淨相關用於分析排除第三變項影響後,兩變數之間的關聯性,以下將說明其原理及SPSS操作。

一、使用狀況:

當兩個變項之間的關係,可能由第三個變項所造成的,因此欲將排除第三個變項的影響後,再觀察兩個變項之間的關係,此方式稱為: 淨相關 [partial correlation]。

在行為及社會科學研究中,以及在SPSS軟體裡,都稱為偏相關。此方法與一般的皮爾森相關分析之差異在於有排除第三變項的影響,在研究中經常用於排除干擾變數的影響。

淨相關公式:

*【小常識】

積差相關及淨相關適用於連續變項之變數。

二、假說檢定(Hypothesis Testing):

淨相關用於探討兩變數之間是否有顯著的淨相關。

虛無假說(Null hypothesis)→ H0 : r = 0 兩變項之間無淨相關
對立假說(alternative hypothesis)→ H1 : r≠ 0 兩變項之間有淨相關

三、SPSS 操作範例:

【例題】探討數學成績與未來工作收入之關係,控制變項為智力

(一) 在SPSS中輸入欲分析之資料。

Math 為數學成績,Income為收入,IQ為智力

(二) 進行淨相關分析:分析->相關->偏相關

變數:Math (r1)、Income (r2)、IQ (r3)

將欲分析的變數放入變數中,控制變數放入下方欄位。

選項中勾選零階相關,以在結果報表中呈現未排除控制變數影響之相關係數結果。

(三)分析結果

1. 在紅色框框中,可以發現IQ分別與Math (p = .004) 以及Income (p < .001) 皆達顯著性關係;此外,Math 與 Income之間的淨相關為 .890並達顯著關係 (p = .001),表示數學與未來收入有相關性。

2. 綠色框框中,當控制IQ之後,Math與Income之間的淨相關為 .629,未達顯著水準(p = .070),表示控制智力後,數學與未來收入沒有關係。

由上可知,有無控制變數的加入,對結果可能會有不同的影響,因此在分析時研究者需要對於控制變數多加考量。

*【小常識】

在沒有控制任何變項,看單純兩個變項之間的關係時,稱為零階相關 (zero-order correlations)。

當控制第三個變項後,再看兩個變項之間的關係,稱為一階淨相關 (first-order correlation)。

本次操作之SPSS資料可透過以下網址取得,僅供同學練習使用:

https://drive.google.com/file/d/0B8eyCgO9lPB0Y3lSZVozeW5hck0/view?usp=sharing