlação). Acho que estava errado porque o OP aceitou a outra resposta. No entanto, essa resposta serve como uma alternativa útil (espero).

suncoolsu 5/09/11

O teste em pares nesta situação não é (ainda) justificado pela descrição dos dados. Você deve usar métodos de regressão multivariáveis. Uma chamada R pode ser:

lm( weight_end ~ shop_habit + age_grp + weight_begin)

Construir 3 categorias não é o melhor método para controlar a idade (ou analisar sua contribuição, se essa for a questão principal), pois a categorização pode distorcer os relacionamentos contínuos, e os termos das splines removem a necessidade de escolher pontos de divisão arbitrários. Uma vez que exista evidência suficiente de uma associação de alteração de peso após uma análise adequada, haverá opções de teste ad-hoc que podem ser implementadas.

(Eu concordei com a maior parte do que @whuber expressou em um comentário, e geralmente considero seu comentário autoritário, mas não entendo sua posição em relação às abordagens de regressão.)

DWin
fonte