Correlación para datos binarios en diferentes columnas.Hola
Así que tengo un conjunto de datos muy grande lleno de 1 y 0 para cada columna. Estoy tratando de ver si hay alguna correlación entre algunas de las columnas particulares.
Estoy tratando de correlacionar datos dentro de un área versus fuera del área para ver si hay diferencias significativas entre las personas dentro y fuera de estas áreas. Y lo estoy haciendo para muchas áreas diferentes. Es una encuesta con respuestas sí y no, por lo que las columnas se verían así con "no" como 0 y "sí" como 1.
Zona interior Zona exterior
0 0
0 0
0 1
0 1
1 1
1 1
1 1
etcétera etcétera.
No estoy seguro de cómo hacer esto. Probé la opción "Ajustar Y por X" con la columna 1 como Y, Respuesta y la columna 2 como X, Factor, pero el resultado realmente no se ve bien.
¿Alguien puede ayudarme con esto?
Gracias
Re: Correlación de datos binarios en diferentes columnasSí, traté de usar el método en un par de áreas diferentes y se ve bien.
Estaba mirando el número de 1 y hay 44 en el grupo de control y 66 en la prueba, así que esperaba que hubiera una diferencia mayor que 22 para que fuera significativa. Pero como mencionas, también deberías considerar que hay una diferencia en el tamaño total de la muestra entre los dos grupos, así que puedo ver eso ahora. El valor p de 0.0001 me desconcertó un poco, ya que no esperaba que fuera tan bajo.
¡Pero muchas gracias, Dan! ¡Habéis sido de gran ayuda y os lo agradezco sinceramente!
Re: Correlación de datos binarios en diferentes columnasEn realidad, según sus datos en la imagen, esperaría tener un valor p bajo. El valor p bajo indica que la proporción de 1 no es la misma para los dos grupos. El grupo de control tiene 27.85% 1s. El otro grupo tiene 51,97% 1s. Esa es una diferencia bastante considerable en mi opinión (un aumento de casi 25 puntos porcentuales). Especialmente con tamaños de muestra en el rango de 125 a 160. Esa gran diferencia probablemente no se deba al azar.
Mira el diagrama de mosaico. La barra azul representa la respuesta de 1, y es mucho más grande para un grupo. Solo por curiosidad, ¿qué diferencia cree que necesitaría ver para que se declarara estadísticamente significativa?
Re: Correlación de datos binarios en diferentes columnasMuy bien, he hecho lo que has explicado aquí y esto es lo que obtengo:
Todos los datos ahora están incluidos, lo cual es excelente, pero sigo pensando que el valor P parece muy sospechoso. Si esto es correcto, entonces no es necesario que haya mucha diferencia entre las áreas para que el valor p sea muy significativo.
¿Cuáles son sus pensamientos sobre esto?
Re: Correlación de datos binarios en diferentes columnasSus datos tienen muchas preguntas que tal vez quiera hacer, pero para comparar la proporción de "1" del "Área interior" con la proporción de "1" del "Área exterior", haga lo siguiente:
Apile las columnas Área interior y Área exterior usando Tabla > Apilar. Llamemos a esta columna Respuesta, que se completará con 1 y 0. También obtendrá una columna Etiqueta. Déjame llamar a esa Área. Tendrá los nombres de las variables de columna originales, pero los acortaré a "Área interior" y "Área exterior". Tenga en cuenta que este apilamiento pone los datos en un formato listo para el análisis: cada columna es una sola variable, cada fila es una observación. El número de filas de la tabla de datos será el número de personas que respondieron. La columna Respuesta contiene todos los datos sobre la pregunta que hizo.
Tanto la columna Área como la columna Respuesta deben tener el tipo de modelado nominal. Ahora todavía vas a Ajustar Y por X. La columna Respuesta es la Y, la columna Área es la X.
Para este ejemplo, obtienes una tabla de 2x2. Luego miraría la prueba exacta de Fisher, 2 colas. Esta prueba tiene la hipótesis nula de que la proporción de 1 es la misma en todo el Área. Un valor p pequeño rechazaría esa hipótesis nula y sería una indicación de que la proporción de 1 es diferente entre las dos áreas.
Re: Correlación de datos binarios en diferentes columnasOk, entonces sí, estas son dos muestras independientes. Puedo intentar explicar brevemente de qué se trata.
Las "áreas" que menciono son áreas protegidas en Tanzania con aldeas dentro de ellas. El objetivo es comparar las respuestas de los aldeanos dentro de cada una de estas áreas con las respuestas de los aldeanos que viven inmediatamente fuera de estas áreas protegidas. Esto significa que las personas que dan respuestas en la Columna 1 (adentro) son diferentes de las personas que dan respuestas en la Columna 2 (afuera). Esto también explica por qué hay más observaciones en una columna que en la otra, ya que hay un número diferente de personas en cada aldea.
Espero que esto tenga sentido. Si no, házmelo saber y lo intentaré de nuevo.
Gracias
Re: Correlación de datos binarios en diferentes columnasSu pregunta de seguimiento me tiene preocupado.
Para las correlaciones (o la estadística de concordancia) tiene observaciones que coinciden. Pensé que la medida interior de la fila número 1 de su conjunto de datos era para la persona n.º 1 (usaré el nombre "Fred"). "Fred" también proporcionó el valor en la fila número 1 para su medida exterior. Una forma de pensar en esto es: ¿Podría reordenar todos los valores en una columna y seguir teniendo sentido para los datos? Si la respuesta es que reordenar una columna destruiría la validez del conjunto de datos, entonces las columnas coinciden. Si la respuesta es que el reordenamiento está bien, entonces los datos no coinciden y tiene dos muestras independientes.
Si sus muestras SON coincidentes, entonces, ¿cómo terminó con más observaciones para una columna que para la otra?
Si las muestras NO coinciden, los consejos de análisis que le han dado hasta ahora no son correctos. Estás buscando para ver si las dos muestras independientes son diferentes entre sí. Deberá reestructurar su tabla de datos para realizar ese análisis, que será equivalente a una prueba de proporción de dos muestras que responde a la pregunta: ¿la proporción de 1 para la población 1 es diferente de la proporción de 1 para la población 2?
Responda si realmente tiene la información de las dos muestras independientes. Si lo hace, entonces se pueden dar los detalles sobre cómo estructurar sus datos y obtener esa prueba.
Re: Correlación de datos binarios en diferentes columnas¡Lo intentaré de nuevo con las capturas de pantalla! Aquí tienes:
Re: Correlación de datos binarios en diferentes columnas¡Gracias chicos por responder la pregunta!
Así que hice Fit Y by X y miré la estadística de acuerdo y se ve así:
Creo que hay un problema con el número total de respuestas. En la Columna 1 hay 127 respuestas (0 y 1) y en la Columna 2 hay 158 respuestas. Sin embargo, al hacer el análisis anterior, solo se compara con 127 en total, como se puede ver en la captura de pantalla. ¿Hay alguna forma de eludir esto, porque realmente no veo si hay alguna información relevante que se pueda obtener de esto tal como está ahora (los valores P parecen un poco sospechosos).
¡Realmente aprecio la ayuda!
Re: Correlación de datos binarios en diferentes columnasEstoy de acuerdo con Dan, el análisis de contingencia Fit Y by X con el gráfico Mosaic y la estadística Kappa brindan más información. Es especialmente útil para más de 2 niveles y proporciona estadísticas adicionales.
Para su información, si las dos columnas de 0 y 1 son continuas, use la plataforma multivariada y seleccione el CI de correlación. Esta es la estadística Kappa para este caso simple de 2 niveles.Con suerte, esto proporciona una idea de la estadística Kappa.
Multivariate Platform, Continuous Modeling TypeMultivariate Platform, Continuous Modeling TypePlataforma Multivariante, Tipo de Modelado Continuo
Fit Y by X Platform, Nominal Modeling TypeFit Y by X Platform, Nominal Modeling TypeAjustar plataforma Y por X, tipo de modelado nominal
Re: Correlación de datos binarios en diferentes columnasLa correlación mide el grado de asociación lineal entre dos variables continuas.
Dado que los valores son solo 0 y 1, recomendaría usar el tipo de modelado nominal para estas columnas en lugar de continuo. Todavía puede usar Ajustar Y por X. La trama del mosaico dará un buen gráfico que represente la relación entre el Interior y el Exterior. Luego usaría la "Estadística de acuerdo" que mide el grado de acuerdo entre el interior y el exterior. Esto es similar a un coeficiente de correlación, pero es para datos categóricos. También tendrá una prueba para la hipótesis nula de kappa=0.
