Kanonická korelační analýza
Úvod
V mnoha studiích se výzkumníci často setkávají se situacemi, kdy existují dvě sady proměnných, z nichž každá se skládá z několika ukazatelů. Například v oblasti vzdělávání můžeme mít sadu proměnných týkajících se faktorů učení (motivace, studijní doba, podpora rodiny, přístup k internetu) a sadu proměnných týkajících se výsledků učení (známky z matematiky, jazyků, přírodních věd a průměrné známky). Důležitou otázkou není jen „souvisí motivace se známkami z matematiky?“, ale spíše „jak silný je celkový vztah mezi sadou faktorů učení a sadou výsledků učení?“. Pro zodpovězení takovýchto otázek je kanonická korelační analýza (CCA) jednou z nejrelevantnějších vícerozměrných statistických metod.
Kanonická korelační analýza byla vyvinuta za účelem měření a vysvětlení vztahu mezi dvěma sadami proměnných současně. Jinými slovy, CCA rozšiřuje koncept jednoduché korelace (mezi dvěma proměnnými) na korelaci mezi dvěma lineárními kombinacemi dvou sad proměnných. Tento článek pojednává o základních pojmech , cílech, krocích analýzy, interpretaci a výhodách a omezeních CCA.
Konsep Dasar Kanonická korelace
Obyčejná korelace (např. Pearsonova korelace) měří sílu lineárního vztahu mezi dvěma proměnnými, například X a Y. CCA zobecňuje tento koncept vytvořením dvou nových proměnných jako lineárních kombinací:
– První kanonická proměnná pro množinu X:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– První kanonická proměnná pro množinu Y:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
Koeficienty a a b jsou zvoleny tak, aby korelace mezi U a V byla maximální. Tato maximální korelace se nazývá první kanonická korelace. Jakmile je získána první dvojice, může CCA vytvořit následné dvojice proměnných (druhou, třetí atd.), které jsou ortogonální (nekorelované) s předchozí dvojicí.
Počet možných kanonických párů proměnných je min(p, q), což je nejmenší počet proměnných mezi těmito dvěma sadami.
Účel a použití
CCA se používá, když jsou výzkumnými cíli:
1. Změřte sílu asociace mezi dvěma sadami proměnných jako celkem.
2. Určete nejpříbuznější kombinaci proměnných v množině X a množině Y.
3. Zredukujte dimenze vícerozměrných vztahů na několik párů proměnných, které se snáze interpretují.
4. Zkoumání vzorců v datech: které proměnné převážně vysvětlují vztah mezi oběma doménami.
Příklad kontextu aplikace:
– Psychologie: vztah mezi souborem „osobnostních rysů“ a souborem „ukazatelů duševního zdraví“.
– Ekonomika: vztah mezi souborem „makro ukazatelů“ a souborem „ukazatelů trhu práce“.
– Zdravotní vědy: vztah mezi souborem „životních návyků“ a souborem „klinických parametrů“.
Předpoklady a požadavky na data
Stejně jako mnoho vícerozměrných metod má i CCA řadu předpokladů, které je třeba zvážit, aby byly výsledky stabilní a interpretovatelné:
1. Lineární vztah: CCA zachycuje lineární vztah mezi sadami. Pokud je vztah nelineární, kanonická korelace může podcenit sílu vztahu.
2. Vícerozměrná normalita: V ideálním případě se proměnné řídí vícerozměrným normálním rozdělením, zejména pro testování významnosti. V praxi se však CCA často používá explorativním způsobem, i když data nejsou zcela normální.
3. V žádné sadě neexistuje extrémní multikolinearita: vysoce korelované proměnné mohou způsobit nestabilní odhady koeficientů.
4. Dostatečná velikost vzorku: běžné pravidlo je minimálně 10–20 pozorování na proměnnou, i když výzkumný kontext může vyžadovat více.
Kromě toho musí být proměnné na srovnatelné nebo standardizované stupnici (z-skóre), aby bylo snazší porovnávat koeficienty.
Kroky kanonické korelační analýzy
Obecně platí, že fáze provádění CCA zahrnují:
1. Určete dvě sady proměnných
Ujisti se proměnné jsou seskupeny na základě teorie nebo koncepční rámec, nikoli pouze metoda pokus-omyl.
2. Kontrola dat
Včetně chybějících dat (chybějících hodnot), odlehlých hodnot, testů normality a korelací v rámci každé sady (pro detekci multikolinearity).
3. Odhadování kanonických proměnných
Generuje páry proměnných U₁–V₁, U₂–V₂ a tak dále.
4. Výpočet kanonické korelace
Korelace mezi U_k a V_k pro každý k-tý pár.
5. Test významnosti
Testuje, zda je získaná kanonická korelace statisticky odlišná od nuly. Běžně používané testy jsou Wilksův Lambda test, Pillaiho stopa (častěji v MANOVA), Hotellingův stopa a Royův největší kořen. V CCA je Wilksův Lambda test často preferovanou volbou.
6. Interpretace výsledků
Zahrnuje posouzení velikosti korelace, zátěží, vah a příspěvků proměnných.
Jak číst a interpretovat výstup CCA
Výstup CCA obvykle zahrnuje několik důležitých komponent:
1. Kanonické korelace
Tato hodnota udává sílu vztahu mezi proměnnými U a V v daném páru. Například první kanonická korelace 0,80 indikuje silný lineární vztah mezi kombinací proměnných X a kombinací proměnných Y v prvním rozměru.
Často se také uvádí kanonický R², druhá mocnina kanonické korelace. Pokud r = 0,80, pak R² = 0,64, což znamená, že přibližně 64 % variace v kanonické proměnné Y lze vysvětlit kanonickou proměnnou X (a naopak) v dané dimenzi, ve smyslu vztahu mezi proměnnými, nikoli mezi původními proměnnými.
2. Kanonické váhy (kanonické váhy / koeficienty)
Váhy jsou koeficienty a a b, které tvoří proměnné U a V. Váhy jsou však často citlivé na multikolinearitu, takže věcná interpretace se obvykle nespoléhá pouze na váhy.
3. Kanonická zatížení (kanonická zatížení / strukturální součinitele)
Zatížení je korelace mezi původní proměnnou a její kanonickou proměnnou. Například zatížení X₂ na U₁ o hodnotě 0,70 znamená, že X₂ silně přispívá k první kanonické dimenzi na straně množiny X. Zatížení jsou obecně stabilnější a snáze interpretovatelná než váhy.
4. Křížové nakládání
Křížové zatěžování je korelace mezi proměnnými z jedné sady s kanonickými proměnnými z jiné sady (např. korelace X₁ s V₁). To pomáhá pochopit, které proměnné nejvíce souvisí s dimenzemi vztahu mezi sadami.
5. Index redundance
Index redundance ukazuje, do jaké míry lze rozptyl původních proměnných v jedné sadě vysvětlit kanonickými proměnnými z jiné sady. To je důležité, protože vysoká kanonická korelace nemusí nutně znamenat vysokou vysvětlující sílu původních proměnných. Redundance se často používá k posouzení praktické hodnoty (nejen statistické významnosti).
Jednoduchá ilustrace
Předpokládejme, že studie zkoumá vztah mezi:
– Sada X (pracovní podmínky): X₁ = pracovní zátěž, X₂ = podpora nadřízeného, X₃ = flexibilita pracovní doby
– Sada Y (pohoda): Y₁ = stres, Y₂ = spokojenost s prací, Y₃ = kvalita spánku
CCA může nalézt významnou první kanonickou korelaci r = 0,75. Zatížení naznačují, že pracovní zátěž a podpora nadřízeného nejsilněji tvoří U₁, zatímco stres a spokojenost s prací nejsilněji tvoří V₁. Substantivní interpretace: hlavním rozměrem vztahu mezi pracovními podmínkami a pohodou je kombinace „pracovního tlaku vs. podpory“, která úzce souvisí se „stresem a spokojeností“.
Výhody kanonické korelační analýzy
1. Komplexní: zachycuje vztah mezi dvěma sadami proměnných najednou.
2. Snižte riziko opakovaného testování: ve srovnání s prováděním mnoha korelací jedna po druhé, což zvyšuje pravděpodobnost chyby typu I.
3. Pomáhá najít latentní struktury: odhaluje dimenze vztahů, které nejsou viditelné z univariační analýzy.
Omezení a výzvy
1. Interpretace může být složitá: mnoho složek (váhy, zatížení, redundance) je nutné vnímat společně.
2. Citlivý na multikolinearitu a malé velikosti vzorků: může vést k nestabilním koeficientům.
3. Lineární povaha: nelineární vztahy nejsou zachyceny, pokud není provedena transformace nebo jiný přístup.
4. Vyžaduje teoretický základ: bez jasného koncepčního rámce je interpretace kanonických dimenzí náchylná ke spekulaci.
Zavírání
Kanonická korelační analýza (CCA) je výkonná vícerozměrná metoda pro současné pochopení vztahu mezi dvěma sadami proměnných. Konstrukcí kanonických proměnných, které maximalizují korelace mezi sadami, umožňuje CCA výzkumníkům vidět komplexnější vzorce vztahů než jednoduchá korelace nebo jednoduchá regrese. Její použití však vyžaduje pozornost věnovanou předpokladům, kvalitě dat a vhodným interpretačním strategiím (zejména s důrazem na zatěžování, křížové zatěžování a redundanci). Ve výzkumu zahrnujícím více indikátorů napříč dvěma primárními doménami může být CCA výkonným nástrojem pro zkoumání a shrnutí složitých vztahů do smysluplných dimenzí.
