Կանոնիկ կորելյացիայի վերլուծություն
Պենդահուլուան
Շատ ուսումնասիրություններում հետազոտողները հաճախ բախվում են իրավիճակների, երբ կան փոփոխականների երկու հավաքածու, որոնցից յուրաքանչյուրը բաղկացած է մի քանի ցուցանիշներից: Օրինակ՝ կրթության ոլորտում մենք կարող ենք ունենալ փոփոխականների հավաքածու՝ ուսումնառության գործոնների վերաբերյալ (մոտիվացիա, ուսումնական ժամեր, ընտանեկան աջակցություն, ինտերնետ հասանելիություն) և փոփոխականների հավաքածու՝ ուսումնառության արդյունքների վերաբերյալ (մաթեմատիկայի գնահատականներ, լեզվի գնահատականներ, գիտության գնահատականներ և միջին գնահատականներ): Կարևոր հարցը պարզապես «կապվա՞ծ է մոտիվացիան մաթեմատիկայի գնահատականների հետ», այլ «որքան ուժեղ է ուսումնառության գործոնների և ուսումնառության արդյունքների միջև ընդհանուր կապը»: Այսպիսի հարցերին պատասխանելու համար կանոնիկ կորելյացիայի վերլուծությունը (ԿԿՎ) ամենահարմար բազմաչափ վիճակագրական մեթոդներից մեկն է:
Կանոնիկ կոռելյացիոն վերլուծությունը մշակվել է փոփոխականների երկու բազմությունների միջև փոխհարաբերությունը միաժամանակ չափելու և բացատրելու համար: Այլ կերպ ասած, ԿԿՎ-ն պարզ կոռելյացիայի (երկու փոփոխականների միջև) հասկացությունը ընդլայնում է փոփոխականների երկու բազմությունների երկու գծային համակցությունների միջև փոխհարաբերության վրա: Այս հոդվածը քննարկում է ԿԿՎ-ի հիմնական հասկացությունները, նպատակները, վերլուծության քայլերը, մեկնաբանությունը, ինչպես նաև առավելություններն ու սահմանափակումները:
Կանոնիկ համադրության հիմնական հասկացությունը
Սովորական կոռելյացիան (օրինակ՝ Պիրսոնի կոռելյացիան) չափում է երկու փոփոխականների, օրինակ՝ X-ի և Y-ի միջև գծային կապի ուժը։ ԿԿԿ-ն ընդհանրացնում է այս հասկացությունը՝ ձևավորելով երկու նոր փոփոխականներ որպես գծային համակցություններ։
– X բազմության առաջին կանոնիկ փոփոխականը՝
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– Y բազմության առաջին կանոնիկ փոփոխականը՝
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
a և b գործակիցները ընտրվում են այնպես, որ U-ի և V-ի միջև կոռելյացիան լինի առավելագույնը։ Այս առավելագույն կոռելյացիան կոչվում է առաջին կանոնիկ կոռելյացիա։ Առաջին զույգը ստանալուց հետո CCA-ն կարող է ձևավորել փոփոխականների հաջորդական զույգեր (երկրորդ, երրորդ և այլն), որոնք օրթոգոնալ (չկոռելացված) են նախորդ զույգի հետ։
Կանոնիկ փոփոխականների հնարավոր զույգերի քանակը min(p, q) է, որը երկու բազմությունների միջև փոփոխականների ամենափոքր թիվն է։
Նպատակը և օգտագործումը
CCA-ն կիրառվում է, երբ հետազոտական նպատակներն են՝
1. Չափեք փոփոխականների երկու բազմությունների միջև կապի ուժը որպես ամբողջություն։
2. Սահմանեք X և Y բազմությունների փոփոխականների ամենից կապակցված համադրությունը։
3. Բազմաչափ հարաբերությունների չափերը կրճատեք մի քանի զույգ փոփոխականների, որոնք ավելի հեշտ է մեկնաբանել։
4. Տվյալներում առկա օրինաչափությունների ուսումնասիրություն. որ փոփոխականներն են հիմնականում բացատրում երկու տիրույթների միջև եղած կապը։
Օրինակի կիրառման համատեքստ.
– Հոգեբանություն. «անհատականության գծերի» և «հոգեկան առողջության ցուցանիշների» միջև փոխհարաբերությունը։
– Տնտեսություն. «մակրոցուցանիշների» և «աշխատաշուկայի ցուցանիշների» միջև եղած կապը։
– Առողջապահություն. «կյանքի սովորությունների» և «կլինիկական պարամետրերի» միջև փոխհարաբերությունը։
Տվյալների ենթադրություններ և պահանջներ
Ինչպես շատ բազմաչափ մեթոդներ, CCA-ն ունի մի շարք ենթադրություններ, որոնք պետք է հաշվի առնվեն արդյունքների կայունության և մեկնաբանելիության համար.
1. Գծային կապ. CCA-ն արտացոլում է բազմությունների միջև գծային կապը։ Եթե կապը ոչ գծային է, կանոնիկ կապը կարող է թերագնահատել կապի ուժը։
2. Բազմաչափ նորմալություն. Իդեալականում փոփոխականները հետևում են բազմաչափ նորմալ բաշխմանը, հատկապես նշանակալիության ստուգման համար: Այնուամենայնիվ, գործնականում CCA-ն հաճախ օգտագործվում է հետազոտական նպատակներով, նույնիսկ երբ տվյալները լիովին նորմալ չեն:
3. Յուրաքանչյուր բազմությունում ծայրահեղ մուլտիկոլինեարություն չկա. բարձր կոռելյացված փոփոխականները կարող են գործակիցների գնահատականները դարձնել անկայուն։
4. Նմուշի բավարար չափ. ընդհանուր կանոնը յուրաքանչյուր փոփոխականի համար առնվազն 10-20 դիտարկում է, չնայած հետազոտական համատեքստը կարող է ավելին պահանջել:
Բացի այդ, փոփոխականները պետք է լինեն համեմատելի կամ ստանդարտացված սանդղակի վրա (z-score), որպեսզի գործակիցները ավելի հեշտ լինի համեմատել։
Կանոնիկ կորելյացիայի վերլուծության քայլերը
Ընդհանուր առմամբ, CCA-ի անցկացման փուլերը ներառում են.
1. Որոշեք փոփոխականների երկու հավաքածու
Համոզվեք, որ փոփոխականները խմբավորված են տեսության կամ հայեցակարգային շրջանակի հիման վրա, այլ ոչ թե միայն փորձարկման և սխալի հիման վրա։
2. Տվյալների ստուգում
Ներառյալ բացակայող տվյալները (բացակայող արժեքները), արտառոց արժեքները, նորմալության թեստերը և յուրաքանչյուր հավաքածուի ներսում կորելացիաները (մուլտիկոլինեարությունը հայտնաբերելու համար):
3. Կանոնիկ փոփոխականների գնահատում
Առաջացնում է փոփոխականների զույգեր U₁–V₁, U₂–V₂ և այլն։
4. Կանոնիկ համահարաբերակցության հաշվարկ
U_k-ի և V_k-ի միջև կորելացիան յուրաքանչյուր k-րդ զույգի համար։
5. Նշանակալիության թեստ
Ստուգում է, թե արդյոք ստացված կանոնիկ կորելյացիան վիճակագրորեն տարբերվում է զրոյից: Հաճախ օգտագործվող թեստերն են՝ Վիլքսի Լամբդան, Պիլլայի հետքը (ավելի հաճախ MANOVA-ում), Հոթելինգի հետքը և Ռոյի ամենամեծ արմատը: CCA-ում Վիլքսի Լամբդան հաճախ նախընտրելի տարբերակն է:
6. Արդյունքների մեկնաբանություն
Ներառում է կորելացիայի մեծության, բեռների, կշիռների և փոփոխականների ներդրումների գնահատումը։
Ինչպես կարդալ և մեկնաբանել CCA արդյունքը
CCA արդյունքը սովորաբար ներառում է մի քանի կարևոր բաղադրիչներ՝
1. Կանոնիկ համակցություններ
Այս արժեքը ցույց է տալիս որոշակի զույգում U և V փոփոխականների միջև կապի ուժը։ Օրինակ՝ 0,80 առաջին կանոնիկ կորելյացիան ցույց է տալիս առաջին չափման մեջ X փոփոխականների համակցության և Y փոփոխականների համակցության միջև ուժեղ գծային կապ։
Կանոնիկ R²-ը՝ կանոնիկ կոռելյացիայի քառակուսին, նույնպես հաճախ է ներկայացվում։ Եթե r = 0,80 է, ապա R² = 0,64 է, ինչը նշանակում է, որ կանոնիկ փոփոխական Y-ի տատանման մոտավորապես 64%-ը կարող է բացատրվել կանոնիկ փոփոխական X-ով (և հակառակը) այդ չափման վրա՝ փոփոխականների միջև կապի իմաստով, այլ ոչ թե սկզբնական փոփոխականների միջև։
2. Կանոնիկ կշիռներ (կանոնիկ կշիռներ / գործակիցներ)
Կշիռները a և b գործակիցներն են, որոնք կազմում են U և V փոփոխականները։ Սակայն, կշիռները հաճախ զգայուն են բազմակոլինեարության նկատմամբ, ուստի բովանդակային մեկնաբանությունը սովորաբար չի հիմնվում միայն կշիռների վրա։
3. Կանոնիկ բեռնվածքներ (կանոնիկ բեռնվածքներ / կառուցվածքային գործակիցներ)
Բեռնումը սկզբնական փոփոխականի և դրա կանոնիկ փոփոխականի միջև եղած կապն է։ Օրինակ, X₂-ի U₁-ի վրա 0,70 բեռնումը նշանակում է, որ X₂-ը մեծապես նպաստում է X բազմության կողմի առաջին կանոնիկ չափմանը։ Բեռնումները, որպես կանոն, ավելի կայուն են և ավելի հեշտ մեկնաբանելի, քան կշիռները։
4. Խաչաձև բեռնումներ
Խաչաձև բեռնումը մեկ բազմության փոփոխականների և մեկ այլ բազմության կանոնիկ փոփոխականների միջև փոխհարաբերությունն է (օրինակ՝ X₁-ի և V₁-ի փոխհարաբերությունը): Սա օգնում է հասկանալ, թե որ փոփոխականներն են առավել սերտ կապված խաչաձև բազմության հարաբերության չափերի հետ:
5. Ավելորդության ինդեքս
Ավելորդության ինդեքսը ցույց է տալիս, թե մեկ բազմության սկզբնական փոփոխականների դիսպերսիայի որքանը կարող է բացատրվել մեկ այլ բազմության կանոնիկ փոփոխականներով։ Սա կարևոր է, քանի որ բարձր կանոնիկ կոռելյացիան պարտադիր չէ, որ ցույց տա սկզբնական փոփոխականների բարձր բացատրական ուժը։ Ավելորդությունը հաճախ օգտագործվում է գործնական արժեքը գնահատելու համար (ոչ միայն վիճակագրական նշանակալիությունը)։
Պարզ նկարազարդում
Ենթադրենք, որ ուսումնասիրությունը ուսումնասիրում է հետևյալի միջև եղած կապը.
– X (աշխատանքային պայմաններ) հավաքածու. X₁ = աշխատանքային ծանրաբեռնվածություն, X₂ = ղեկավարի աջակցություն, X₃ = աշխատանքային ժամերի ճկունություն
– Y (բարեկեցություն)՝ Y₁ = սթրես, Y₂ = աշխատանքից բավարարվածություն, Y₃ = քնի որակ
CCA-ն կարող է գտնել r = 0,75 նշանակալի առաջին կանոնիկ կոռելյացիա։ Բեռնվածությունները ցույց են տալիս, որ աշխատանքային ծանրաբեռնվածությունը և ղեկավարի աջակցությունը ամենաուժեղ կերպով կազմում են U₁-ն, մինչդեռ սթրեսը և աշխատանքային բավարարվածությունը ամենաուժեղ կերպով կազմում են V₁-ն։ Առարկայական մեկնաբանություն. աշխատանքային պայմանների և բարեկեցության միջև կապի հիմնական չափանիշը «աշխատանքային ճնշումն ընդդեմ աջակցության» համադրությունն է, որը սերտորեն կապված է «սթրեսի և բավարարվածության» հետ։
Կանոնիկ կորելյացիայի վերլուծության առավելությունները
1. Համապարփակ. միաժամանակ արտացոլում է փոփոխականների երկու բազմությունների միջև եղած կապը։
2. Կրկնակի թեստավորման ռիսկի նվազեցում. համեմատած բազմաթիվ մեկ առ մեկ կորելյացիաներ կատարելու հետ, ինչը մեծացնում է I տիպի սխալի հավանականությունը։
3. Օգնում է գտնել թաքնված կառուցվածքներ. բացահայտում է միաչափ վերլուծությունից տեսանելի չլինող հարաբերությունների չափումները։
Սահմանափակումներ և մարտահրավերներ
1. Մեկնաբանությունը կարող է բարդ լինել. բազմաթիվ բաղադրիչներ (կշիռներ, բեռնվածություններ, ավելորդություններ) պետք է դիտարկվեն միասին։
2. Զգայուն է բազմակոլինեարության և փոքր նմուշների չափերի նկատմամբ. կարող է առաջացնել անկայուն գործակիցներ։
3. Գծային բնույթ. ոչ գծային հարաբերությունները չեն գրանցվում, եթե չի իրականացվում փոխակերպում կամ այլ մոտեցում։
4. Պահանջում է տեսական հիմք. առանց հստակ հայեցակարգային շրջանակի, կանոնիկ չափումների մեկնաբանությունը հակված է ենթադրական լինելու։
Penutup
Կանոնիկ կորելյացիայի վերլուծությունը հզոր բազմաչափ մեթոդ է երկու փոփոխականների բազմությունների միջև փոխհարաբերությունը միաժամանակ հասկանալու համար: Կառուցելով կանոնիկ փոփոխականներ, որոնք մեծացնում են խաչաձև կոմպլեկտացիաները, ԿԿՎ-ն թույլ է տալիս հետազոտողներին տեսնել փոխհարաբերությունների ավելի համապարփակ օրինաչափություններ, քան պարզ կորելյացիան կամ մեկ ռեգրեսիան: Այնուամենայնիվ, դրա կիրառումը պահանջում է ուշադրություն դարձնել ենթադրություններին, տվյալների որակին և համապատասխան մեկնաբանման ռազմավարություններին (հատկապես շեշտը դնելով բեռնումների, խաչաձև բեռնումների և ավելորդության վրա): Երկու հիմնական տիրույթներում բազմաթիվ ցուցանիշներ ներառող հետազոտություններում ԿԿՎ-ն կարող է հզոր գործիք լինել բարդ փոխհարաբերությունները իմաստալից չափումների մեջ ուսումնասիրելու և ամփոփելու համար:
