Determinació del coeficient de correlació: introducció, mètodes i aplicacions
El coeficient de correlació és una mesura estadística que determina la força de la relació entre dues variables d'un conjunt de dades. Les correlacions van de -1 a 1. Un valor de coeficient proper a 1 o -1 indica una relació forta entre les dues variables. Un valor de coeficient proper a 0 indica que no hi ha una relació forta entre les dues variables. Aquest article tractarà el coeficient de correlació, els mètodes per calcular-lo, la seva interpretació i les seves aplicacions en diversos camps.
Introducció al coeficient de correlació
El coeficient de correlació ens dóna una visió numèrica de la relació entre dues variables. Els coeficients de correlació es divideixen en dos tipus principals segons la direcció de la relació:
1. Coeficient de correlació positiu: Indica que quan una variable augmenta, l'altra variable també augmenta.
2. Coeficient de correlació negativa: Indica que quan una variable augmenta, l'altra variable disminueix.
La relació entre dues variables també es pot dividir en tres tipus segons la força de la relació:
1. Correlació forta: el coeficient és proper a -1 o 1.
2. Correlació moderada: el coeficient està entre -0.5 i -1 o entre 0.5 i 1.
3. Correlació feble: el coeficient és proper a 0.
Mètode per calcular el coeficient de correlació
Per calcular el coeficient de correlació s'utilitzen diversos mètodes habituals, com ara la correlació de Pearson, la correlació de Spearman i la correlació de Kendall. Analitzem cadascun d'aquests mètodes amb més detall.
1. Correlació de Pearson
El coeficient de correlació de Pearson s'utilitza sovint quan ambdues variables són contínues i tenen una distribució normal. La fórmula del coeficient de correlació de Pearson és:
\[ r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^2 – (\Sigma x)^2] [n \Sigma y^2 – (\Sigma y)^2 ] } } \]
On:
– \(r\) = coeficient de correlació,
– \(n \) = nombre de parells de dades,
– \( \Sigma xy \) = la suma dels productes dels parells de dades \( x \) i \( y \),
– \( \Sigma x \) = suma de valors \( x \),
– \( \Sigma y \) = suma de valors ( y \),
– \( \Sigma x^2 \) = suma dels quadrats de \( x \),
– \( \Sigma y^2 \) = suma dels quadrats de \( y \).
2. Correlació de rang de Spearman
El coeficient de correlació de Spearman s'utilitza per a dades ordinals o quan no es pot complir la suposició de normalitat. La correlació de Spearman es basa en la classificació dels valors de les dades en lloc dels seus valors reals. La fórmula del coeficient de correlació de Spearman és:
\[ rho = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
On:
– \(\rho \) = Coeficient de correlació de Spearman,
– \(d_i\) = diferència entre les classificacions dels parells de dades \(x\) i \(y\),
– \(n \) = nombre de parells de dades.
3. Correlació Tau de Kendall
El coeficient de correlació de Kendall mesura la força de la relació entre dues variables ordinals. A diferència del de Spearman, la correlació de Kendall se centra més en el nombre de parells concordants i discordants. La fórmula del coeficient de correlació de Kendall és:
\[ t = \frac{ (C – D)} { \sqrt{ (C + D + T) (C + D + U) } } \]
On:
– τ = coeficient de correlació de Kendall,
– \(C\) = nombre de parells concordants,
– \(D \) = nombre de parells discordants,
– \(T\) = nombre de parells de sèries en la variable \(x\),
– \(U\) = nombre de parells de sèries en la variable \(y\).
Interpretació del coeficient de correlació
La interpretació del coeficient de correlació depèn del valor del coeficient obtingut:
– Coeficient +1: Relació positiva perfecta.
– Coeficient de 0.7 a 0.9: forta relació positiva.
– Coeficient de 0.4 a 0.6: Relació positiva moderada.
– Coeficient de 0.1 a 0.3: Relació positiva feble.
– Coeficient 0: Cap relació.
– Coeficient de -0.1 a -0.3: Relació negativa feble.
– Coeficient de -0.4 a -0.6: Relació negativa moderada.
– Coeficient de -0.7 a -0.9: Relació negativa forta.
– Coeficient -1: Relació negativa perfecta.
Aplicació del coeficient de correlació
El coeficient de correlació té una àmplia gamma d'aplicacions en diversos camps, com ara l'economia, les ciències socials, la salut, l'educació i més. Aquí teniu alguns exemples:
1. Economia: Determinació de la relació entre la inflació i l'atur, o entre la despesa del consumidor i els ingressos.
2. Ciències socials: Determinació de la relació entre educació i ingressos, o entre les xarxes socials i el benestar psicològic.
3. Salut: Comparació de la relació entre el consum de tabac i els casos de càncer de pulmó, o entre un estil de vida actiu i la salut cardíaca.
4. Educació: Examinar la relació entre el temps d'estudi i els resultats dels exàmens, o entre la mida de la classe i l'assoliment dels estudiants.
Exemples pràctics utilitzant conjunts de dades
Suposem que tenim un conjunt de dades que inclou les puntuacions dels exàmens de matemàtiques i el temps d'estudi en hores de 10 estudiants de la manera següent:
“
Hores d'estudi dels estudiants Matemàtiques Notes
1 5 85
2 3 78
3 6 90
4 2 76
5 4 80
6 6 88
7 5 85
8 3 82
9 7 91
10 5 87
“
Podem calcular el coeficient de correlació de Pearson entre Study_Hours i Math_Score. Utilitzant la fórmula de Pearson, calculem primer \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \) i \( \Sigma y^2 \) i després substituïm aquests valors a la fórmula per obtenir el valor de \( r \).
Conclusió
El coeficient de correlació és una eina potent en l'anàlisi de dades per determinar la força i la direcció de la relació entre dues variables. Comprendre el concepte, els mètodes de càlcul i la interpretació del coeficient de correlació és essencial per a una anàlisi de dades eficaç. Amb una comprensió adequada, podem determinar millor les correlacions entre variables en diversos camps i prendre decisions més informades i basades en dades.
