Determini la Korelacian Koeficienton: Enkonduko, Metodoj kaj Aplikoj
La korelacia koeficiento estas statistika mezuro kiu determinas la forton de la rilato inter du variabloj en datumbazo. Korelacioj varias de -1 ĝis 1. Koeficienta valoro proksima al 1 aŭ -1 indikas fortan rilaton inter la du variabloj. Koeficienta valoro proksima al 0 indikas neniun fortan rilaton inter la du variabloj. Ĉi tiu artikolo diskutos la korelacian koeficienton, metodojn por kalkuli ĝin, ĝian interpreton kaj ĝiajn aplikojn en diversaj kampoj.
Enkonduko al Korelacia Koeficiento
La korelacia koeficiento donas al ni nombran vidon pri kiom proksime du variabloj estas rilataj. Korelaciaj koeficientoj estas dividitaj en du ĉefajn tipojn bazitajn sur la direkto de la rilato:
1. Pozitiva Korelacia Koeficiento: Indikas, ke kiam unu variablo pliiĝas, la alia variablo ankaŭ pliiĝas.
2. Negativa Korelacia Koeficiento: Indikas, ke kiam unu variablo pligrandiĝas, la alia variablo malpligrandiĝas.
La rilato inter du variabloj ankaŭ povas esti dividita en tri tipojn laŭ la forto de la rilato:
1. Forta Korelacio: La koeficiento estas proksima al -1 aŭ 1.
2. Modera Korelacio: La koeficiento estas inter -0.5 kaj -1 aŭ 0.5 kaj 1.
3. Malforta Korelacio: La koeficiento estas proksima al 0.
Metodo por Kalkuli Korelacian Koeficienton
Pluraj komunaj metodoj estas uzataj por kalkuli la korelacian koeficienton, inkluzive de la korelacio de Pearson, la korelacio de Spearman, kaj la korelacio de Kendall. Ni diskutu ĉiun el ĉi tiuj metodoj pli detale.
1. Korelacio de Pearson
La korelacia koeficiento de Pearson ofte estas uzata kiam ambaŭ variabloj estas kontinuaj kaj havas normalan distribuon. La formulo por la korelacia koeficiento de Pearson estas:
\[ r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^² – (\Sigma x)^2] [n \Sigma y^² – (\Sigma y)^2 ] } } \]
Kie:
– \(r \) = korelacia koeficiento,
– \(n \) = nombro de datenparoj,
– \( \Sigma xy \) = la sumo de la produktoj de la datenparoj \( x \) kaj \( y \),
– \( \Sigma x \) = sumo de valoroj \( x \),
– \( \Sigma y \) = sumo de valoroj \( y \),
– \( \Sigma x^2 \) = sumo de la kvadratoj de \( x \),
– \( \Sigma y^2 \) = sumo de la kvadratoj de \( y \).
2. Rango-korelacio de Spearman
La korelacia koeficiento de Spearman estas uzata por ordinaraj datumoj aŭ kiam la supozo de normaleco ne povas esti plenumita. La korelacio de Spearman baziĝas sur la rangigo de datenvaloroj anstataŭ iliaj faktaj valoroj. La formulo por la korelacia koeficiento de Spearman estas:
\[ rho = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
Kie:
– ∫(ρ) = la korelacia koeficiento de Spearman,
– \(d_i\) = diferenco inter la rangoj de datenparoj \(x\) kaj \(y\),
– \(n \) = nombro de datenparoj.
3. La Tau-korelacio de Kendall
La korelacia koeficiento de Kendall mezuras la forton de la rilato inter du ordinaraj variabloj. Male al tiu de Spearman, la korelacio de Kendall pli fokusiĝas al la nombro de kongruaj kaj malkongruaj paroj. La formulo por la korelacia koeficiento de Kendall estas:
\[ τ = \frac{ (C – D)} { \sqrt{ (C + D + T) (C + D + U) } } \]
Kie:
– ∫(τ) = la korelacia koeficiento de Kendall,
– \(C \) = nombro de kongruaj paroj,
– \( D \) = nombro de malkongruaj paroj,
– \(T\) = nombro de serioparoj en variablo \(x\),
– \(U\) = nombro de serioparoj en variablo \(y\).
Interpreto de Korelacia Koeficiento
La interpreto de la korelacia koeficiento dependas de la valoro de la akirita koeficiento:
– Koeficiento +1: Perfekta pozitiva rilato.
– Koeficiento 0.7 ĝis 0.9: Forta pozitiva rilato.
– Koeficiento 0.4 ĝis 0.6: Modere pozitiva rilato.
– Koeficiento 0.1 ĝis 0.3: Malforta pozitiva rilato.
– Koeficiento 0: Neniu rilato.
– Koeficiento -0.1 ĝis -0.3: Malforta negativa rilato.
– Koeficiento -0.4 ĝis -0.6: Modera negativa rilato.
– Koeficiento -0.7 ĝis -0.9: Forta negativa rilato.
– Koeficiento -1: Perfekta negativa rilato.
Apliko de Korelacia Koeficiento
La korelacia koeficiento havas vastan gamon da aplikoj en diversaj kampoj, inkluzive de ekonomiko, sociaj sciencoj, sano, edukado kaj pli. Jen kelkaj ekzemploj:
1. Ekonomiko: Determini la rilaton inter inflacio kaj senlaboreco, aŭ inter konsumelspezoj kaj enspezo.
2. Sociaj Sciencoj: Determini la rilaton inter edukado kaj enspezo, aŭ inter sociaj amaskomunikiloj kaj psikologia bonfarto.
3. Sano: Komparo de la rilato inter fumado kaj kazoj de pulma kancero, aŭ inter aktiva vivstilo kaj kora sano.
4. Edukado: Ekzamenante la rilaton inter studtempo kaj ekzamenrezultoj, aŭ inter klasgrandeco kaj studenta atingo.
Praktikaj Ekzemploj Uzante Datumarojn
Supozu, ke ni havas datumbazon, kiu inkluzivas rezultojn de matematikaj testoj kaj studtempon en horoj de 10 studentoj jene:
“
Studentoj Studhoroj Matematikaj Notoj
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
“
Ni povas kalkuli la korelacian koeficienton de Pearson inter Study_Hours kaj Math_Poentaro. Uzante la formulon de Pearson, ni unue kalkulas ∫( \Sigma x \), ∫( \Sigma y \), ∫( \Sigma xy \), ∫( \Sigma x^2 \), kaj ∫( \Sigma y^2 \), poste anstataŭigas ĉi tiujn valorojn en la formulon por ricevi la valoron de ∫( \r \).
Konkludo
La korelacia koeficiento estas potenca ilo en datumanalizo por determini la forton kaj direkton de la rilato inter du variabloj. Kompreni la koncepton, kalkulmetodojn kaj interpreton de la korelacia koeficiento estas esenca por efika datumanalizo. Kun taŭga kompreno, ni povas pli bone determini korelaciojn inter variabloj en diversaj kampoj kaj fari pli informitajn, datumbazitajn decidojn.
