Oto cytat z Andrew Gilpin (1993) opowiadający się za Maurice'a Kendalla nad ρ Spearmana z powodów teoretycznych:τρ
[ Kendalla zbliża się do rozkładu normalnego szybciej niż ρ , ponieważ N zwiększa wielkość próbki; i τ jest również łatwiejsze w matematyce, szczególnie gdy występują więzi. τρNτ
Nie mogę dodać wiele o Goodmanie-Kruskalu , poza tym, że wydaje się on dostarczać coraz tak nieco większe szacunki niż τ Kendalla w próbce danych ankietowych, z którymi ostatnio pracowałem ... i oczywiście zauważalnie niższe oszacowania niż ρ Spearmana . Jednak próbowałem też obliczyć kilka częściowych szacunków γ (Foraita i Sobotka, 2012), a te okazały się bliższe częściowemu ρ niż częściowemu τ ... Jednak zajęło to sporo czasu, więc odejdę testy symulacyjne lub porównania matematyczne z kimś innym ... (kto by wiedział, jak je wykonać ...)γτργρτ
Jak sugeruje ttnphns , nie można wnioskować, że twoje szacunki są lepsze niż twoje τ pod względem samej wielkości, ponieważ ich skale różnią się (chociaż granice nie). Gilpin cytuje Kendalla (1962) jako opisujący stosunek ρ do τ jako około 1,5 w większości zakresu wartości. Zbliżają się stopniowo wraz ze wzrostem ich wielkości, więc gdy oba zbliżają się do 1 (lub -1), różnica staje się nieskończenie mała. Gilpin podaje ładną dużą tabelę równoważnych wartości ρ , r , r 2 , d i Z r out do trzeciej cyfry dla τρτρτρrr2Zrτz każdym przyrostem 0,01 w całym zakresie, tak jak można się spodziewać na okładce podręcznika statystyk wprowadzających. Oparł te wartości na specyficznych formułach Kendalla, które są następujące:
(i uproszczone tego wzoru dopod postaci, w jakiej Gilpin scenariusza, który był w zakresie Pearsonar).
rρ=sin(τ⋅π2)=6π(τ⋅arcsin(sin(τ⋅π2)2))
ρr
Może warto byłoby zamienić na ρτρ i zobaczyć, jak zmiana obliczeniowa wpływa na oszacowanie wielkości efektu. Wydaje się, że to porównanie dałoby pewne wskazanie, w jakim stopniu problemy, na które Spearmana jest bardziej wrażliwy, występują w twoich danych, jeśli w ogóle. Z pewnością istnieją bardziej bezpośrednie metody indywidualnego identyfikowania każdego konkretnego problemu; moja sugestia przyniosłaby bardziej szybki i brudny rozmiar efektu omnibus dla tych problemów. Jeśli nie ma różnicy (po skorygowaniu różnicy skali), można argumentować, że nie trzeba szukać dalej problemów, które dotyczą tylko ρρρ. Jeśli istnieje znacząca różnica, prawdopodobnie nadszedł czas, aby rozbić soczewkę powiększającą, aby ustalić, co jest odpowiedzialne.
Nie jestem pewien, w jaki sposób ludzie zwykle zgłaszają rozmiary efektów, gdy używają Kendalla (w niestety ograniczonym stopniu, że ludzie martwią się raportowaniem rozmiarów efektów w ogóle), ale ponieważ wydaje się prawdopodobne, że nieznani czytelnicy spróbowaliby interpretować to na skalę Pearsona r , to może być mądry, aby zgłosić zarówno swoją τ statystyki i jej wpływ na wielkość skali r stosując powyższy wzór konwersji ... a przynajmniej zwrócić uwagę na różnicę w skali i dać okrzyk Gilpin jego poręcznej tabeli konwersji .τrτr
Referencje
Foraita, R., i Sobotka, F. (2012). Walidacja modeli graficznych. Pakiet gmvalid, v1.23. Kompleksowa sieć archiwów R. URL: http://cran.r-project.org/web/packages/gmvalid/gmvalid.pdf
Gilpin, AR (1993). Tabela konwersji Tau Kendalla na Rho Spearmana w kontekście miar wielkości efektu dla metaanalizy. Pomiary edukacyjne i psychologiczne, 53 (1), 87-92.
Kendall, MG (1962). Metody korelacji rang (wydanie trzecie). Londyn: Griffin.