Mis on korrelatsioonianalüüs?
Korrelatsioonanalüüs on statistiline meetod, mida kasutatakse kahe või enama muutuja vahelise seose mõõtmiseks. Andmete ja uuringute kontekstis on teadlased sageli huvitatud uuritavate muutujate vahelise tiheda seose mõistmisest. Näiteks võib majandusteadlane soovida mõista sissetuleku ja tarbijakulutuste vahelist seost või psühholoog võib uurida stressitaseme ja tööviljakuse vahelist korrelatsiooni.
Korrelatsioonianalüüsi põhimõisted
Korrelatsioon mõõdab kahe muutuja vahelise lineaarse seose suunda ja tugevust. Korrelatiivseid seoseid on kolme peamist tüüpi:
1. Positiivne korrelatsioon: Kui üks muutuja suureneb, kipub ka teine muutuja suurenema.
2. Negatiivne korrelatsioon: Kui üks muutuja suureneb, kipub teine muutuja vähenema.
3. Korrelatsiooni puudumine: Kahe muutuja vahelises seoses puudub selge muster.
Matemaatiliselt väljendatakse korrelatsiooni tugevust ja suunda korrelatsioonikordajaga, mis võib olla vahemikus -1 kuni 1. Positiivne korrelatsioonikordaja, mis on lähedane 1-le, näitab tugevat positiivset seost, negatiivne kordaja, mis on lähedane -1-le, aga tugevat negatiivset seost. Väärtus 0 näitab lineaarse seose puudumist.
Korrelatsioonikordajate tüübid
Kõige sagedamini kasutatakse mitut tüüpi korrelatsioonikordajaid, millest igaühel on oma kasutusalad, olenevalt analüüsitavate andmete tüübist ja olemusest. Mõned kõige levinumad korrelatsioonikordajate tüübid on järgmised:
1. Pearsoni korrelatsioonikordaja
Pearsoni korrelatsioonikordaja on kõige sagedamini kasutatav ja mõõdab kahe pideva muutuja vahelist lineaarset seost. Valem on:
\[r = \frac{n(\xy) – (\x)(\y)}{\sqrt{[n\x^2 – (\x)^2][n\y^2 – (\y)^2]}} \]
Kus:
– \(n \) on andmepaaride arv,
– \( \sum xy \) on andmepaaride korrutuste summa,
– η (x) ja η (y) on iga muutuja summad,
– Σx^2 ja Σy^2 on iga muutuja ruutude summad.
2. Spearmani korrelatsioonikordaja
Spearmani korrelatsioonikordajat kasutatakse siis, kui analüüsitavad andmed on mittelineaarsed või kui andmed on ordinaalsed (andmed, mida saab järjestada). Spearman mõõdab kahe muutuja järjestuse järjepidevust. See arvutatakse järgmise valemi abil:
\[ r_s = 1 – \frac{6\sum d^2}{n(n^2 – 1)} \]
Kus:
– \(d \) on kahe vaatluse järkude vahe,
– \(n \) on vaatluste arv.
3. Kendalli korrelatsioonikordaja
Kendalli korrelatsioonikordaja on ordinaalandmete teine alternatiiv ja see on kasulik kahe muutuja vahelise monotoonse seose mõõtmiseks. Valem on:
\[ \tau = \frac{(konkordantsete paaride arv) – (diskordantsete paaride arv)}{n(n-1)/2} \]
Korrelatsioonianalüüsi kasutusalad ja rakendused
Korrelatsioonanalüüsi kasutatakse erinevates valdkondades, näiteks majanduses, psühholoogias, sotsioloogias, bioloogias ja paljudes teistes. Mõned näited praktilistest rakendustest on järgmised:
1. Majandus
Majandusteaduses saab korrelatsioonianalüüsi abil ennustada, kuidas üks majandusmuutuja, näiteks inflatsioon, on seotud teise muutujaga, näiteks töötuse määra või majanduskasvuga. Näiteks intressimäärade ja äriinvesteeringute vaheline korrelatsioon.
2. Psühholoogia
Psühholoogias kasutavad teadlased sageli korrelatsioonanalüüsi, et mõista psühholoogiliste muutujate vahelisi seoseid. Näiteks seose leidmiseks inimese stressitaseme ja õnne või uneharjumuste ja akadeemilise soorituse vahel.
3. Põllumajandus
Põllumajanduses aitab korrelatsioonanalüüs põllumeestel ja teadlastel mõista selliste muutujate nagu väetiste kasutamise ja saagikuse vahelist seost. See aitab teha paremaid otsuseid põllumajandustavade osas.
4. Tervis
Tervishoiuteaduses uuritakse sageli selliste riskitegurite nagu suitsetamine ja südame-veresoonkonna haigused vahelist seost. See aitab sõnastada tõenduspõhiseid tervisealaseid soovitusi ja poliitikat.
Korrelatsioonianalüüsi eelised ja piirangud
Liigne
1. Lihtsus: Suhteliselt lihtne mõista ja rakendada.
2. Tõhusus: Suurte andmete puhul saab seda kiiresti käivitada.
3. Esialgsed ennustused: annab esialgse ülevaate muutujate vahelistest seostest, mida saab edasi uurida.
Piirangud
1. Ei kajasta põhjuslikku seost: Korrelatsioon ei tähenda põhjuslikku seost. Kaks muutujat võivad olla oluliselt korrelatsioonis ilma, et üks põhjustaks teist.
2. Varjatud muutujate mõju: Kahe muutuja vahelist korrelatsiooni võivad mõjutada teised muutujad, mida ei analüüsita.
3. Andmetüüpide piirangud: Kõik andmetüübid ei sobi igat tüüpi korrelatsioonide jaoks. Näiteks Pearsoni tüüp ei sobi ordinaalandmete jaoks.
Järeldus
Korrelatsioonanalüüs on võimas statistiline tööriist muutujate vaheliste seoste mõistmiseks erinevates uurimisvaldkondades. Korrelatsioonikordajate teooria ja nende praktilise rakendamise hea mõistmine on selle tehnika eeliste maksimeerimiseks hädavajalik. Vaatamata oma piirangutele, näiteks põhjuslike seoste mittegarantiile, on korrelatsioonanalüüs endiselt oluline esimene samm muutujate vaheliste seoste uurimisel enne keerukamate analüüside juurde liikumist.
