Anàlisi de correlació canònica
Pendahuluan
En molts estudis, els investigadors sovint es troben amb situacions on hi ha dos conjunts de variables, cadascun dels quals consta de diversos indicadors. Per exemple, en el camp de l'educació, podem tenir un conjunt de variables sobre factors d'aprenentatge (motivació, hores d'estudi, suport familiar, accés a Internet) i un conjunt de variables sobre resultats d'aprenentatge (notes de matemàtiques, notes d'idiomes, notes de ciències i mitjanes de qualificacions). La pregunta important no és simplement "la motivació està relacionada amb les notes de matemàtiques?", sinó "quina és la relació general entre el conjunt de factors d'aprenentatge i el conjunt de resultats d'aprenentatge?". Per respondre preguntes com aquesta, l'anàlisi de correlació canònica (CCA) és un dels mètodes estadístics multivariants més rellevants.
L'anàlisi de correlació canònica es va desenvolupar per mesurar i explicar la relació entre dos conjunts de variables simultàniament. En altres paraules, l'anàlisi de correlació canònica estén el concepte de correlació simple (entre dues variables) a una correlació entre dues combinacions lineals de dos conjunts de variables. Aquest article tracta els conceptes bàsics, els objectius, els passos de l'anàlisi, la interpretació i els avantatges i limitacions de l'anàlisi de correlació canònica.
Concepte bàsic de correlació canònica
La correlació ordinària (per exemple, la correlació de Pearson) mesura la força de la relació lineal entre dues variables, per exemple X i Y. La CCA generalitza aquest concepte formant dues noves variables com a combinacions lineals:
– La primera variable canònica per al conjunt X:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– Primera variable canònica per al conjunt Y:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
Els coeficients a i b es trien de manera que la correlació entre U i V sigui màxima. Aquesta correlació màxima s'anomena primera correlació canònica. Un cop obtingut el primer parell, CCA pot formar parells posteriors de variables (segona, tercera, etc.) que són ortogonals (no correlacionades) amb el parell anterior.
El nombre de possibles parells de variables canòniques és min(p, q), que és el nombre més petit de variables entre els dos conjunts.
Finalitat i ús
El CCA s'utilitza quan els objectius de la recerca són:
1. Mesurar la força de l'associació entre dos conjunts de variables en conjunt.
2. Identifica la combinació de variables més relacionada del conjunt X i del conjunt Y.
3. Reduir les dimensions de les relacions multivariants en diversos parells de variables que siguin més fàcils d'interpretar.
4. Exploració de patrons en les dades: quines variables expliquen predominantment la relació entre els dos dominis.
Exemple de context d'aplicació:
– Psicologia: la relació entre el conjunt de «trets de personalitat» i el conjunt d’«indicadors de salut mental».
– Economia: la relació entre el conjunt d’«indicadors macro» i el conjunt d’«indicadors del mercat laboral».
– Ciències de la salut: la relació entre un conjunt d’«hàbits de vida» i un conjunt de «paràmetres clínics».
Supòsits i requisits de dades
Com molts mètodes multivariants, el CCA té una sèrie de suposicions que cal tenir en compte perquè els resultats siguin estables i interpretables:
1. Relació lineal: l'anàlisi de correlació canònica (CCA) captura la relació lineal entre conjunts. Si la relació no és lineal, la correlació canònica pot subestimar la força de la relació.
2. Normalitat multivariant: Idealment, les variables segueixen una distribució normal multivariant, especialment per a proves de significació. Tanmateix, a la pràctica, l'ACC sovint s'utilitza de manera exploratòria fins i tot quan les dades no són completament normals.
3. No hi ha multicol·linealitat extrema en cada conjunt: les variables altament correlacionades poden fer que les estimacions de coeficients siguin inestables.
4. Mida de mostra adequada: una regla general habitual és un mínim de 10 a 20 observacions per variable, tot i que el context de la recerca pot exigir-ne més.
A més, les variables han d'estar en una escala comparable o estandarditzada (puntuació z) per tal que els coeficients siguin més fàcils de comparar.
Passos de l'anàlisi de correlació canònica
En general, les etapes de la realització d'una CCA inclouen:
1. Determinar dos conjunts de variables
Assegureu-vos que les variables s'agrupin segons la teoria o el marc conceptual, no només per assaig i error.
2. Comprovació de dades
Incloent dades que falten (valors que falten), valors atípics, proves de normalitat i correlacions dins de cada conjunt (per detectar multicol·linealitat).
3. Estimació de variables canòniques
Genera parells de variables U₁–V₁, U₂–V₂, etc.
4. Càlcul de la correlació canònica
La correlació entre U_k i V_k per a cada k-èsim parell.
5. Prova de significació
Comprova si la correlació canònica obtinguda és estadísticament diferent de zero. Les proves més utilitzades són la lambda de Wilks, la traça de Pillai (més sovint en MANOVA), la traça de Hotelling i l'arrel més gran de Roy. En CCA, la lambda de Wilks sovint és l'opció preferida.
6. Interpretació dels resultats
Inclou l'avaluació de la magnitud de la correlació, les càrregues, els pesos i les contribucions variables.
Com llegir i interpretar la sortida de CCA
El resultat de CCA normalment inclou diversos components importants:
1. Correlacions canòniques
Aquest valor indica la força de la relació entre les variables U i V en un parell concret. Per exemple, una primera correlació canònica de 0,80 indica una forta relació lineal entre la combinació de variables X i la combinació de variables Y en la primera dimensió.
Sovint també es calcula l'R² canònic, el quadrat de la correlació canònica. Si r = 0,80, aleshores R² = 0,64, cosa que significa que aproximadament el 64% de la variació de la variable canònica Y es pot explicar per la variable canònica X (i viceversa) en aquesta dimensió, en el sentit de la relació entre les variables, no entre les variables originals.
2. Pesos canònics (pesos canònics / coeficients)
Els pesos són els coeficients a i b que formen les variables U i V. Tanmateix, els pesos sovint són sensibles a la multicol·linealitat, de manera que la interpretació substantiva no sol basar-se únicament en els pesos.
3. Càrregues canòniques (càrregues canòniques / coeficients d'estructura)
La càrrega és la correlació entre la variable original i la seva variable canònica. Per exemple, una càrrega de X₂ sobre U₁ de 0,70 significa que X₂ contribueix fortament a la primera dimensió canònica al costat del conjunt X. Les càrregues són generalment més estables i més fàcils d'interpretar que els pesos.
4. Càrregues creuades
La càrrega creuada és la correlació entre variables d'un conjunt amb variables canòniques d'un altre conjunt (per exemple, la correlació de X₁ amb V₁). Això ajuda a entendre quines variables estan més estretament relacionades amb les dimensions de la relació entre conjunts.
5. Índex de redundància
L'índex de redundància indica quanta part de la variància de les variables originals d'un conjunt es pot explicar per les variables canòniques d'un altre conjunt. Això és important perquè una correlació canònica alta no necessàriament indica un alt poder explicatiu per a les variables originals. La redundància s'utilitza sovint per avaluar el valor pràctic (no només la significació estadística).
Il·lustració senzilla
Suposem que un estudi examina la relació entre:
– Conjunt X (condicions de treball): X₁ = càrrega de treball, X₂ = suport del supervisor, X₃ = flexibilitat horària
– Conjunt Y (benestar): Y₁ = estrès, Y₂ = satisfacció laboral, Y₃ = qualitat del son
El CCA pot trobar una primera correlació canònica significativa de r = 0,75. Les càrregues indiquen que la càrrega de treball i el suport del supervisor formen més fortament U₁, mentre que l'estrès i la satisfacció laboral formen més fortament V₁. La interpretació substantiva: la dimensió principal de la relació entre les condicions de treball i el benestar és la combinació de "pressió laboral vs. suport", que està estretament relacionada amb "l'estrès i la satisfacció".
Avantatges de l'anàlisi de correlació canònica
1. Exhaustiu: captura la relació entre dos conjunts de variables alhora.
2. Reduir el risc de proves repetides: en comparació amb la realització de moltes correlacions una per una, cosa que augmenta la possibilitat d'error de tipus I.
3. Ajuda a trobar estructures latents: revela dimensions de les relacions que no són visibles a partir de l'anàlisi univariant.
Limitacions i reptes
1. La interpretació pot ser complexa: molts components (pesos, càrregues, redundàncies) s'han de veure conjuntament.
2. Sensible a la multicol·linealitat i a les mides de mostra petites: pot produir coeficients inestables.
3. De naturalesa lineal: les relacions no lineals no es capturen llevat que es realitzi una transformació o un altre mètode.
4. Requereix una base teòrica: sense un marc conceptual clar, la interpretació de les dimensions canòniques és propensa a ser especulativa.
Tancament
L'anàlisi de correlació canònica és un potent mètode multivariant per comprendre la relació entre dos conjunts de variables simultàniament. En construir variables canòniques que maximitzen les correlacions entre conjunts, l'anàlisi de correlació canònica (ACC) permet als investigadors veure patrons de relacions més complets que la correlació simple o la regressió única. Tanmateix, el seu ús requereix atenció a les suposicions, la qualitat de les dades i les estratègies d'interpretació adequades (especialment amb èmfasi en les càrregues, les càrregues creuades i la redundància). En la investigació que implica múltiples indicadors en dos dominis principals, l'ACC pot ser una eina poderosa per explorar i resumir relacions complexes en dimensions significatives.
