A korrelációs együttható meghatározása: Bevezetés, módszerek és alkalmazások
A korrelációs együttható egy statisztikai mérőszám, amely egy adathalmazban lévő két változó közötti kapcsolat erősségét határozza meg. A korrelációk -1 és 1 között mozognak. Az 1-hez vagy -1-hez közeli együtthatóérték a két változó közötti erős kapcsolatot jelzi. A 0-hoz közeli együtthatóérték a két változó közötti erős kapcsolat hiányát jelzi. Ez a cikk a korrelációs együtthatót, a kiszámításának módszereit, az értelmezését és a különböző területeken való alkalmazását tárgyalja.
Bevezetés a korrelációs együtthatóba
A korrelációs együttható numerikus képet ad arról, hogy két változó milyen szorosan kapcsolódik egymáshoz. A korrelációs együtthatókat a kapcsolat iránya alapján két fő típusra osztják:
1. Pozitív korrelációs együttható: Azt jelzi, hogy amikor az egyik változó növekszik, a másik változó is növekszik.
2. Negatív korrelációs együttható: Azt jelzi, hogy amikor az egyik változó növekszik, a másik változó csökken.
Két változó közötti kapcsolat a kapcsolat erőssége alapján három típusra osztható:
1. Erős korreláció: Az együttható közel van -1-hez vagy 1-hez.
2. Mérsékelt korreláció: Az együttható -0.5 és -1, illetve 0.5 és 1 között van.
3. Gyenge korreláció: Az együttható közel van a 0-hoz.
A korrelációs együttható kiszámításának módszere
A korrelációs együttható kiszámítására számos elterjedt módszert alkalmaznak, beleértve a Pearson-korrelációt, a Spearman-korrelációt és a Kendall-korrelációt. Vizsgáljuk meg részletesebben ezeket a módszereket.
1. Pearson-korreláció
A Pearson-féle korrelációs együtthatót gyakran használják, ha mindkét változó folytonos és normális eloszlású. A Pearson-féle korrelációs együttható képlete a következő:
\[ r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^2 – (\Sigma x)^2] [n \Sigma y^2 – (\Sigma y)^2 ] } } \]
Di mana:
– \(r \) = korrelációs együttható,
– \(n \) = adatpárok száma,
– \( \Sigma xy \) = az \(x \) és \(y \) adatpárok szorzatainak összege,
– \( \Sigma x \) = az értékek összege \( x \),
– \( \Sigma y \) = az (y \) értékek összege,
– \( \Sigma x^2 \) = \( x \) négyzetösszege,
– \( \Sigma y^2 \) = \( y \) négyzetösszege.
2. Spearman rangkorrelációja
A Spearman-korrelációs együtthatót ordinális adatok esetén használják, vagy ha a normalitás feltételezése nem teljesíthető. A Spearman-korreláció az adatértékek rangsorolásán alapul, nem pedig azok tényleges értékein. A Spearman-korrelációs együttható képlete a következő:
\[ \rho = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
Di mana:
– \( \rho \) = Spearman-féle korrelációs együttható,
– \(d_i \) = az \(x \) és \(y \) adatpárok rangsorolása közötti különbség,
– \(n \) = az adatpárok száma.
3. Kendall Tau-korrelációja
A Kendall-féle korrelációs együttható két ordinális változó közötti kapcsolat erősségét méri. A Spearman-féle korrelációval ellentétben a Kendall-féle korreláció inkább a konkordans és disszonáns párok számára összpontosít. A Kendall-féle korrelációs együttható képlete:
\[ \tau = \frac{ (C – D)} { \sqrt{(C + D + T) (C + D + U) } } \]
Di mana:
– \( \tau \) = Kendall-féle korrelációs együttható,
– \(C \) = a konkordáns párok száma,
– \(D \) = a diszkordáns párok száma,
– \( T \) = az \( x \) változóban lévő sorozatpárok száma,
– \( U \) = az \( y \) változóban lévő sorozatpárok száma.
A korrelációs együttható értelmezése
A korrelációs együttható értelmezése a kapott együttható értékétől függ:
– +1 együttható: Tökéletesen pozitív kapcsolat.
– 0.7–0.9 közötti együttható: Erős pozitív kapcsolat.
– 0.4–0.6 közötti együttható: Mérsékelten pozitív kapcsolat.
– 0.1–0.3 közötti együttható: Gyenge pozitív kapcsolat.
– 0. együttható: Nincs kapcsolat.
– -0.1 és -0.3 közötti együttható: Gyenge negatív kapcsolat.
– -0.4 és -0.6 közötti együttható: Mérsékelten negatív kapcsolat.
– Együttható -0.7 és -0.9 között: Erős negatív kapcsolat.
– -1 együttható: Tökéletes negatív kapcsolat.
Korrelációs együttható alkalmazása
A korrelációs együttható széles körben alkalmazható különböző területeken, beleértve a közgazdaságtant, a társadalomtudományokat, az egészségügyet, az oktatást és egyebeket. Íme néhány példa:
1. Közgazdaságtan: Az infláció és a munkanélküliség, illetve a fogyasztói kiadások és a jövedelem közötti kapcsolat meghatározása.
2. Társadalomtudományok: Az oktatás és a jövedelem, illetve a közösségi média és a pszichológiai jóllét közötti kapcsolat meghatározása.
3. Egészség: A dohányzási szokások és a tüdőrákos esetek, illetve az aktív életmód és a szív egészsége közötti kapcsolat összehasonlítása.
4. Oktatás: A tanulási idő és a vizsgaeredmények, illetve az osztálylétszám és a tanulói teljesítmény közötti összefüggés vizsgálata.
Gyakorlati példák adatkészletek használatával
Tegyük fel, hogy van egy adathalmazunk, amely 10 diák matematikai teszteredményeit és tanulási idejét tartalmazza az alábbiak szerint:
""
Tanulók Tanulási Órái Matematika Osztályzatok
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
""
Kiszámíthatjuk a Pearson-képletet a Study_Hours és a Math_Score között. A Pearson-képlet segítségével először kiszámítjuk a \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \) és \( \Sigma y^2 \) értékeket, majd ezeket az értékeket behelyettesítjük a képletbe, hogy megkapjuk \( r \) értékét.
Következtetés
A korrelációs együttható egy hatékony eszköz az adatelemzésben két változó közötti kapcsolat erősségének és irányának meghatározására. A korrelációs együttható fogalmának, számítási módszereinek és értelmezésének megértése elengedhetetlen a hatékony adatelemzéshez. Megfelelő megértéssel jobban meghatározhatjuk a változók közötti korrelációkat a különböző területeken, és megalapozottabb, adatvezérelt döntéseket hozhatunk.
