Příkladové otázky a diskuse o korelační analýze
Korelační analýza je statistická metoda používaná k určení stupně vztahu mezi dvěma proměnnými. Tato analýza se často používá v různých oborech, včetně ekonomie, psychologie, medicíny a sociologie, k pochopení toho, jak úzce spolu dvě proměnné souvisí. V tomto článku probereme několik příkladů problémů a diskusí, které pomohou pochopit koncept korelační analýzy.
Pochopení korelační analýzy
Korelační analýza se používá k měření síly a směru vztahu mezi dvěma numerickými proměnnými. Tato korelační hodnota se obvykle vyjadřuje pomocí korelačního koeficientu, který se může pohybovat od -1 do 1. Tyto hodnoty lze interpretovat následovně:
– +1: Dokonalá pozitivní korelace. Obě proměnné se pohybují stejným směrem.
– 0: Žádná korelace. Tyto dvě proměnné nemají jasný lineární vztah.
– -1: Dokonalá negativní korelace. Obě proměnné se pohybují v opačných směrech.
Nejčastěji používaným korelačním koeficientem je Pearsonova korelace. Existují však i jiné korelační metody, jako například Spearmanova a Kendallova, které jsou vhodnější pro ordinální nebo nelineární data.
Kroky korelační analýzy
1. Sběr dat: Shromážděte data pro dvě analyzované proměnné.
2. Vizualizace dat: Vytvořte bodový graf, abyste viděli vztah mezi dvěma proměnnými.
3. Výpočet korelačního koeficientu: Vypočítejte Pearsonův, Spearmanův nebo Kendallův korelační koeficient.
4. Interpretace výsledků: Na základě hodnoty korelačního koeficientu určete sílu a směr vztahu.
5. Test významnosti: Určete, zda je nalezená korelace statisticky významná.
Contoh Soal a Pembahasan
Otázka 1: Pearsonova korelace
Údaje o výšce (cm) a hmotnosti (kg) 5 osob jsou uvedeny následovně:
| Osoba | Výška (cm) | Hmotnost (kg) |
|——-|————-|————|
| A | 160 | 55 |
| B | 165 | 60 |
| C | 170 | 65 |
| D | 175 | 70 |
| V | 180 | 75 |
Vypočítejte Pearsonův korelační koeficient pro data.
Diskuse:
1. Výpočet průměru:
– Průměrná výška (X̄) = (160 + 165 + 170 + 175 + 180) / 5 = 170
– Průměrná hmotnost (Ȳ) = (55 + 60 + 65 + 70 + 75) / 5 = 65
2. Výpočet odchylky od průměru:
– Vysoká odchylka: (160 – 170), (165 – 170), (170 – 170), (175 – 170), (180 – 170)
– Závažná odchylka: (55 – 65), (60 – 65), (65 – 65), (70 – 65), (75 – 65)
3. Výpočet součinu odchylek:
– (160-170)(55-65) = 10 10 = 100
– (165-170)(60-65) = 5 5 = 25
– (170-170)(65-65) = 0 0 = 0
– (175-170)(70-65) = 5 5 = 25
– (180-170)(75-65) = 10 10 = 100
Celkem = 100 + 25 + 0 + 25 + 100 = 250
4. Výpočet druhé mocniny odchylky:
– Výška: (160–170)², (165–170)², (170–170)², (175–170)², (180–170)²
– Hmotnost: (55–65)², (60–65)², (65–65)², (70–65)², (75–65)²
Pro výšku:
– (160-170)² = 100
– (165-170)² = 25
– (170-170)² = 0
– (175-170)² = 25
– (180-170)² = 100
Celkem = 100 + 25 + 0 + 25 + 100 = 250
Pro hmotnost:
– (55-65)² = 100
– (60-65)² = 25
– (65-65)² = 0
– (70-65)² = 25
– (75-65)² = 100
Celkem = 100 + 25 + 0 + 25 + 100 = 250
5. Výpočet Pearsonova korelačního koeficientu:
\[
r = \frac{\suma ((X – X̄)(Y – Ȳ))}{\sqrt{\suma (X – X̄)² \suma (Y – Ȳ)²}}
\]
\[
r = \frac{250}{\sqrt{250 \krát 250}} = \frac{250}{250} = 1
\]
Interpretace: Hodnota Pearsonova korelačního koeficientu 1 indikuje dokonalý pozitivní vztah mezi výškou a hmotností.
Otázka 2: Spearmanova korelace
Vzhledem k datům o pořadí dvou proměnných je následující:
| Osoba | Proměnná X | Proměnná Y |
|——-|————|————|
| A | 1 | 3 |
| B | 2 | 1 |
| C | 3 | 4 |
| D | 4 | 2 |
| E | 5 | 5 |
Vypočítejte Spearmanův korelační koeficient na základě dat.
Diskuse:
1. Výpočet rozdílu v pořadí (d):
– Pro pořadí X a Y:
– A: 1 – 3 = -2
– B: 2 – 1 = 1
– C: 3 – 4 = -1
– D: 4 – 2 = 2
– E: 5 – 5 = 0
2. Výpočet druhé mocniny rozdílu v pořadí (d²):
– (-2)² = 4
– (1)² = 1
– (-1)² = 1
– (2)² = 4
– (0)² = 0
Celkem (Σd²) = 4 + 1 + 1 + 4 + 0 = 10
3. Výpočet Spearmanova korelačního koeficientu:
\[
r_s = 1 – \frac{6 \sum d^2}{n(n^2 – 1)}
\]
\[
r_s = 1 – \frac{6 \krát 10}{5(5^2 – 1)} = 1 – \frac{60}{120} = 1 – 0.5 = 0.5
\]
Interpretace: Hodnota Spearmanova korelačního koeficientu 0.5 naznačuje mírný pozitivní vztah mezi proměnnými X a Y.
Závěr
Z výše uvedených příkladů vidíme, jak lze korelační analýzu použít k určení síly a směru vztahu mezi dvěma proměnnými. Pearsonův korelační koeficient se používá pro numerická data s lineárním vztahem, zatímco Spearmanův korelační koeficient se používá pro ordinální nebo nelineární data. Pochopením a zvládnutím těchto technik můžeme lépe analyzovat data a činit přesnější závěry v různých oblastech studia.
