Esimerkkikysymyksiä ja keskustelua korrelaatioanalyysistä
Korrelaatioanalyysi on tilastollinen menetelmä, jota käytetään kahden muuttujan välisen suhteen asteen määrittämiseen. Tätä analyysia käytetään usein useilla eri tieteenaloilla, kuten taloustieteessä, psykologiassa, lääketieteessä ja sosiologiassa, sen ymmärtämiseksi, kuinka läheisesti kaksi muuttujaa liittyy toisiinsa. Tässä artikkelissa käsittelemme useita esimerkkiongelmia ja keskusteluja, jotka auttavat ymmärtämään korrelaatioanalyysin käsitettä.
Korrelaatioanalyysin ymmärtäminen
Korrelaatioanalyysiä käytetään mittaamaan kahden numeerisen muuttujan välisen suhteen voimakkuutta ja suuntaa. Tämä korrelaatioarvo ilmaistaan yleensä korrelaatiokertoimella, joka voi vaihdella välillä -1 - 1. Nämä arvot voidaan tulkita seuraavasti:
– +1: Täydellinen positiivinen korrelaatio. Molemmat muuttujat liikkuvat samaan suuntaan.
– 0: Ei korrelaatiota. Kahden muuttujan välillä ei ole selkeää lineaarista yhteyttä.
– -1: Täydellinen negatiivinen korrelaatio. Molemmat muuttujat liikkuvat vastakkaisiin suuntiin.
Yleisimmin käytetty korrelaatiokerroin on Pearsonin korrelaatio. On kuitenkin olemassa myös muita korrelaatiomenetelmiä, kuten Spearman ja Kendall, jotka soveltuvat paremmin ordinaali- tai epälineaarisille tiedoille.
Korrelaatioanalyysin vaiheet
1. Tiedonkeruu: Kerää tiedot kahdesta analysoitavasta muuttujasta.
2. Datan visualisointi: Luo sirontakaavio nähdäksesi kahden muuttujan välisen suhdekuvion.
3. Korrelaatiokertoimen laskeminen: Laske Pearsonin, Spearmanin tai Kendallin korrelaatiokerroin.
4. Tulosten tulkinta: Päättele yhteyden voimakkuus ja suunta korrelaatiokertoimen arvon perusteella.
5. Merkitsevyystesti: Määritä, onko löydetty korrelaatio tilastollisesti merkitsevä.
Katso myös Soal ja Pembahasan
Kysymys 1: Pearsonin korrelaatio
Annetut tiedot viiden henkilön pituudesta (cm) ja painosta (kg) seuraavasti:
| Henkilö | Pituus (cm) | Paino (kg) |
|——-|————-|—————|
| A | 160 | 55 |
| B | 165 | 60 |
| C | 170 | 65 |
| D | 175 | 70 |
| E | 180 | 75 |
Laske Pearsonin korrelaatiokerroin datalle.
Keskustelu:
1. Keskiarvon laskeminen:
– Keskimääräinen pituus (X̄) = (160 + 165 + 170 + 175 + 180) / 5 = 170
– Keskimääräinen paino (Ȳ) = (55 + 60 + 65 + 70 + 75) / 5 = 65
2. Keskiarvosta poikkeaman laskeminen:
– Suuri poikkeama: (160–170), (165–170), (170–170), (175–170), (180–170)
– Vakava poikkeama: (55–65), (60–65), (65–65), (70–65), (75–65)
3. Poikkeamatulon laskeminen:
– (160–170)(55–65) = 10 10 = 100
– (165–170)(60–65) = 5 5 = 25
– (170–170)(65–65) = 0 0 = 0
– (175–170)(70–65) = 5 5 = 25
– (180–170)(75–65) = 10 10 = 100
Yhteensä = 100 + 25 + 0 + 25 + 100 = 250
4. Poikkeaman neliön laskeminen:
– Korkeus: (160–170)², (165–170)², (170–170)², (175–170)², (180–170)²
– Paino: (55–65)², (60–65)², (65–65)², (70–65)², (75–65)²
Korkeutta varten:
– (160–170)² = 100
– (165–170)² = 25
– (170–170)² = 0
– (175–170)² = 25
– (180–170)² = 100
Yhteensä = 100 + 25 + 0 + 25 + 100 = 250
Painon mukaan:
– (55–65)² = 100
– (60–65)² = 25
– (65–65)² = 0
– (70–65)² = 25
– (75–65)² = 100
Yhteensä = 100 + 25 + 0 + 25 + 100 = 250
5. Pearsonin korrelaatiokertoimen laskeminen:
\[
r = \frac{\summa ((X – X̄)(Y – Ȳ))}{\sqrt{\summa (X – X̄)² \summa (Y – Ȳ)²}}
\]
\[
r = ∫²⁻²⁻² × 250 = ∫²⁻² = 1
\]
Tulkinta: Pearsonin korrelaatiokertoimen arvo 1 osoittaa täydellistä positiivista yhteyttä pituuden ja painon välillä.
Kysymys 2: Spearmanin korrelaatio
Kahden muuttujan ranking-tiedot ovat seuraavat:
| Henkilö | Muuttuja X | Muuttuja Y |
|——-|————|————|
| A | 1 | 3 |
| B | 2 | 1 |
| C | 3 | 4 |
| D | 4 | 2 |
| E | 5 | 5 |
Laske Spearmanin korrelaatiokerroin datan perusteella.
Keskustelu:
1. Sijoituseron (d) laskeminen:
– Sijoitusten X ja Y osalta:
– A: 1 – 3 = -2
– B: 2 – 1 = 1
– C: 3 – 4 = -1
– D: 4 – 2 = 2
– E: 5 – 5 = 0
2. Sijoituseron neliön (d²) laskeminen:
– (-2)² = 4
– (1)² = 1
– (-1)² = 1
– (2)² = 4
– (0)² = 0
Yhteensä (Σd²) = 4 + 1 + 1 + 4 + 0 = 10
3. Spearmanin korrelaatiokertoimen laskeminen:
\[
r_s = 1 – ∫{6 ∫} d^2}{n(n^2 – 1)}
\]
\[
r_s = 1 – ∫6 × 10}{5(5^2 – 1)} = 1 – ∫60}{120} = 1 – 0.5 = 0.5
\]
Tulkinta: Spearmanin korrelaatiokertoimen arvo 0.5 osoittaa kohtalaista positiivista yhteyttä muuttujien X ja Y välillä.
Johtopäätös
Yllä olevista esimerkeistä näemme, kuinka korrelaatioanalyysia voidaan käyttää kahden muuttujan välisen suhteen voimakkuuden ja suunnan määrittämiseen. Pearsonin korrelaatiokerrointa käytetään lineaarisen suhteen omaaville numeerisille tiedoille, kun taas Spearmanin korrelaatiokerrointa käytetään ordinaali- tai epälineaarisille tiedoille. Ymmärtämällä ja hallitsemalla nämä tekniikat voimme analysoida tietoja paremmin ja tehdä tarkempia päätelmiä eri tutkimusaloilla.
