Određivanje koeficijenta korelacije: Uvod, metode i primjene
Koeficijent korelacije je statistička mjera koja određuje jačinu veze između dvije varijable u skupu podataka. Korelacije se kreću od -1 do 1. Vrijednost koeficijenta blizu 1 ili -1 ukazuje na jaku vezu između dvije varijable. Vrijednost koeficijenta blizu 0 ukazuje na nepostojanje jake veze između dvije varijable. Ovaj članak će raspravljati o koeficijentu korelacije, metodama za njegov izračun, njegovoj interpretaciji i primjeni u raznim područjima.
Uvod u koeficijent korelacije
Koeficijent korelacije daje nam numerički prikaz koliko su dvije varijable povezane. Koeficijenti korelacije dijele se u dvije glavne vrste na temelju smjera odnosa:
1. Pozitivni koeficijent korelacije: Označava da kada se jedna varijabla poveća, povećava se i druga varijabla.
2. Negativni koeficijent korelacije: Označava da kada se jedna varijabla povećava, druga varijabla se smanjuje.
Veza između dvije varijable također se može podijeliti u tri vrste na temelju jačine veze:
1. Jaka korelacija: Koeficijent je blizu -1 ili 1.
2. Umjerena korelacija: Koeficijent je između -0.5 i -1 ili 0.5 i 1.
3. Slaba korelacija: Koeficijent je blizu 0.
Metoda za izračunavanje koeficijenta korelacije
Za izračun koeficijenta korelacije koristi se nekoliko uobičajenih metoda, uključujući Pearsonovu korelaciju, Spearmanovu korelaciju i Kendallovu korelaciju. Razmotrimo svaku od ovih metoda detaljnije.
1. Pearsonova korelacija
Pearsonov koeficijent korelacije često se koristi kada su obje varijable kontinuirane i imaju normalnu distribuciju. Formula za Pearsonov koeficijent korelacije je:
\[r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^2 – (\Sigma x)^2] [n \Sigma y^2 – (\Sigma y)^2] } } \]
Gdje:
– \(r \) = koeficijent korelacije,
– \( n \) = broj parova podataka,
– \( \Sigma xy \) = zbroj produkata parova podataka \( x \) i \( y \),
– \( \Sigma x \) = zbroj vrijednosti ( x \),
– \( \Sigma y \) = zbroj vrijednosti ( y \),
– \( \Sigma x^2 \) = zbroj kvadrata \( x \),
– \( \Sigma y^2 \) = zbroj kvadrata \( y \).
2. Spearmanova korelacija ranga
Spearmanov koeficijent korelacije koristi se za ordinalne podatke ili kada se pretpostavka normalnosti ne može ispuniti. Spearmanova korelacija temelji se na rangiranju vrijednosti podataka, a ne na njihovim stvarnim vrijednostima. Formula za Spearmanov koeficijent korelacije je:
\[ ρ = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
Gdje:
– \( \rho \) = Spearmanov koeficijent korelacije,
– \( d_i \) = razlika između rangiranja parova podataka \( x \) i \( y \),
– \( n \) = broj parova podataka.
3. Kendallova Tau korelacija
Kendallov koeficijent korelacije mjeri jačinu veze između dvije ordinalne varijable. Za razliku od Spearmanovog, Kendallova korelacija se više fokusira na broj konkordantnih i neskladnih parova. Formula za Kendallov koeficijent korelacije je:
\[ \tau = \frac{ (C – D)} { \sqrt{(C + D + T) (C + D + U) } } \]
Gdje:
– \( \tau \) = Kendallov koeficijent korelacije,
– \( C \) = broj konkordantnih parova,
– \( D \) = broj neskladnih parova,
– \( T \) = broj parova serija u varijabli \( x \),
– \( U \) = broj parova serija u varijabli \( y \).
Interpretacija koeficijenta korelacije
Interpretacija koeficijenta korelacije ovisi o vrijednosti dobivenog koeficijenta:
– Koeficijent +1: Savršeno pozitivan odnos.
– Koeficijent od 0.7 do 0.9: Snažan pozitivan odnos.
– Koeficijent od 0.4 do 0.6: Umjereno pozitivan odnos.
– Koeficijent od 0.1 do 0.3: Slaba pozitivna veza.
– Koeficijent 0: Nema veze.
– Koeficijent od -0.1 do -0.3: Slaba negativna veza.
– Koeficijent od -0.4 do -0.6: Umjereno negativan odnos.
– Koeficijent od -0.7 do -0.9: Snažna negativna veza.
– Koeficijent -1: Savršeno negativan odnos.
Primjena koeficijenta korelacije
Koeficijent korelacije ima širok raspon primjena u raznim područjima, uključujući ekonomiju, društvene znanosti, zdravstvo, obrazovanje i drugo. Evo nekoliko primjera:
1. Ekonomija: Određivanje odnosa između inflacije i nezaposlenosti ili između potrošnje i dohotka.
2. Društvene znanosti: Utvrđivanje odnosa između obrazovanja i prihoda ili između društvenih mreža i psihološke dobrobiti.
3. Zdravlje: Usporedba odnosa između pušačkih navika i slučajeva raka pluća ili između aktivnog načina života i zdravlja srca.
4. Obrazovanje: Ispitivanje odnosa između vremena učenja i rezultata ispita ili između veličine razreda i postignuća učenika.
Praktični primjeri korištenja skupova podataka
Pretpostavimo da imamo skup podataka koji uključuje rezultate testova iz matematike i vrijeme učenja u satima za 10 učenika na sljedeći način:
"`
Učenici Sati učenja Matematika Ocjene
1 5 85
2 3 78
3 6 90
4 2 76
5 4 80
6 6 88
7 5 85
8 3 82
9 7 91
10 5 87
"`
Možemo izračunati Pearsonov koeficijent korelacije između Study_Hours i Math_Score. Koristeći Pearsonovu formulu, prvo izračunavamo \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \) i \( \Sigma y^2 \), a zatim te vrijednosti zamjenjujemo u formulu kako bismo dobili vrijednost \( r \).
Zaključak
Koeficijent korelacije moćan je alat u analizi podataka za određivanje jačine i smjera odnosa između dvije varijable. Razumijevanje koncepta, metoda izračuna i tumačenja koeficijenta korelacije ključno je za učinkovitu analizu podataka. Uz pravilno razumijevanje možemo bolje odrediti korelacije između varijabli u različitim područjima i donositi informiranije odluke utemeljene na podacima.
