Dovresti dare un'occhiata all ' analisi delle corrispondenze multiple. Questa è una tecnica per scoprire modelli e strutture nei dati categoriali. È un esempio di ciò che alcune persone chiamano " French Data Analysis"

In SPSS, puoi usare il comando CORRESPONDENCE . Se preferisci il menu, è disponibile tramite "Analizza -> Riduzione dati -> Analisi corrispondenza".

Tuttavia, prima di farlo, inizia con le tabulazioni incrociate tra le variabili. In SPSS il comando si chiama CROSSTABS o fai clic su "Analizza -> Statistiche descrittive -> Tavole incrociate"

Potresti voler esaminare il comando AUTORECODE ( Transform > Automatic Recode ) se stai leggendo molti dati di stringa che devono essere convertiti in numerici.

Le correlazioni parametriche e non parametriche sono disponibili dal menu Analizza > Correlate per una prima occhiata. Sono disponibili strumenti come estensioni per la codifica a colori di correlazioni significative e / o grandi. Esiste anche uno strumento pubblicato dagli utenti per la generazione di una rappresentazione grafica di una tabella di correlazione che puoi trovare nel forum Graphics nel sito Web della comunità SPSS.

Prova la regressione categoriale (ridimensionamento ottimale).

Le variabili nominali non hanno scala. Quanto dista "divorziata" da "sposata"? Non ha senso a meno che tu non abbia un'altra misura per aiutare a mettere in ordine i livelli delle variabili nominali e la distanza l'uno dall'altro.

Anche le variabili ordinali non hanno scala. Quanto è "giusto" da "buono"? C'è ordine ma nessuna distanza in una classifica ordinale. Puoi metterli su una scala rispetto a qualche altra variabile dipendente.

Quindi non c'è correlazione con variabili ordinali o variabili nominali perché la correlazione è una misura di associazione tra variabili di scala.

Tuttavia, la procedura di ridimensionamento ottimale crea una scala per le variabili nominali (e ordinali), basata sull'associazione dei livelli delle variabili con una variabile dipendente. Questa sintassi produrrà una matrice di correlazione tra una variabile dipendente di scala e variabili indipendenti nominali.

  GET FILE = 'C: \ Program Files \ IBM \ SPSS \ Statistics \ 22 \ Samples \ English \ car_sales.sav'.DATASET NAME DataSet1 WINDOW = FRONT.DATASET ACTIVATE DataSet1.CATREG VARIABLES = tipo di modello produttore di vendita / ANALISI = vendita (LEVEL = SPORD, DEGREE = 2, INKNOT = 2) WITH produttore (LEVEL = NOMI) modello (LEVEL = NOMI) tipo (LEVEL = NOMI) / DISCRETIZATION = sales (RANKING) produce ( RANKING) modello (RANKING) tipo (RANKING) / PRINT = CORR QUANT (tipo di modello di produzione) / PLOT = TRANS (tipo di modello di produzione) (20).  

Si noti che ho incluso anche il Quantificazioni e grafici per le variabili trasformate. Non è possibile dare un senso ai coefficienti di correlazione a meno che non si possa anche dare un senso alle nuove scale create per le variabili nominali (o ordinali).

CATREG è una funzionalità molto potente e ricca di SPSS. Vedi anche:

• Case Study
• Tesi di dottorato del creatore dell'implementazione SPSS

Un'altra opzione per trovare la relazione tra variabili ordinali e nominali consiste nell'utilizzare Alberi decisionali . Non si otterrà un coefficiente di correlazione ma l'algoritmo raggrupperà le variabili nominali e dividerà le variabili ordinali in base all'associazione con un'altra variabile.

Utilizzando il metodo CRT e selezionando Importanza variabile (output> statistiche), è possibile generare una classifica dell'associazione di ciascuna variabile indipendente (predittore) con la variabile dipendente (obiettivo). L'importanza è una misura dell'associazione come la correlazione.

Se sei interessato solo a un livello di fattore (ad es. [Stato civile] = "Sposato"), utilizza una codifica fittizia per una nuova variabile in modo che Married = 1 se Marital status = 'Married' else 0. Con la variabile dummy, stai creando due gruppi: Married e tutto il resto. Puoi utilizzare la variabile fittizia come variabile di scala perché i gruppi che hai creato sono su una scala, a una unità l'uno dall'altro.

1. Utilizza Transform > Automatic Recode per creare due variabili numeriche che trasportano le informazioni delle tue due variabili stringa.
2. Esegui una tabella delle frequenze delle nuove variabili e assicurati che gli attributi della stringa siano corretti. Per esempio. verificare la presenza di errori di ortografia (pendolarismo vs communte), confusione plurale / singolare (auto vs auto) e differenza grammaticale (guida vs guida). Riordinali aggregandoli o ciascuna di queste varianti verrà trattata come il suo unico livello.
3. La scala di Likert con 5 livelli può essere tranquillamente trattata come variabili ordinali e le altre due variabili generate dalle variabili stringa sono probabilmente variabili nominali. Per verificare l'associazione di
   • ordinale rispetto a ordinale, puoi considerare il coefficiente di correlazione di Spearman. ( Analizza > Bivariate ) Avresti bisogno della casella "Spearman" per ottenere le statistiche.
   • Nominale vs. nominale, probabilmente un test chi quadrato. ( Analizza > Statistiche descrittive > Crosstab Inserisci le variabili in riga e colonna, quindi fai clic su Statistics e seleziona Chi-square ).
   • Nominale vs. ordinale, potresti considerare Kruskal-Wallis. ( Analizza > Non parametrico > Finestra di dialogo Legacy > Campioni indipendenti da K . Metti le variabili Likert in Elenco variabili di prova e inserisci la variabile nominale in Variabile di raggruppamento codice>).

Ora, voglio correlare queste variabili tra di loro per trovare pattern significativi. Come si esegue questa operazione in SPSS?

Fai attenzione con l'intenzione di trovare uno schema significativo. Se esegui il test e trovi una ragione per tutto ciò che sembra ragionevole, sei solo preso in giro dalle statistiche. Invece, ti suggerirei di redigere alcune domande e avere alcune ipotesi su come dovrebbero correlare / associare prima di toccare i dati. Se stai solo cercando di esplorare una potenziale relazione, trattala rigorosamente come un'attività che genera ipotesi e testa statisticamente l'associazione utilizzando alcuni altri dati.

Inoltre vorrei testare i valori di alcune variabili rispetto al numero intero di voci.

Mi spiace, non capisco cosa significhi.

Una correlazione tra variabili nominali (ad es. cliente sì o no) e ordinali (ad es. scala likert a 5 punti sulla soddisfazione) può essere ottenuta utilizzando l'analisi chi-quadro.La tabella 2 x (5?) (Che un ricercatore potrebbe voler ridurre a una tabella 2 x 2 per categorie) verificherà se esiste una relazione significativa (statistica test chi-quadrato) mentre almeno SPSS fornisce anche una misura dila forza della relazione tramite i coefficienti phi (o Cramers).Nota che non hanno direzione poiché le variabili nominali non hanno direzione.