კორელაციის კოეფიციენტის განსაზღვრა: შესავალი, მეთოდები და გამოყენება
კორელაციის კოეფიციენტი არის სტატისტიკური საზომი, რომელიც განსაზღვრავს მონაცემთა ნაკრებში ორ ცვლადს შორის კავშირის სიძლიერეს. კორელაციები მერყეობს -1-დან 1-მდე. კოეფიციენტის მნიშვნელობა, რომელიც ახლოსაა 1-თან ან -1-თან, მიუთითებს ორ ცვლადს შორის ძლიერ კავშირზე. კოეფიციენტის მნიშვნელობა, რომელიც ახლოსაა 0-თან, მიუთითებს ორ ცვლადს შორის ძლიერი კავშირის არარსებობაზე. ეს სტატია განიხილავს კორელაციის კოეფიციენტს, მისი გამოთვლის მეთოდებს, მის ინტერპრეტაციას და მის გამოყენებას სხვადასხვა სფეროში.
კორელაციის კოეფიციენტის შესავალი
კორელაციის კოეფიციენტი გვაძლევს რიცხობრივ წარმოდგენას იმის შესახებ, თუ რამდენად მჭიდროდაა დაკავშირებული ორი ცვლადი. კორელაციის კოეფიციენტები იყოფა ორ ძირითად ტიპად დამოკიდებულების მიმართულების მიხედვით:
1. დადებითი კორელაციის კოეფიციენტი: მიუთითებს, რომ როდესაც ერთი ცვლადი იზრდება, მეორე ცვლადიც იზრდება.
2. უარყოფითი კორელაციის კოეფიციენტი: მიუთითებს, რომ როდესაც ერთი ცვლადი იზრდება, მეორე ცვლადი მცირდება.
ორ ცვლადს შორის ურთიერთობა ასევე შეიძლება დაიყოს სამ ტიპად ურთიერთობის სიძლიერის მიხედვით:
1. ძლიერი კორელაცია: კოეფიციენტი ახლოს არის -1-თან ან 1-თან.
2. ზომიერი კორელაცია: კოეფიციენტი -0.5-დან -1-მდე ან 0.5-დან 1-მდეა.
3. სუსტი კორელაცია: კოეფიციენტი 0-თან ახლოსაა.
კორელაციის კოეფიციენტის გამოთვლის მეთოდი
კორელაციის კოეფიციენტის გამოსათვლელად გამოიყენება რამდენიმე გავრცელებული მეთოდი, მათ შორის პირსონის კორელაცია, სპირმენის კორელაცია და კენდალის კორელაცია. მოდით, უფრო დეტალურად განვიხილოთ თითოეული ეს მეთოდი.
1. პირსონის კორელაცია
პირსონის კორელაციის კოეფიციენტი ხშირად გამოიყენება, როდესაც ორივე ცვლადი უწყვეტია და ნორმალური განაწილება აქვს. პირსონის კორელაციის კოეფიციენტის ფორმულაა:
\[ r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^2 – (\Sigma x)^2] [n \Sigma y^2 – (\Sigma y)^2 ] } } \]
სად:
– \( r \) = კორელაციის კოეფიციენტი,
– \(n \) = მონაცემთა წყვილების რაოდენობა,
– \( \Sigma xy \) = მონაცემთა წყვილების \(x \) და \(y \) ნამრავლების ჯამი,
– \( \Sigma x \) = მნიშვნელობათა ჯამი \(x \),
– \( \Sigma y \) = მნიშვნელობათა ჯამი \( \),
– \( \Sigma x^2 \) = \(x \)-ის კვადრატების ჯამი,
– \( \Sigma y^2 \) = \(y \)-ის კვადრატების ჯამი.
2. სპირმენის რანგის კორელაცია
სპირმანის კორელაციის კოეფიციენტი გამოიყენება რიგითი მონაცემებისთვის ან როდესაც ნორმალურობის ვარაუდი ვერ სრულდება. სპირმანის კორელაცია ეფუძნება მონაცემთა მნიშვნელობების რანგირებას და არა მათ რეალურ მნიშვნელობებს. სპირმანის კორელაციის კოეფიციენტის ფორმულაა:
\[ \rho = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
სად:
– \( \rho \) = სპირმენის კორელაციის კოეფიციენტი,
– \(d_i \) = მონაცემთა წყვილების \(x \) და \(y \) რანჟირებას შორის სხვაობა,
– \(n \) = მონაცემთა წყვილების რაოდენობა.
3. კენდალის ტაუ კორელაცია
კენდალის კორელაციის კოეფიციენტი ზომავს ორ რიგობრივ ცვლადს შორის კავშირის სიძლიერეს. სპირმენის კორელაციისგან განსხვავებით, კენდალის კორელაცია უფრო მეტად კონკორდანტული და დისკორდანტული წყვილების რაოდენობაზეა ფოკუსირებული. კენდალის კორელაციის კოეფიციენტის ფორმულაა:
\[ \tau = \frac{ (C – D)} { \sqrt{(C + D + T) (C + D + U) } } \]
სად:
– \( \tau \) = კენდალის კორელაციის კოეფიციენტი,
– \( C \) = თანხმოვანი წყვილების რაოდენობა,
– \( D \) = დისკორდანტული წყვილების რაოდენობა,
– \(T \) = ცვლად \(x \)-ში სერიული წყვილების რაოდენობა,
– \(U \) = ცვლად \(y \)-ში სერიული წყვილების რაოდენობა.
კორელაციის კოეფიციენტის ინტერპრეტაცია
კორელაციის კოეფიციენტის ინტერპრეტაცია დამოკიდებულია მიღებული კოეფიციენტის მნიშვნელობაზე:
– კოეფიციენტი +1: იდეალური დადებითი დამოკიდებულება.
– კოეფიციენტი 0.7-დან 0.9-მდე: ძლიერი დადებითი კავშირი.
– კოეფიციენტი 0.4-დან 0.6-მდე: ზომიერად დადებითი დამოკიდებულება.
– კოეფიციენტი 0.1-დან 0.3-მდე: სუსტი დადებითი კავშირი.
– კოეფიციენტი 0: კავშირი არ არის.
– კოეფიციენტი -0.1-დან -0.3-მდე: სუსტი უარყოფითი კავშირი.
– კოეფიციენტი -0.4-დან -0.6-მდე: ზომიერად უარყოფითი დამოკიდებულება.
– კოეფიციენტი -0.7-დან -0.9-მდე: ძლიერი უარყოფითი კავშირი.
– კოეფიციენტი -1: სრულყოფილი უარყოფითი დამოკიდებულება.
კორელაციის კოეფიციენტის გამოყენება
კორელაციის კოეფიციენტს ფართო გამოყენება აქვს სხვადასხვა სფეროში, მათ შორის ეკონომიკაში, სოციალურ მეცნიერებებში, ჯანდაცვაში, განათლებასა და სხვა. აქ მოცემულია რამდენიმე მაგალითი:
1. ეკონომიკა: ინფლაციასა და უმუშევრობას, ან მომხმარებელთა ხარჯებსა და შემოსავალს შორის ურთიერთკავშირის დადგენა.
2. სოციალური მეცნიერებები: განათლებასა და შემოსავალს, ან სოციალურ მედიასა და ფსიქოლოგიურ კეთილდღეობას შორის ურთიერთკავშირის დადგენა.
3. ჯანმრთელობა: მოწევის ჩვევასა და ფილტვის კიბოს შემთხვევებს შორის კავშირის შედარება, ან აქტიურ ცხოვრების წესსა და გულის ჯანმრთელობას შორის.
4. განათლება: სწავლის დროსა და გამოცდის შედეგებს, ან კლასის ზომასა და სტუდენტის მიღწევებს შორის ურთიერთკავშირის შესწავლა.
პრაქტიკული მაგალითები მონაცემთა ნაკრებების გამოყენებით
დავუშვათ, რომ გვაქვს მონაცემთა ნაკრები, რომელიც მოიცავს მათემატიკის ტესტის ქულებს და 10 მოსწავლის სწავლის დროს საათებში, შემდეგნაირად:
""
სტუდენტების სასწავლო საათები მათემატიკის შეფასებები
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
""
ჩვენ შეგვიძლია გამოვთვალოთ პირსონის კორელაციის კოეფიციენტი Study_Hours-სა და Math_Score-ს შორის. პირსონის ფორმულის გამოყენებით, ჯერ გამოვთვლით \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \) და \( \Sigma y^2 \), შემდეგ კი ამ მნიშვნელობებს ფორმულაში ვცვლით \(r \) მნიშვნელობის მისაღებად.
დასკვნა
კორელაციის კოეფიციენტი მონაცემთა ანალიზში მძლავრი ინსტრუმენტია ორ ცვლადს შორის ურთიერთობის სიძლიერისა და მიმართულების დასადგენად. კორელაციის კოეფიციენტის კონცეფციის, გამოთვლის მეთოდებისა და ინტერპრეტაციის გაგება აუცილებელია მონაცემთა ეფექტური ანალიზისთვის. სათანადო გაგებით, ჩვენ შეგვიძლია უკეთ განვსაზღვროთ ცვლადებს შორის კორელაციები სხვადასხვა სფეროში და მივიღოთ უფრო ინფორმირებული, მონაცემებზე დაფუძნებული გადაწყვეტილებები.
