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:
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.