不同列中二进制数据的相关性你好
所以我有一个非常大的数据集，每列都有 1 和 0。 我正在尝试查看某些特定列之间是否存在任何相关性。
我正在尝试将区域内与区域外的数据相关联，以查看这些区域内外的人之间是否存在任何显着差异。 我正在为许多不同的领域做这件事。 这是一项有“是”和“否”答案的调查，因此列看起来像这样，“否”为 0，“是”为 1。
内部区域 外部区域
0 0
0 0
0 1
0 1
1 1
1 1
1 1
等等等等
我不知道该怎么做。 我尝试了“用 X 拟合 Y”选项，第 1 列为 Y，响应，第 2 列为 X，因子，但结果看起来并不正确。
有人能帮忙吗？
谢谢
回复：不同列中二进制数据的相关性是的，我尝试在几个不同的区域使用该方法，看起来不错！
我正在查看 1 的数量，对照组为 44 个，测试组为 66 个，所以我只是希望差异大于 22 以使其显着。 但是正如您提到的，还需要考虑到两组之间的总样本量存在差异，所以我现在可以看到这一点。 0.0001 的 p 值让我有点吃惊，因为我没想到它会这么低。
但是非常感谢你，丹！ 你非常有帮助，我真诚地感谢它！
回复：不同列中二进制数据的相关性实际上，根据图片中的数据，我希望 p 值较低。 低 p 值表示两组中 1 的比例不同。 对照组有27.85%的1s。 另一组有 51.97% 的 1。 在我看来，这是一个相当大的差异（增加了近 25 个百分点）。 尤其是样本量在 125 到 160 范围内。 这么大的差异可能不是偶然的。
看马赛克图。 蓝色条代表 1 的响应，对于一组来说要大得多。 只是出于好奇，你认为你需要看到多大的差异才能被宣布为具有统计显着性？
回复：不同列中二进制数据的相关性好的，所以我已经完成了您在此处解释的内容，这就是我得到的：
现在所有的数据都包括了，这很棒，但我仍然认为 P 值看起来很可疑？ 如果这是正确的，那么为了使 p 值非常显着，区域之间不需要有太大差异。
您对此有何看法？
回复：不同列中二进制数据的相关性您的数据有很多您可能想问的问题，但要比较“内部区域”的“1”比例与“外部区域”的“1”比例，请执行以下操作：
使用 Table > Stack 堆叠内部区域和外部区域列。 让我们将此列称为响应，它将用 1 和 0 填充。 您还将获得一个标签列。 让我称之为区域。 这将具有原始列变量名称，但我将缩短为“内部区域”和“外部区域”。 请注意，这种堆叠将数据置于准备分析的形式中：每一列是一个变量，每一行是一个观察值。 数据表的行数将是响应的人数。 Response 列包含有关您提出的问题的所有数据。
面积列和响应列都应具有名义建模类型。 现在您仍然可以通过 X 拟合 Y。 响应列是 Y，区域列是 X。
对于此示例，您将获得一个 2x2 表。 然后我会看一下Fisher's Exact Test，2-tail。 该检验的原假设是 1 的比例在整个区域中是相同的。 较小的 p 值将拒绝该原假设，并表明两个区域之间 1 的比例不同。
回复：不同列中二进制数据的相关性好的，所以是的，这是两个独立的样本。 我可以试着简要解释一下它的全部内容。
我提到的“区域”是坦桑尼亚的保护区，其中有村庄。 目标是将这些区域内村民的答案与居住在这些保护区外的村民的答案进行比较。 这意味着在第 1 列（内部）中给出答案的人与在第 2 列（外部）中给出答案的人不同。 这也解释了为什么一列中的观察值比另一列多，因为每个村庄的人数不同。
我希望这是有道理的。 如果不让我知道，我会再试一次。
谢谢
回复：不同列中二进制数据的相关性你的后续问题让我很担心。
对于相关性（或一致性统计），您有匹配的观察结果。 我认为数据集第 1 行的内部测量是针对第 1 个人的（我将使用名称“Fred”）。 “Fred”还为您的外部测量提供了第 1 行中的值。 考虑这一点的一种方法是：我可以重新排序一列中的所有值并且仍然使数据有意义吗？ 如果答案是重新排序一列会破坏数据集的有效性，那么这些列是匹配的。 如果答案是重新排序没问题，那么数据不匹配并且您有两个独立样本。
如果您的样本是匹配的，那么您是如何最终对一列的观察结果比另一列多的呢？
如果样本不匹配，那么您目前给出的分析建议是不正确的。 您正在查看两个独立样本是否彼此不同。 您将需要重新构建数据表以执行该分析，这将相当于一个两样本比例测试，它回答了以下问题：人口 1 的 1 比例与人口 2 的 1 比例是否不同？
如果您确实有两个独立的样本信息，请回复。 如果您这样做了，那么可以详细说明如何构建数据并进行测试。
回复：不同列中二进制数据的相关性我会用截图再试一次！ 干得好：
回复：不同列中二进制数据的相关性谢谢各位回答问题！
所以我已经完成了 X 拟合 Y 并查看了协议统计数据，它看起来像这样：
我认为答案总数存在问题。 第 1 列有 127 个答案（0 和 1），第 2 列有 158 个答案。 然而，在进行上述分析时，它总共只比较了 127 个，如屏幕截图所示。 有没有办法绕过这个，因为我真的不知道是否有任何相关信息可以从现在这样获得（P 值看起来有点可疑）。
我真的很感激帮助！
回复：不同列中二进制数据的相关性我同意 Dan the Fit Y by X Contingency analysis with the Mosaic plot and Kappa statistic 提供更多信息。 它对于超过 2 个级别特别有用，并提供额外的统计信息。
作为一个 FYI，如果 0 和 1 两列是连续的，则使用多元平台并选择相关性的 CI，这是这个简单的 2 级情况的 Kappa 统计量。希望这可以提供对 Kappa 统计数据的一些见解。
Multivariate Platform, Continuous Modeling TypeMultivariate Platform, Continuous Modeling Type多元平台，连续建模类型
Fit Y by X Platform, Nominal Modeling TypeFit Y by X Platform, Nominal Modeling Type以 X 拟合 Y 平台，名义建模类型
回复：不同列中二进制数据的相关性相关性衡量两个连续变量之间的线性关联程度。
由于值只有 0 和 1，我建议对这些列使用名义建模类型，而不是连续的。 您仍然可以使用 Fit Y by X。 马赛克图将提供一个很好的图形来描述内部和外部之间的关系。 然后我会使用“协议统计”来衡量内部和外部之间的一致程度。 这类似于相关系数，但适用于分类数据。 您还将对 kappa=0 的原假设进行检验。
