मानक सहसंबंध विश्लेषण

मानक सहसंबंध विश्लेषण

पेंडाहुलुआन
कई अध्ययनों में, शोधकर्ताओं को अक्सर ऐसी स्थितियों का सामना करना पड़ता है जहाँ चरों के दो समूह होते हैं, जिनमें से प्रत्येक में कई संकेतक शामिल होते हैं। उदाहरण के लिए, शिक्षा के क्षेत्र में, हमारे पास सीखने के कारकों (प्रेरणा, अध्ययन के घंटे, पारिवारिक सहयोग, इंटरनेट की उपलब्धता) से संबंधित चरों का एक समूह और सीखने के परिणामों (गणित के अंक, भाषा के अंक, विज्ञान के अंक और ग्रेड पॉइंट औसत) से संबंधित चरों का एक समूह हो सकता है। महत्वपूर्ण प्रश्न केवल यह नहीं है कि "क्या प्रेरणा का संबंध गणित के अंकों से है?" बल्कि यह है कि "सीखने के कारकों के समूह और सीखने के परिणामों के समूह के बीच समग्र संबंध कितना मजबूत है?" ऐसे प्रश्नों का उत्तर देने के लिए, कैनोनिकल कोरिलेशन एनालिसिस (सीसीए) सबसे प्रासंगिक बहुभिन्नरूपी सांख्यिकीय विधियों में से एक है।

कैनोनिकल सहसंबंध विश्लेषण (CCA) को दो चर समूहों के बीच संबंधों को एक साथ मापने और समझाने के लिए विकसित किया गया था। दूसरे शब्दों में, CCA दो चर समूहों के बीच सरल सहसंबंध की अवधारणा को दो चर समूहों के दो रैखिक संयोजनों के बीच सहसंबंध तक विस्तारित करता है। यह लेख CCA की मूलभूत अवधारणाओं, उद्देश्यों, विश्लेषण चरणों, व्याख्या और इसके लाभों एवं सीमाओं पर चर्चा करता है।

मानक सहसंबंध की मूल अवधारणा
सामान्य सहसंबंध (जैसे पियर्सन सहसंबंध) दो चरों, मान लीजिए X और Y, के बीच रैखिक संबंध की मजबूती को मापता है। सीसीए इस अवधारणा को दो नए चरों को रैखिक संयोजनों के रूप में बनाकर सामान्यीकृत करता है:

– समुच्चय X के लिए पहला मानक चर:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– समुच्चय Y के लिए प्रथम मानक चर:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q

गुणांक a और b को इस प्रकार चुना जाता है कि U और V के बीच सहसंबंध अधिकतम हो। इस अधिकतम सहसंबंध को प्रथम मानक सहसंबंध कहा जाता है। एक बार पहला युग्म प्राप्त हो जाने पर, CCA चरों के ऐसे युग्म (द्वितीय, तृतीय, इत्यादि) बना सकता है जो पिछले युग्म के लंबवत (असंबंधित) हों।

संभावित मानक चर युग्मों की संख्या min(p, q) है, जो दो सेटों के बीच चरों की सबसे छोटी संख्या है।

उद्देश्य और उपयोग
सीसीए का उपयोग तब किया जाता है जब अनुसंधान के उद्देश्य निम्नलिखित हों:

1. दो चर समूहों के बीच समग्र रूप से संबंध की मजबूती का मापन करें।
2. सेट X और सेट Y में चरों के सबसे संबंधित संयोजन की पहचान करें।
3. बहुचर संबंधों के आयामों को चरों के कई युग्मों में कम करें जिनकी व्याख्या करना आसान हो।
4. आंकड़ों में पैटर्न की खोज: कौन से चर मुख्य रूप से दो डोमेन के बीच संबंध की व्याख्या करते हैं।

उदाहरण अनुप्रयोग संदर्भ:
मनोविज्ञान: "व्यक्तित्व लक्षणों" के समूह और "मानसिक स्वास्थ्य संकेतकों" के समूह के बीच संबंध।
– अर्थव्यवस्था: “मैक्रो संकेतकों” के समूह और “श्रम बाजार संकेतकों” के समूह के बीच संबंध।
– स्वास्थ्य विज्ञान: “जीवन शैली की आदतों” के एक समूह और “नैदानिक ​​मापदंडों” के एक समूह के बीच संबंध।

डेटा संबंधी मान्यताएँ और आवश्यकताएँ
कई बहुभिन्नरूपी विधियों की तरह, सीसीए में भी कई मान्यताएं हैं जिन्हें परिणामों की स्थिरता और व्याख्यात्मकता के लिए ध्यान में रखना आवश्यक है:

1. रेखीय संबंध: सीसीए सेटों के बीच रेखीय संबंध को दर्शाता है। यदि संबंध गैर-रेखीय है, तो मानक सहसंबंध संबंध की मजबूती को कम आंक सकता है।
2. बहुभिन्नरूपी सामान्यता: आदर्श रूप से, चर बहुभिन्नरूपी सामान्य वितरण का पालन करते हैं, विशेष रूप से सार्थकता परीक्षण के लिए। हालांकि, व्यवहार में, सीसीए का उपयोग अक्सर खोजपूर्ण रूप से तब भी किया जाता है जब डेटा पूरी तरह से सामान्य नहीं होता है।
3. प्रत्येक सेट में कोई अत्यधिक बहुसंरेखता नहीं है: अत्यधिक सहसंबंधित चर गुणांक अनुमानों को अस्थिर बना सकते हैं।
4. पर्याप्त नमूना आकार: एक सामान्य नियम यह है कि प्रति चर कम से कम 10-20 अवलोकन होने चाहिए, हालांकि शोध संदर्भ में इससे अधिक की आवश्यकता हो सकती है।

इसके अलावा, चरों को तुलनीय या मानकीकृत पैमाने (जेड-स्कोर) पर होना चाहिए ताकि गुणांकों की तुलना करना आसान हो सके।

मानक सहसंबंध विश्लेषण के चरण
सामान्य तौर पर, सीसीए आयोजित करने के चरणों में निम्नलिखित शामिल हैं:

1. चरों के दो समूह निर्धारित करें।
यह सुनिश्चित करें कि चरों को सिद्धांत या वैचारिक ढांचे के आधार पर समूहीकृत किया गया हो, न कि केवल प्रयोग और त्रुटि के आधार पर।

2. डेटा जाँच
इसमें प्रत्येक सेट के भीतर अनुपलब्ध डेटा (लुप्त मान), आउटलायर्स, सामान्यता परीक्षण और सहसंबंध (बहुसंरेखता का पता लगाने के लिए) शामिल हैं।

3. मानक चरों का अनुमान लगाना
यह वैरिएट जोड़े U₁–V₁, U₂–V₂, इत्यादि उत्पन्न करता है।

4. मानक सहसंबंध की गणना करना
प्रत्येक kवें युग्म के लिए U_k और V_k के बीच सहसंबंध।

5. सार्थकता परीक्षण
यह परीक्षण करता है कि प्राप्त मानक सहसंबंध सांख्यिकीय रूप से शून्य से भिन्न है या नहीं। आमतौर पर उपयोग किए जाने वाले परीक्षण विल्क्स लैम्डा, पिल्लई ट्रेस (अधिकतर MANOVA में), हॉटेलिंग ट्रेस और रॉय का सबसे बड़ा मूल हैं। CCA में, विल्क्स लैम्डा को अक्सर प्राथमिकता दी जाती है।

6. परिणामों की व्याख्या
इसमें सहसंबंध, भार, भार और चर योगदान के परिमाण का आकलन शामिल है।

सीसीए आउटपुट को कैसे पढ़ें और उसकी व्याख्या करें
सीसीए आउटपुट में आमतौर पर कई महत्वपूर्ण घटक शामिल होते हैं:

1. मानक सहसंबंध
यह मान किसी विशेष युग्म में चर U और V के बीच संबंध की मजबूती को दर्शाता है। उदाहरण के लिए, 0,80 का प्रथम मानक सहसंबंध प्रथम आयाम में चर X के संयोजन और चर Y के संयोजन के बीच एक मजबूत रैखिक संबंध को इंगित करता है।

मानक सहसंबंध का वर्ग, मानक R², भी अक्सर बताया जाता है। यदि r = 0,80 है, तो R² = 0,64 होगा, जिसका अर्थ है कि मानक चर Y में होने वाले लगभग 64% परिवर्तन को मानक चर X द्वारा (और इसके विपरीत) उस आयाम पर समझाया जा सकता है, चरों के बीच संबंध के संदर्भ में, न कि मूल चरों के बीच संबंध के संदर्भ में।

2. मानक भार (मानक भार / गुणांक)
भार गुणांक a और b होते हैं जो चर U और V का निर्माण करते हैं। हालांकि, भार अक्सर बहुसंरेखता के प्रति संवेदनशील होते हैं, इसलिए ठोस व्याख्या आमतौर पर केवल भार पर निर्भर नहीं करती है।

3. मानक भार (मानक भार / संरचना गुणांक)
लोडिंग मूल चर और उसके मानक चर के बीच सहसंबंध है। उदाहरण के लिए, U₁ पर X₂ की 0,70 की लोडिंग का अर्थ है कि X₂, समुच्चय X के पहले मानक आयाम में दृढ़ता से योगदान देता है। लोडिंग आमतौर पर भार की तुलना में अधिक स्थिर और समझने में आसान होती है।

4. क्रॉस-लोडिंग
क्रॉस-लोडिंग एक सेट के चरों और दूसरे सेट के मानक चरों के बीच सहसंबंध है (उदाहरण के लिए, X₁ और V₁ का सहसंबंध)। इससे यह समझने में मदद मिलती है कि कौन से चर क्रॉस-सेट संबंध के आयामों से सबसे अधिक निकटता से संबंधित हैं।

5. अतिरेक सूचकांक
अतिरेक सूचकांक यह दर्शाता है कि एक समूह के मूल चरों के विचरण का कितना भाग दूसरे समूह के मानक चरों द्वारा समझाया जा सकता है। यह महत्वपूर्ण है क्योंकि उच्च मानक सहसंबंध का अर्थ यह नहीं है कि मूल चरों की व्याख्यात्मक क्षमता भी उच्च है। अतिरेक का उपयोग अक्सर व्यावहारिक मूल्य (न केवल सांख्यिकीय महत्व) का आकलन करने के लिए किया जाता है।

सरल चित्रण
मान लीजिए कि एक अध्ययन निम्नलिखित के बीच संबंध की जांच करता है:

– X (कार्य परिस्थितियाँ) निर्धारित करें: X₁ = कार्यभार, X₂ = पर्यवेक्षक का सहयोग, X₃ = कार्य घंटों में लचीलापन
– Y (खुशहाली) को इस प्रकार परिभाषित करें: Y₁ = तनाव, Y₂ = कार्य संतुष्टि, Y₃ = नींद की गुणवत्ता

सीसीए को r = 0,75 का महत्वपूर्ण प्रथम मानक सहसंबंध मिल सकता है। लोडिंग से संकेत मिलता है कि कार्यभार और पर्यवेक्षक का समर्थन U₁ को सबसे मजबूती से बनाते हैं, जबकि तनाव और कार्य संतुष्टि V₁ को सबसे मजबूती से बनाते हैं। सारगर्भित व्याख्या: कार्य परिस्थितियों और कल्याण के बीच संबंध का मुख्य आयाम "कार्य दबाव बनाम समर्थन" का संयोजन है, जो "तनाव और संतुष्टि" से निकटता से संबंधित है।

मानक सहसंबंध विश्लेषण के लाभ
1. व्यापक: यह एक ही समय में चरों के दो समूहों के बीच के संबंध को दर्शाता है।
2. बार-बार परीक्षण करने का जोखिम कम करें: एक-एक करके कई सहसंबंध करने की तुलना में, जिससे टाइप I त्रुटि की संभावना बढ़ जाती है।
3. छिपी हुई संरचनाओं को खोजने में मदद करता है: संबंधों के उन आयामों को प्रकट करता है जो एकतरफा विश्लेषण से दिखाई नहीं देते हैं।

सीमाएं और चुनौतियां
1. व्याख्या जटिल हो सकती है: कई घटकों (वजन, भार, अतिरेक) को एक साथ देखना होगा।
2. बहुसंरेखता और छोटे नमूना आकारों के प्रति संवेदनशील: अस्थिर गुणांक उत्पन्न कर सकता है।
3. प्रकृति में रैखिक: गैर-रैखिक संबंधों को तब तक नहीं समझा जा सकता जब तक कि कोई रूपांतरण या अन्य दृष्टिकोण न अपनाया जाए।
4. सैद्धांतिक आधार की आवश्यकता है: स्पष्ट वैचारिक ढांचे के बिना, प्रामाणिक आयामों की व्याख्या अटकलबाजी के अधीन होने की संभावना है।

पेनुतुप
कैनोनिकल सहसंबंध विश्लेषण (CCA) दो चर समूहों के बीच संबंधों को एक साथ समझने की एक शक्तिशाली बहुभिन्नरूपी विधि है। क्रॉस-सेट सहसंबंधों को अधिकतम करने वाले कैनोनिकल चरों का निर्माण करके, CCA शोधकर्ताओं को सरल सहसंबंध या एकल प्रतिगमन की तुलना में संबंधों के अधिक व्यापक पैटर्न देखने में सक्षम बनाता है। हालांकि, इसके उपयोग के लिए मान्यताओं, डेटा की गुणवत्ता और उचित व्याख्या रणनीतियों (विशेष रूप से लोडिंग, क्रॉस-लोडिंग और अतिरेक पर जोर देते हुए) पर ध्यान देना आवश्यक है। दो प्राथमिक डोमेन में कई संकेतकों से जुड़े शोध में, CCA जटिल संबंधों को सार्थक आयामों में खोजने और सारांशित करने के लिए एक शक्तिशाली उपकरण हो सकता है।