પ્રમાણિક સહસંબંધ વિશ્લેષણ
પેન્ડાહુલુઆન
ઘણા અભ્યાસોમાં, સંશોધકો ઘણીવાર એવી પરિસ્થિતિઓનો સામનો કરે છે જ્યાં બે પ્રકારના ચલ હોય છે, દરેકમાં અનેક સૂચકાંકો હોય છે. ઉદાહરણ તરીકે, શિક્ષણના ક્ષેત્રમાં, આપણી પાસે શીખવાના પરિબળો (પ્રેરણા, અભ્યાસના કલાકો, કૌટુંબિક સહાય, ઇન્ટરનેટ ઍક્સેસ) અને શીખવાના પરિણામો (ગણિતના ગ્રેડ, ભાષાના ગ્રેડ, વિજ્ઞાનના ગ્રેડ અને ગ્રેડ પોઈન્ટ સરેરાશ) વિશેના ચલોનો સમૂહ હોઈ શકે છે. મહત્વપૂર્ણ પ્રશ્ન ફક્ત "શું પ્રેરણા ગણિતના ગ્રેડ સાથે સંબંધિત છે?" એ નથી, પરંતુ "શીખવાના પરિબળોના સમૂહ અને શીખવાના પરિણામોના સમૂહ વચ્ચેનો એકંદર સંબંધ કેટલો મજબૂત છે?" આ જેવા પ્રશ્નોના જવાબ આપવા માટે, કેનોનિકલ કોરિલેશન એનાલિસિસ (CCA) એ સૌથી સુસંગત બહુવિધ આંકડાકીય પદ્ધતિઓમાંની એક છે.
બે ચલોના સમૂહો વચ્ચેના સંબંધને એકસાથે માપવા અને સમજાવવા માટે કેનોનિકલ સહસંબંધ વિશ્લેષણ વિકસાવવામાં આવ્યું હતું. બીજા શબ્દોમાં કહીએ તો, CCA સરળ સહસંબંધ (બે ચલો વચ્ચે) ની વિભાવનાને બે ચલોના સમૂહોના બે રેખીય સંયોજનો વચ્ચેના સહસંબંધ સુધી વિસ્તૃત કરે છે. આ લેખ CCA ના મૂળભૂત ખ્યાલો , ઉદ્દેશ્યો, વિશ્લેષણ પગલાં, અર્થઘટન અને ફાયદા અને મર્યાદાઓની ચર્ચા કરે છે.
મૂળભૂત ખ્યાલો પ્રમાણિક સહસંબંધ
સામાન્ય સહસંબંધ (દા.ત. પિયર્સન સહસંબંધ) બે ચલો વચ્ચેના રેખીય સંબંધની મજબૂતાઈને માપે છે, જેમ કે X અને Y. CCA રેખીય સંયોજનો તરીકે બે નવા ચલો બનાવીને આ ખ્યાલને સામાન્ય બનાવે છે:
– સેટ X માટે પ્રથમ કેનોનિકલ ચલ:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– સેટ Y માટે પ્રથમ કેનોનિકલ ચલ:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
સહગુણાંકો a અને b એ રીતે પસંદ કરવામાં આવે છે કે U અને V વચ્ચેનો સહસંબંધ મહત્તમ હોય. આ મહત્તમ સહસંબંધને પ્રથમ પ્રમાણભૂત સહસંબંધ કહેવામાં આવે છે. એકવાર પ્રથમ જોડી પ્રાપ્ત થઈ જાય, પછી CCA ચલોની અનુગામી જોડીઓ (બીજી, ત્રીજી, અને તેથી વધુ) બનાવી શકે છે જે પાછલી જોડી સાથે ઓર્થોગોનલ (અસંબંધિત) હોય છે.
શક્ય પ્રમાણભૂત ચલ જોડીઓની સંખ્યા min(p, q) છે, જે બે સેટ વચ્ચેના ચલોની સૌથી નાની સંખ્યા છે.
હેતુ અને ઉપયોગ
CCA નો ઉપયોગ ત્યારે થાય છે જ્યારે સંશોધન ઉદ્દેશ્યો હોય:
1. બે ચલોના સમૂહ વચ્ચેના જોડાણની મજબૂતાઈ માપો.
2. સમૂહ X અને સમૂહ Y માં ચલોના સૌથી સંબંધિત સંયોજનને ઓળખો.
3. બહુવિધ સંબંધોના પરિમાણોને ચલોની કેટલીક જોડીમાં ઘટાડો જેનું અર્થઘટન કરવું સરળ છે.
4. ડેટામાં પેટર્નનું અન્વેષણ: કયા ચલો મુખ્યત્વે બે ડોમેન્સ વચ્ચેના સંબંધને સમજાવે છે.
ઉદાહરણ એપ્લિકેશન સંદર્ભ:
- મનોવિજ્ઞાન: "વ્યક્તિત્વ લક્ષણો" ના સમૂહ અને "માનસિક સ્વાસ્થ્ય સૂચકાંકો" ના સમૂહ વચ્ચેનો સંબંધ.
– અર્થતંત્ર: “મેક્રો સૂચકાંકો” ના સમૂહ અને “શ્રમ બજાર સૂચકાંકો” ના સમૂહ વચ્ચેનો સંબંધ.
- આરોગ્ય વિજ્ઞાન: "જીવનશૈલીની આદતો" અને "ક્લિનિકલ પરિમાણો" ના સમૂહ વચ્ચેનો સંબંધ.
ડેટા ધારણાઓ અને જરૂરિયાતો
ઘણી મલ્ટિવેરિયેટ પદ્ધતિઓની જેમ, CCA માં પણ ઘણી ધારણાઓ છે જેને પરિણામો સ્થિર અને અર્થઘટનક્ષમ બનાવવા માટે ધ્યાનમાં લેવાની જરૂર છે:
1. રેખીય સંબંધ: CCA સેટ વચ્ચેના રેખીય સંબંધને કેપ્ચર કરે છે. જો સંબંધ બિન-રેખીય હોય, તો પ્રમાણભૂત સહસંબંધ સંબંધની મજબૂતાઈને ઓછો અંદાજ આપી શકે છે.
2. બહુવિધ સામાન્યતા: આદર્શ રીતે, ચલો બહુવિધ સામાન્ય વિતરણને અનુસરે છે, ખાસ કરીને મહત્વ પરીક્ષણ માટે. જોકે, વ્યવહારમાં, ડેટા સંપૂર્ણપણે સામાન્ય ન હોય ત્યારે પણ CCA નો ઉપયોગ ઘણીવાર શોધક રીતે થાય છે.
3. દરેક સમૂહમાં કોઈ આત્યંતિક બહુકોણીયતા નથી: ખૂબ સહસંબંધિત ચલો ગુણાંક અંદાજોને અસ્થિર બનાવી શકે છે.
૪. પૂરતું નમૂનાનું કદ: એક સામાન્ય નિયમ એ છે કે દરેક ચલ માટે ઓછામાં ઓછા ૧૦-૨૦ અવલોકનો હોવા જોઈએ, જોકે સંશોધન સંદર્ભમાં વધુની જરૂર પડી શકે છે.
વધુમાં, ચલો તુલનાત્મક અથવા પ્રમાણિત સ્કેલ (z-સ્કોર) પર હોવા જોઈએ જેથી ગુણાંકની તુલના કરવી સરળ બને.
કેનોનિકલ સહસંબંધ વિશ્લેષણના પગલાં
સામાન્ય રીતે, CCA કરવાના તબક્કાઓમાં શામેલ છે:
1. ચલોના બે સેટ નક્કી કરો
ખાતરી કરો ચલોને આના આધારે જૂથબદ્ધ કરવામાં આવે છે સિદ્ધાંત અથવા વૈચારિક માળખું, ફક્ત અજમાયશ અને ભૂલ નહીં.
2. ડેટા ચકાસણી
ગુમ થયેલ ડેટા (ગુમ થયેલ મૂલ્યો), આઉટલાયર્સ, સામાન્યતા પરીક્ષણો અને દરેક સેટમાં સહસંબંધો (બહુકોલિનિયરિટી શોધવા માટે) સહિત.
3. પ્રમાણભૂત ચલોનો અંદાજ કાઢવો
U₁–V₁, U₂–V₂, વગેરે વિવિધ જોડીઓ ઉત્પન્ન કરે છે.
4. પ્રમાણભૂત સહસંબંધની ગણતરી
દરેક kth જોડી માટે U_k અને V_k વચ્ચેનો સહસંબંધ.
૫. મહત્વ કસોટી
પ્રાપ્ત પ્રમાણભૂત સહસંબંધ આંકડાકીય રીતે શૂન્યથી અલગ છે કે કેમ તે ચકાસે છે. સામાન્ય રીતે ઉપયોગમાં લેવાતા પરીક્ષણો વિલ્ક્સ લેમ્બડા, પિલ્લાઈ ટ્રેસ (મોટાભાગે MANOVA માં), હોટેલિંગ ટ્રેસ અને રોયનું સૌથી મોટું મૂળ છે. CCA માં, વિલ્ક્સ લેમ્બડા ઘણીવાર પસંદગીની પસંદગી હોય છે.
6. પરિણામોનું અર્થઘટન
સહસંબંધ, લોડિંગ, વજન અને ચલ યોગદાનના પરિમાણનું મૂલ્યાંકન શામેલ છે.
CCA આઉટપુટ કેવી રીતે વાંચવું અને અર્થઘટન કરવું
CCA આઉટપુટમાં સામાન્ય રીતે ઘણા મહત્વપૂર્ણ ઘટકોનો સમાવેશ થાય છે:
૧. પ્રમાણભૂત સહસંબંધો
આ મૂલ્ય ચોક્કસ જોડીમાં ચલ U અને V વચ્ચેના સંબંધની મજબૂતાઈ દર્શાવે છે. ઉદાહરણ તરીકે, 0,80 નો પ્રથમ પ્રમાણભૂત સહસંબંધ ચલ X ના સંયોજન અને પ્રથમ પરિમાણમાં ચલ Y ના સંયોજન વચ્ચે મજબૂત રેખીય સંબંધ દર્શાવે છે.
પ્રમાણભૂત R², પ્રમાણભૂત સહસંબંધનો વર્ગ, પણ ઘણીવાર નોંધવામાં આવે છે. જો r = 0,80 હોય તો R² = 0,64, એટલે કે પ્રમાણભૂત ચલ Y માં આશરે 64% ભિન્નતાને તે પરિમાણ પર પ્રમાણભૂત ચલ X (અને ઊલટું) દ્વારા સમજાવી શકાય છે, મૂળ ચલ વચ્ચે નહીં, પરંતુ ચલ વચ્ચેના સંબંધના અર્થમાં.
2. પ્રમાણભૂત વજન (પ્રમાણભૂત વજન / ગુણાંક)
વજન એ ગુણાંક a અને b છે જે U અને V ચલ બનાવે છે. જોકે, વજન ઘણીવાર બહુકોણીયતા પ્રત્યે સંવેદનશીલ હોય છે તેથી વાસ્તવિક અર્થઘટન સામાન્ય રીતે ફક્ત વજન પર આધાર રાખતું નથી.
૩. કેનોનિકલ લોડિંગ્સ (કેનોનિકલ લોડિંગ્સ / સ્ટ્રક્ચર ગુણાંક)
લોડિંગ એ મૂળ ચલ અને તેના કેનોનિકલ ચલ વચ્ચેનો સહસંબંધ છે. ઉદાહરણ તરીકે, 0,70 ના U₁ પર X₂ નું લોડિંગ એટલે કે X₂ સેટ X ની બાજુમાં પ્રથમ કેનોનિકલ પરિમાણમાં મજબૂત ફાળો આપે છે. લોડિંગ સામાન્ય રીતે વજન કરતાં વધુ સ્થિર અને અર્થઘટન કરવામાં સરળ હોય છે.
4. ક્રોસ-લોડિંગ્સ
ક્રોસ-લોડિંગ એ એક સેટના ચલ અને બીજા સેટના કેનોનિકલ ચલ વચ્ચેનો સહસંબંધ છે (દા.ત., X₁ નો V₁ સાથેનો સહસંબંધ). આ સમજવામાં મદદ કરે છે કે ક્રોસ-સેટ સંબંધના પરિમાણો સાથે કયા ચલ સૌથી નજીકથી સંબંધિત છે.
5. રીડન્ડન્સી ઇન્ડેક્સ
રીડન્ડન્સી ઇન્ડેક્સ દર્શાવે છે કે એક સેટમાં મૂળ ચલોના કેટલા ભિન્નતાને બીજા સેટના કેનોનિકલ ચલ દ્વારા સમજાવી શકાય છે. આ મહત્વપૂર્ણ છે કારણ કે ઉચ્ચ કેનોનિકલ સહસંબંધ મૂળ ચલો માટે ઉચ્ચ સ્પષ્ટીકરણ શક્તિ સૂચવતો નથી. રીડન્ડન્સીનો ઉપયોગ ઘણીવાર વ્યવહારુ મૂલ્ય (માત્ર આંકડાકીય મહત્વ જ નહીં)નું મૂલ્યાંકન કરવા માટે થાય છે.
સરળ ચિત્ર
ધારો કે એક અભ્યાસ નીચેના વચ્ચેના સંબંધની તપાસ કરે છે:
– સેટ X (કામ કરવાની પરિસ્થિતિઓ): X₁ = વર્કલોડ, X₂ = સુપરવાઇઝર સપોર્ટ, X₃ = કામના કલાકોની સુગમતા
– સેટ Y (સુખાકારી): Y₁ = તણાવ, Y₂ = નોકરી સંતોષ, Y₃ = ઊંઘની ગુણવત્તા
CCA ને r = 0,75 નો નોંધપાત્ર પ્રથમ પ્રમાણભૂત સહસંબંધ મળી શકે છે. લોડિંગ સૂચવે છે કે કાર્યભાર અને સુપરવાઇઝર સપોર્ટ સૌથી વધુ મજબૂત રીતે U₁ બનાવે છે, જ્યારે તણાવ અને નોકરી સંતોષ સૌથી વધુ મજબૂત રીતે V₁ બનાવે છે. મૂળ અર્થઘટન: કાર્યકારી પરિસ્થિતિઓ અને સુખાકારી વચ્ચેના સંબંધનું મુખ્ય પરિમાણ "કામનું દબાણ વિરુદ્ધ સમર્થન" નું સંયોજન છે જે "તણાવ અને સંતોષ" સાથે ગાઢ રીતે સંબંધિત છે.
કેનોનિકલ સહસંબંધ વિશ્લેષણના ફાયદા
૧. વ્યાપક: એકસાથે બે ચલોના સેટ વચ્ચેના સંબંધને કેપ્ચર કરે છે.
2. વારંવાર પરીક્ષણનું જોખમ ઘટાડવું: ઘણા એક-બાય-એક સહસંબંધો કરવાની તુલનામાં જે પ્રકાર I ભૂલની શક્યતા વધારે છે.
૩. સુષુપ્ત રચનાઓ શોધવામાં મદદ કરે છે: સંબંધોના એવા પરિમાણો જાહેર કરે છે જે એકરૂપ વિશ્લેષણથી દેખાતા નથી.
મર્યાદાઓ અને પડકારો
૧. અર્થઘટન જટિલ હોઈ શકે છે: ઘણા ઘટકો (વજન, ભારણ, રિડન્ડન્સી) એકસાથે જોવા જોઈએ.
2. બહુકોણીયતા અને નાના નમૂના કદ પ્રત્યે સંવેદનશીલ: અસ્થિર ગુણાંક ઉત્પન્ન કરી શકે છે.
૩. રેખીય પ્રકૃતિ: જ્યાં સુધી રૂપાંતર અથવા અન્ય અભિગમ કરવામાં ન આવે ત્યાં સુધી બિન-રેખીય સંબંધો કેપ્ચર થતા નથી.
૪. સૈદ્ધાંતિક આધારની જરૂર છે: સ્પષ્ટ વૈચારિક માળખા વિના, પ્રમાણભૂત પરિમાણોનું અર્થઘટન સટ્ટાકીય હોવાની સંભાવના છે.
પેનટઅપ
કેનોનિકલ સહસંબંધ વિશ્લેષણ એ બે ચલોના સેટ વચ્ચેના સંબંધને એકસાથે સમજવા માટે એક શક્તિશાળી બહુવિધ પદ્ધતિ છે. ક્રોસ-સેટ સહસંબંધોને મહત્તમ કરતા કેનોનિકલ ચલોનું નિર્માણ કરીને, CCA સંશોધકોને સરળ સહસંબંધ અથવા સિંગલ રીગ્રેશન કરતાં સંબંધોના વધુ વ્યાપક પેટર્ન જોવાની મંજૂરી આપે છે. જો કે, તેના ઉપયોગ માટે ધારણાઓ, ડેટા ગુણવત્તા અને યોગ્ય અર્થઘટન વ્યૂહરચના પર ધ્યાન આપવાની જરૂર છે (ખાસ કરીને લોડિંગ, ક્રોસ-લોડિંગ અને રીડન્ડન્સી પર ભાર મૂકવા સાથે). બે પ્રાથમિક ડોમેન્સમાં બહુવિધ સૂચકાંકોને સંડોવતા સંશોધનમાં, CCA જટિલ સંબંધોને અર્થપૂર્ણ પરિમાણોમાં શોધવા અને સારાંશ આપવા માટે એક શક્તિશાળી સાધન બની શકે છે.
