Produktu-momentuaren korrelazioa: aldagaien arteko erlazio lineala aztertzea
Produktu-Momentu Korrelazioa, askotan Pearson Korrelazioa bezala ezagutzen dena, bi aldagai numerikoren arteko erlazio lineal baten indarra eta norabidea neurtzeko metodo estatistiko erabilienetako bat da. Karl Pearsonek XIX. mendearen amaieran asmatu zuen metodo hau tresna garrantzitsua izaten jarraitzen du hainbat diziplinatan, hala nola psikologian, ekonomian, biologian eta gizarte zientzietan.
Definizioa eta oinarrizko kontzeptuak
Produktu Momentu Korrelazioak bi aldagai zein korrelazio-maila duten neurtzen du. Pearson korrelazio koefizientea, r gisa adierazten dena, -1etik +1era bitartekoa da. +1 balioak erlazio lineal positibo perfektua adierazten du, non aldagai baten igoeraren ondoren bestearen igoera dakarren. -1 balioak erlazio lineal negatibo perfektua adierazten du, non aldagai baten igoeraren ondoren bestearen jaitsiera dakarren. 0 balioak, berriz, aldagaien artean ez dagoela erlazio linealik adierazten du.
Pearsonen korrelazio-koefizientea kalkulatzea
Pearson korrelazio koefizientea kalkulatzeko formula hau da:
\[ r = \frac{N(\sum XY) – (\sum X)(\sum Y)}{\sqrt{[N \sum X^2 – (\sum
Non:
– \(N\) datu-bikoteen kopurua da.
– \(X\) eta \(Y\) lehenengo eta bigarren aldagaien balioak dira.
– \( \sum XY \) \( X \) eta \( Y \) puntuazioen biderkaduraren batura da.
– \( \sum X \) eta \( \sum Y \) \( X \) eta \( Y \) balioen batura dira.
– \( \sum X^2 \) eta \( \sum Y^2 \) \( X \) eta \( Y \) balioen karratuen baturak dira.
Emaitzen interpretazioa
\(r\) balioa kalkulatu ondoren, hurrengo urratsa emaitzak interpretatzea da:
– \(r\) = +1: Erlazio positibo perfektua.
– \(r \) = -1: Erlazio negatibo perfektua.
– \(0 < r < +1 \): Ahuletik sendorako erlazio positibo.
- \( -1 < r < 0 \): Ahuletik sendorako erlazio negatiboa.
- \(r\) = 0: Ez dago erlazio linealik aldagaien artean.
Oro har, \(r\) balioaren tamaina erlazioaren indarraren irizpideekin ere lotuta dago, adibidez: - \(0.00 - 0.19\): Korrelazio oso baxua.
- \( 0.20 - 0.39 \): Korrelazio baxua.
- \(0.40 - 0.59\): Korrelazio moderatua.
- \(0.60 - 0.79 \): Korrelazio sendoa.
- \( 0.80 - 1.00 \): Korrelazio oso sendoa.
Hala ere, irizpide hauek ez dira estandarrak eta alda daitezke testuinguruaren eta erabilitako zientzia-eremuaren arabera.
Aplikazioak hainbat arlotan Pearson korrelazioa hainbat arlotan erabilia da. Adibidez, psikologian, nortasunaren bi alderdiren arteko erlazioa neurtzeko; ekonomian, bi aldagai ekonomikoren arteko erlazioa ebaluatzeko, hala nola diru-sarreren eta kontsumoarena; eta biologian, bi ezaugarri biologikoren arteko erlazioa aztertzeko.
Adibidez, ikertzaile batek jakin nahi izan dezake estresaren eta loaren kalitatearen artean loturarik dagoen ala ez. Hainbat pertsonaren estres mailei eta loaren kalitateari buruzko datuak bilduz eta Pearson korrelazioa erabiliz, ikertzaileek bi aldagai hauen artean estatistikoki esanguratsua den erlaziorik dagoen identifikatu dezakete.
Mugak eta kontuan hartu beharrekoak Pearson korrelazioa tresna indartsua den arren, hainbat muga kontuan hartu behar dira: 1. Linealtasun-hipotesia: Pearson erlazio linealetarako bakarrik da egokia. Aldagaien arteko erlazioa lineala ez bada, ez da ondo irudikatuko Pearson korrelazio koefizienteak. Egoera horietan, beste korrelazio-metodo batzuk edo analisi ez-lineala egokiagoak izan daitezke.
2. Muturreko balioekiko sentikortasuna: Muturreko balioek edo muturreko balioek korrelazio koefizientearen balioan eragin handia izan dezakete. Beraz, oso garrantzitsua da datuen analisietan kanpoko balioak detektatzea eta maneiatzea.
3. Ez du kausalitatea erakusten: Korrelazioa ez da kausalitatearen berdina. Bi aldagai korrelazionatuta egoteak ez du esan nahi aldagai batek beste aldagaian aldaketak eragiten dituenik. Beraz, korrelazio-emaitzak kontu handiz aztertu behar dira, eta ikerketa gehiago behar izan daitezke kausa-harremanak zehazteko.
Pearson korrelazioaren alternatibak Pearson korrelazioaz gain, beste hainbat korrelazio metodo erabil daitezke, datuen baldintzen eta motaren arabera: - Spearman korrelazioa: Datu ordinaletarako edo normaltasun eta linealtasun hipotesiak betetzen ez dituzten datuetarako erabiltzen da. Spearman-en korrelazioak bi aldagairen arteko erlazio monotonikoaren indarra eta norabidea neurtzen ditu.
- Kendall-en korrelazioa: Datu ordinaletarako edo datu ez-normaletarako ere bai. Bi datu-mailaren arteko adostasun-maila kalkulatzen du.
Ondorioa Produktu-momentuen korrelazioa edo Pearsonen korrelazioa datu-analisian tresna garrantzitsua da, ikertzaileei bi aldagai numerikoren arteko erlazio lineala ulertzeko aukera ematen diena. Korrelazio-koefizientearen kalkuluak eta interpretazioak aldagaien arteko erlazioaren indarrari eta norabideari buruzko informazio baliotsua ematen du. Hala ere, garrantzitsua da gogoratzea korrelazioak ez duela kausalitatea esan nahi, eta analisiaren emaitzak testuinguru orokorrean ikusi behar direla. Pearson Korrelazioa zentzuz erabiliz, ikertzaileek orokortze zehatzagoak eta garrantzitsuagoak egin ditzakete aztertzen dituzten datuetatik.
