Kanonisk korrelationsanalyse
Pendahuluan
I mange studier støder forskere ofte på situationer, hvor der er to sæt variabler, der hver består af flere indikatorer. For eksempel kan vi inden for uddannelsesområdet have et sæt variabler om læringsfaktorer (motivation, studietimer, familiestøtte, internetadgang) og et sæt variabler om læringsresultater (matematikkarakterer, sprogkarakterer, naturvidenskabelige karakterer og karaktergennemsnit). Det vigtige spørgsmål er ikke blot "er motivation relateret til matematikkarakterer?", men snarere "hvor stærk er den overordnede sammenhæng mellem sættet af læringsfaktorer og sættet af læringsresultater?". For at besvare spørgsmål som dette er Canonical Correlation Analysis (CCA) en af de mest relevante multivariate statistiske metoder.
Kanonisk korrelationsanalyse blev udviklet til at måle og forklare forholdet mellem to sæt variabler samtidigt. Med andre ord udvider CCA konceptet om simpel korrelation (mellem to variabler) til en korrelation mellem to lineære kombinationer af to sæt variabler. Denne artikel diskuterer de grundlæggende koncepter, mål, analysetrin, fortolkning samt fordele og begrænsninger ved CCA.
Grundlæggende koncept for kanonisk korrelation
Ordinær korrelation (f.eks. Pearson-korrelation) måler styrken af den lineære sammenhæng mellem to variabler, f.eks. X og Y. CCA generaliserer dette koncept ved at danne to nye variabler som lineære kombinationer:
– Den første kanoniske variable for mængden X:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– Første kanoniske variabel for sæt Y:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
Koefficienterne a og b vælges således, at korrelationen mellem U og V er maksimal. Denne maksimale korrelation kaldes den første kanoniske korrelation. Når det første par er opnået, kan CCA danne efterfølgende par af variabler (anden, tredje osv.), der er ortogonale (ukorrelerede) i forhold til det foregående par.
Antallet af mulige kanoniske variabelpar er min(p, q), som er det mindste antal variable mellem de to sæt.
Formål og anvendelse
CCA anvendes, når forskningsmålene er:
1. Mål styrken af sammenhængen mellem to sæt variabler som helhed.
2. Identificér den mest relaterede kombination af variabler i mængde X og mængde Y.
3. Reducer dimensionerne af multivariate relationer til flere par af variable, der er lettere at fortolke.
4. Udforskning af mønstre i dataene: hvilke variabler forklarer overvejende forholdet mellem de to domæner.
Eksempel på applikationskontekst:
– Psykologi: forholdet mellem sættet af "personlighedstræk" og sættet af "indikatorer for mental sundhed".
– Økonomi: forholdet mellem sættet af "makroindikatorer" og sættet af "arbejdsmarkedsindikatorer".
– Sundhedsvidenskab: forholdet mellem et sæt af “livsvaner” og et sæt af “kliniske parametre”.
Dataforudsætninger og krav
Ligesom mange multivariate metoder har CCA en række antagelser, der skal tages i betragtning for at resultaterne kan være stabile og fortolkelige:
1. Lineær sammenhæng: CCA indfanger den lineære sammenhæng mellem sæt. Hvis sammenhængen er ikke-lineær, kan den kanoniske korrelation undervurdere sammenhængens styrke.
2. Multivariat normalitet: Ideelt set følger variabler en multivariat normalfordeling, især til signifikanstest. I praksis bruges CCA dog ofte eksplorativt, selv når dataene ikke er fuldstændig normale.
3. Der er ingen ekstrem multikollinearitet i hvert sæt: stærkt korrelerede variabler kan gøre koefficientestimater ustabile.
4. Tilstrækkelig stikprøvestørrelse: en almindelig tommelfingerregel er mindst 10-20 observationer pr. variabel, selvom forskningskonteksten kan kræve mere.
Derudover skal variabler være på en sammenlignelig eller standardiseret skala (z-score), så koefficienterne er lettere at sammenligne.
Trin i kanonisk korrelationsanalyse
Generelt omfatter faserne i udførelse af CCA:
1. Bestem to sæt variabler
Sørg for, at variabler grupperes baseret på teori eller konceptuel ramme, ikke blot forsøg og fejl.
2. Datakontrol
Inklusive manglende data (manglende værdier), outliers, normalitetstests og korrelationer inden for hvert sæt (for at detektere multikollinearitet).
3. Estimering af kanoniske variabler
Genererer variable par U₁–V₁, U₂–V₂ osv.
4. Beregning af den kanoniske korrelation
Korrelationen mellem U_k og V_k for hvert k'te par.
5. Signifikanstest
Tester om den opnåede kanoniske korrelation er statistisk forskellig fra nul. Almindeligt anvendte tests er Wilks' Lambda, Pillais spor (oftere i MANOVA), Hotellings spor og Roys største rod. I CCA er Wilks' Lambda ofte det foretrukne valg.
6. Fortolkning af resultater
Omfatter vurdering af størrelsen af korrelation, belastninger, vægte og variable bidrag.
Sådan læser og fortolker du CCA-output
CCA-output indeholder typisk flere vigtige komponenter:
1. Kanoniske korrelationer
Denne værdi angiver styrken af forholdet mellem variablerne U og V i et bestemt par. For eksempel indikerer en første kanonisk korrelation på 0,80 en stærk lineær sammenhæng mellem kombinationen af variablerne X og kombinationen af variablerne Y i den første dimension.
Den kanoniske R², kvadratet af den kanoniske korrelation, rapporteres også ofte. Hvis r = 0,80, så er R² = 0,64, hvilket betyder, at cirka 64% af variationen i den kanoniske variable Y kan forklares af den kanoniske variable X (og omvendt) på den dimension, i betydningen forholdet mellem variablerne, ikke mellem de oprindelige variable.
2. Kanoniske vægte (Kanoniske vægte / koefficienter)
Vægte er koefficienterne a og b, der danner variablerne U og V. Vægte er dog ofte følsomme over for multikollinearitet, så den substantive fortolkning normalt ikke udelukkende er afhængig af vægte.
3. Kanoniske belastninger (kanoniske belastninger / strukturkoefficienter)
Indlæsning er korrelationen mellem den oprindelige variabel og dens kanoniske variabel. For eksempel betyder en indlæsning af X₂ på U₁ på 0,70, at X₂ bidrager stærkt til den første kanoniske dimension på siden af mængden X. Indlæsninger er generelt mere stabile og lettere at fortolke end vægte.
4. Krydsbelastninger
Krydsindlæsning er korrelationen mellem variabler fra ét sæt med kanoniske variabler fra et andet sæt (f.eks. korrelationen af X₁ med V₁). Dette hjælper med at forstå, hvilke variabler der er tættest relateret til dimensionerne af krydssætforholdet.
5. Redundansindeks
Redundansindekset angiver, hvor meget af variansen af de oprindelige variabler i ét sæt, der kan forklares af de kanoniske variabler fra et andet sæt. Dette er vigtigt, fordi en høj kanonisk korrelation ikke nødvendigvis indikerer høj forklaringskraft for de oprindelige variabler. Redundans bruges ofte til at vurdere praktisk værdi (ikke kun statistisk signifikans).
Simpel illustration
Antag at en undersøgelse undersøger forholdet mellem:
– Sæt X (arbejdsforhold): X₁ = arbejdsbyrde, X₂ = støtte fra supervisor, X₃ = fleksibilitet i arbejdstiden
– Sæt Y (velvære): Y₁ = stress, Y₂ = arbejdsglæde, Y₃ = søvnkvalitet
CCA kan muligvis finde en signifikant første kanonisk korrelation på r = 0,75. Belastninger indikerer, at arbejdsbyrde og støtte fra vejleder stærkest danner U₁, mens stress og jobtilfredshed stærkest danner V₁. Den substantielle fortolkning: Hoveddimensionen af forholdet mellem arbejdsforhold og trivsel er kombinationen af "arbejdspres vs. støtte", som er tæt forbundet med "stress og tilfredshed".
Fordele ved kanonisk korrelationsanalyse
1. Omfattende: indfanger forholdet mellem to sæt variabler på én gang.
2. Reducer risikoen for gentagen testning: sammenlignet med at udføre mange én-efter-én korrelationer, hvilket øger risikoen for type I-fejl.
3. Hjælper med at finde latente strukturer: afslører dimensioner af relationer, der ikke er synlige fra univariat analyse.
Begrænsninger og udfordringer
1. Fortolkning kan være kompleks: mange komponenter (vægte, belastninger, redundanser) skal ses i sammenhæng.
2. Følsom over for multikollinearitet og små stikprøvestørrelser: kan producere ustabile koefficienter.
3. Lineære: ikke-lineære relationer registreres ikke, medmindre der udføres en transformation eller anden tilgang.
4. Kræver et teoretisk grundlag: uden en klar konceptuel ramme er fortolkningen af kanoniske dimensioner tilbøjelig til at blive spekulativ.
Lukker
Kanonisk korrelationsanalyse er en effektiv multivariat metode til at forstå forholdet mellem to sæt variabler samtidigt. Ved at konstruere kanoniske variabler, der maksimerer krydsmængder af korrelationer, giver CCA forskere mulighed for at se mere omfattende mønstre af relationer end simpel korrelation eller enkelt regression. Imidlertid kræver brugen af den opmærksomhed på antagelser, datakvalitet og passende fortolkningsstrategier (især med vægt på belastninger, krydsbelastninger og redundans). I forskning, der involverer flere indikatorer på tværs af to primære domæner, kan CCA være et effektivt værktøj til at udforske og opsummere komplekse relationer i meningsfulde dimensioner.
