Wstęp

Niniejszą analizę i raport opisowy wykonano w Systemie Zautomatyzowanego Tworzenia Opisu Statystycznego - SZTOS (Hryniewicz, Milewska, 2023). Wizualizacje wyników przeprowadzono z wykorzystaniem pakietu graficznego “ggplot2” (Wickham, 2016).

Analiza cząstkowyh korelacji Spearmana

Analiza korelacji między zmiennymi: Łatwość, Użyteczność, Obawy, Wiek a Intencja zakupu

W celu weryfikacji zależności między zmiennymi: Łatwość, Użyteczność, Obawy, Wiek a Intencja zakupu przy statystycznym kontrolowaniu pozostałych analizowanych zmiennych wykonano serię analiz korelacji cząstkowych metodą Spearmana (Spearman, 1904). Analiza cząstkowa pozwala ocenić związek między dwiema zmiennymi po uwzględnieniu ich współzmienności z pozostałymi analizowanymi zmiennymi; nie stanowi natomiast podstawy do wnioskowania o zależnościach przyczynowych. Dla cząstkowych współczynników korelacji Spearmana 95% przedziały ufności wyznaczono aproksymacyjnie za pomocą transformacji z Fishera, z uwzględnieniem liczby zmiennych kontrolowanych (Fisher, 1921, 1924; por. Bonett i Wright, 2000). Analiza testem cząstkowej korelacji Spearmana wykazała, że:

• Wzrost wyników zmiennej Użyteczność wiązał się ze wzrostem wyników zmiennej Intencja zakupu, rho(298) = 0.61; p < 0.001; 95% PU [0.53, 0.67] (oszacowanie wskazywało na umiarkowaną siłę związku)

• Wzrost wyników zmiennej Obawy wiązał się ze spadkiem wyników zmiennej Intencja zakupu, rho(298) = -0.16; p = 0.006; 95% PU [-0.27, -0.05] (oszacowanie wskazywało na słabą siłę związku)

Rezultaty analizy przedstawia tabela nr 1.

Tabela 1

Wyniki analizy korelacji cząstkowych Spearmana między zmiennymi: Łatwość, Użyteczność, Obawy, Wiek a Intencja zakupu

Zmienna	Intencja zakupu
Łatwość	-0.01_{N = 303}
Użyteczność	0.61^***_{N = 303}
Obawy	-0.16^**_{N = 303}
Wiek	0.04_{N = 303}

Nota: indeks dolny przy wartości współczynnika korelacji cząstkowej oznacza liczbę kompletnych obserwacji; * p < 0.05, ** p < 0.01, *** p < 0.001.

Bibliografia

Bonett, D. G., & Wright, T. A. (2000). Sample Size Requirements for Estimating Pearson, Kendall and Spearman Correlations. Psychometrika, 65(1), 23–28. https://doi.org/10.1007/BF02294183

Fisher, R. A. (1921). On the ‘Probable Error’ of a Coefficient of Correlation Deduced from a Small Sample. Metron, 1, 3–32. https://lipari.istat.it/digibib/Metron/MetronV1N4_1921.pdf

Fisher, R. A. (1924). The Distribution of the Partial Correlation Coefficient. Metron, 3, 329–332. http://hdl.handle.net/2440/15182

Hryniewicz, K., Milewska, A. (2023). SZTOS: System Zautomatyzowanego Tworzenia Opisu Statystycznego (Wersja SZTOS) [Oprogramowanie]. https://sztos-it.com/

Spearman, C. (1904). The Proof and Measurement of Association between Two Things. The American Journal of Psychology, 15(1), 72–101. https://doi.org/10.2307/1412159

Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. ISBN 978-3-319-24277-4

Załącznik A

Cząstkowe wizualizacje relacji między zmiennymi

Na osiach przedstawiono reszty rang obu zmiennych po statystycznym kontrolowaniu rang pozostałych zmiennych uwzględnionych w analizie. Linia i jej oznaczenie istotności odnoszą się do związku cząstkowego, a nie do zwykłej korelacji dwuwymiarowej.

Rysunek nr 1

Cząstkowa relacja zmiennej Łatwość ze zmienną Intencja zakupu

Nota: Przerywana czerwona linia oznacza nieistotny statystycznie związek cząstkowy.

Rysunek nr 2

Cząstkowa relacja zmiennej Użyteczność ze zmienną Intencja zakupu

Nota: Ciągła czerwona linia oznacza istotny statystycznie związek cząstkowy.

Rysunek nr 3

Cząstkowa relacja zmiennej Obawy ze zmienną Intencja zakupu

Nota: Ciągła czerwona linia oznacza istotny statystycznie związek cząstkowy.

Rysunek nr 4

Cząstkowa relacja zmiennej Wiek ze zmienną Intencja zakupu

Nota: Przerywana czerwona linia oznacza nieistotny statystycznie związek cząstkowy.

Masz pytania do raportu🔮⁉️
Kliknij i porozmawiaj z naszą statystyczną asystentką Danką💁‍♀✅

💬

Danka💁‍♀️ - Asystentka AI

Cześć, nazywam się Danka👩 Jestem algorytmem, ale moi Twórcy wierzą, że pomogę Ci zrozumieć ten raport👩‍💻