Канондық корреляциялық талдау
Пендахулуан
Көптеген зерттеулерде зерттеушілер көбінесе екі айнымалы жиынтығы бар жағдайларға тап болады, олардың әрқайсысы бірнеше көрсеткіштерден тұрады. Мысалы, білім беру саласында бізде оқу факторлары (мотивация, оқу сағаттары, отбасын қолдау, интернетке қол жеткізу) туралы айнымалылар жиынтығы және оқу нәтижелері (математика бағалары, тіл бағалары, жаратылыстану пәндерінен бағалар және орташа балл) туралы айнымалылар жиынтығы болуы мүмкін. Маңызды сұрақ жай ғана «мотивация математика бағаларымен байланысты ма?» емес, керісінше «оқу факторлары жиынтығы мен оқу нәтижелері жиынтығы арасындағы жалпы байланыс қаншалықты күшті?». Осындай сұрақтарға жауап беру үшін канондық корреляциялық талдау (ККТ) ең өзекті көп айнымалылы статистикалық әдістердің бірі болып табылады.
Канондық корреляциялық талдау екі айнымалылар жиынтығы арасындағы байланысты бір уақытта өлшеу және түсіндіру үшін жасалды. Басқаша айтқанда, CCA қарапайым корреляция (екі айнымалы арасындағы) ұғымын екі айнымалылар жиынтығының екі сызықтық комбинациясы арасындағы корреляцияға дейін кеңейтеді. Бұл мақалада CCA негізгі ұғымдары, мақсаттары, талдау қадамдары, түсіндірмесі, артықшылықтары мен шектеулері талқыланады.
Канондық корреляцияның негізгі тұжырымдамасы
Кәдімгі корреляция (мысалы, Пирсон корреляциясы) екі айнымалы, мысалы, X және Y арасындағы сызықтық байланыстың беріктігін өлшейді. CCA бұл ұғымды екі жаңа айнымалыны сызықтық комбинациялар ретінде қалыптастыру арқылы жалпылайды:
– X жиыны үшін бірінші канондық айнымалы:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– Y жиыны үшін бірінші канондық айнымалы:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
a және b коэффициенттері U және V арасындағы корреляция максималды болатындай етіп таңдалады. Бұл максималды корреляция бірінші канондық корреляция деп аталады. Бірінші жұп алынғаннан кейін, CCA алдыңғы жұпқа ортогоналды (корреляцияланбаған) келесі айнымалылар жұптарын (екінші, үшінші және т.б.) құра алады.
Мүмкін болатын канондық айнымалы жұптардың саны min(p, q), бұл екі жиын арасындағы айнымалылардың ең аз саны.
Мақсаты және қолданылуы
CCA зерттеу мақсаттары келесі жағдайларда қолданылады:
1. Тұтастай алғанда екі айнымалылар жиынтығы арасындағы байланыстың беріктігін өлшеңіз.
2. X және Y жиынындағы айнымалылардың ең байланысты комбинациясын анықтаңыз.
3. Көп айнымалылы қатынастардың өлшемдерін түсіндіруге оңай бірнеше айнымалы жұптарға дейін азайтыңыз.
4. Деректердегі заңдылықтарды зерттеу: екі сала арасындағы байланысты негізінен қандай айнымалылар түсіндіреді.
Қолданба контекстінің мысалы:
– Психология: «жеке бас ерекшеліктері» жиынтығы мен «психикалық денсаулық көрсеткіштері» жиынтығы арасындағы байланыс.
– Экономика: «макрокөрсеткіштер» жиынтығы мен «еңбек нарығының көрсеткіштері» жиынтығы арасындағы байланыс.
– Денсаулық сақтау ғылымы: «өмір салты» жиынтығы мен «клиникалық параметрлер» жиынтығы арасындағы байланыс.
Деректерге қатысты болжамдар мен талаптар
Көптеген көп айнымалы әдістер сияқты, CCA нәтижелердің тұрақты және түсіндірілетін болуы үшін ескерілуі қажет бірқатар болжамдарға ие:
1. Сызықтық қатынас: CCA жиындар арасындағы сызықтық қатынасты көрсетеді. Егер қатынас сызықтық емес болса, канондық корреляция қатынастың беріктігін төмендетуі мүмкін.
2. Көп айнымалы қалыптылық: Идеал жағдайда, айнымалылар, әсіресе маңыздылықты тексеру үшін көп айнымалы қалыпты үлестірімді ұстанады. Дегенмен, іс жүзінде, деректер толығымен қалыпты болмаса да, CCA көбінесе зерттеу мақсатында қолданылады.
3. Әрбір жиынтықта экстремалды мультиколлинеарлық жоқ: жоғары корреляцияланған айнымалылар коэффициент бағалауларын тұрақсыз етуі мүмкін.
4. Тиісті үлгі көлемі: зерттеу контексті көбірек талап етуі мүмкін болса да, айнымалы үшін кемінде 10-20 бақылау болуы керек деген жалпы ереже бар.
Сонымен қатар, коэффициенттерді салыстыру оңайырақ болуы үшін айнымалылар салыстырмалы немесе стандартталған шкала бойынша (z-score) болуы керек.
Канондық корреляциялық талдау кезеңдері
Жалпы алғанда, CCA жүргізу кезеңдері мыналарды қамтиды:
1. Айнымалылардың екі жиынтығын анықтаңыз
Айнымалылардың тек сынақ және қателіктер негізінде емес, теория немесе тұжырымдамалық құрылым негізінде топтастырылғанына көз жеткізіңіз.
2. Деректерді тексеру
Әрбір жиынтықтағы жетіспейтін деректерді (жоқ мәндерді), ауытқуларды, қалыптылық сынақтарын және корреляцияларды (мультиколлинеарлықты анықтау үшін) қамтиды.
3. Канондық айнымалыларды бағалау
U₁–V₁, U₂–V₂ және т.б. айнымалы жұптарды жасайды.
4. Канондық корреляцияны есептеу
Әрбір k-шы жұп үшін U_k және V_k арасындағы корреляция.
5. Маңыздылық сынағы
Алынған канондық корреляцияның статистикалық тұрғыдан нөлден өзгеше екенін тексереді. Жиі қолданылатын тесттер - Уилкстің лямбдасы, Пиллайдың ізі (көбінесе MANOVA-да), Хотеллингтің ізі және Ройдың ең үлкен түбірі. CCA-да Уилкстің лямбдасы көбінесе артықшылықты таңдау болып табылады.
6. Нәтижелерді түсіндіру
Корреляцияның шамасын, жүктемелерді, салмақтарды және айнымалы үлестерді бағалауды қамтиды.
CCA шығысын қалай оқуға және түсіндіруге болады
CCA шығысы әдетте бірнеше маңызды компоненттерді қамтиды:
1. Канондық корреляциялар
Бұл мән белгілі бір жұптағы U және V айнымалылары арасындағы байланыстың беріктігін көрсетеді. Мысалы, 0,80 бірінші канондық корреляция X айнымалыларының комбинациясы мен бірінші өлшемдегі Y айнымалыларының комбинациясы арасындағы күшті сызықтық байланысты көрсетеді.
Канондық корреляцияның квадраты, канондық R² де жиі кездеседі. Егер r = 0,80 болса, онда R² = 0,64, яғни канондық Y айнымалысының шамамен 64%-ы бастапқы айнымалылар арасындағы емес, айнымалылар арасындағы байланыс мағынасында сол өлшемдегі канондық X айнымалысымен (және керісінше) түсіндірілуі мүмкін.
2. Канондық салмақтар (Канондық салмақтар / коэффициенттер)
Салмақтар - U және V айнымалыларын құрайтын a және b коэффициенттері. Дегенмен, салмақтар көбінесе мультиколлинеарлыққа сезімтал, сондықтан мазмұнды түсіндіру әдетте тек салмақтарға ғана сүйенбейді.
3. Канондық жүктемелер (канондық жүктемелер / құрылым коэффициенттері)
Жүктеме - бастапқы айнымалы мен оның канондық айнымалысы арасындағы корреляция. Мысалы, X₂-ның U₁-ға 0,70 жүктемесі X₂-ның X жиынының жағындағы бірінші канондық өлшемге үлкен үлес қосатынын білдіреді. Жүктемелер, әдетте, салмақтарға қарағанда тұрақтырақ және түсіндіру оңайырақ.
4. Айқас жүктемелер
Айқас жүктеме – бір жиынтықтағы айнымалылардың басқа жиынтықтағы канондық айнымалылармен корреляциясы (мысалы, X₁ мен V₁ корреляциясы). Бұл айқас жиынтық қатынасының өлшемдеріне қай айнымалылардың ең тығыз байланысты екенін түсінуге көмектеседі.
5. Артықшылық индексі
Артықшылық индексі бір жиынтықтағы бастапқы айнымалылардың дисперсиясының қаншалықты бөлігін басқа жиынтықтағы канондық айнымалылармен түсіндіруге болатынын көрсетеді. Бұл маңызды, себебі жоғары канондық корреляция бастапқы айнымалылар үшін жоғары түсіндірме күшін міндетті түрде көрсетпейді. Артықшылық көбінесе практикалық құндылықты (тек статистикалық маңыздылықты ғана емес) бағалау үшін қолданылады.
Қарапайым иллюстрация
Зерттеу мыналардың арасындағы байланысты зерттейді делік:
– X жиынтығы (жұмыс жағдайлары): X₁ = жұмыс көлемі, X₂ = жетекшінің қолдауы, X₃ = жұмыс уақытының икемділігі
– Y (әл-ауқат) жиынтығы: Y₁ = стресс, Y₂ = жұмысқа қанағаттану, Y₃ = ұйқы сапасы
CCA r = 0,75 маңызды бірінші канондық корреляцияны табуы мүмкін. Жүктемелер жұмыс жүктемесі мен басшының қолдауы U₁-дан, ал стресс пен жұмысқа қанағаттану V₁-дан күштірек екенін көрсетеді. Мазмұнды түсіндіру: жұмыс жағдайлары мен әл-ауқат арасындағы байланыстың негізгі өлшемі «жұмыс қысымы мен қолдаудың» үйлесімі болып табылады, ол «стресс пен қанағаттанушылықпен» тығыз байланысты.
Канондық корреляциялық талдаудың артықшылықтары
1. Кешенді: екі айнымалы жиынының арасындағы байланысты бірден көрсетеді.
2. Қайталап тестілеу қаупін азайтыңыз: I типті қателік ықтималдығын арттыратын көптеген жеке корреляцияларды орындаумен салыстырғанда.
3. Жасырын құрылымдарды табуға көмектеседі: бір айнымалы талдаудан көрінбейтін қатынастардың өлшемдерін ашады.
Шектеулер мен қиындықтар
1. Түсіндіру күрделі болуы мүмкін: көптеген компоненттерді (салмақ, жүктемелер, артық жұмыстар) бірге қарастыру қажет.
2. Мультиколлинеарлыққа және шағын үлгі өлшемдеріне сезімтал: тұрақсыз коэффициенттер тудыруы мүмкін.
3. Сызықтық сипат: сызықтық емес қатынастар түрлендіру немесе басқа тәсіл орындалмайынша анықталмайды.
4. Теориялық негізді қажет етеді: нақты тұжырымдамалық негіз болмаса, канондық өлшемдерді түсіндіру спекулятивті болуға бейім.
Жабу
Канондық корреляциялық талдау - екі айнымалы жиынтығы арасындағы байланысты бір уақытта түсінуге арналған қуатты көп айнымалы әдіс. Айқас жиынтық корреляцияларды барынша арттыратын канондық айнымалыларды құру арқылы CCA зерттеушілерге қарапайым корреляцияға немесе бір регрессияға қарағанда қарым-қатынастың жан-жақты үлгілерін көруге мүмкіндік береді. Дегенмен, оны пайдалану болжамдарға, деректер сапасына және тиісті түсіндіру стратегияларына (әсіресе жүктемелерге, айқас жүктемелерге және артықшылыққа баса назар аударуды) назар аударуды талап етеді. Екі негізгі сала бойынша бірнеше индикаторларды қамтитын зерттеулерде CCA күрделі қатынастарды маңызды өлшемдерге зерттеу және қорытындылау үшін қуатты құрал бола алады.
