Канондук корреляциялык анализ
Pendahuluan
Көптөгөн изилдөөлөрдө изилдөөчүлөр көп учурда эки өзгөрмөлүү топтом болгон кырдаалдарга туш болушат, алардын ар бири бир нече көрсөткүчтөрдөн турат. Мисалы, билим берүү тармагында бизде окуу факторлору (мотивация, окуу сааттары, үй-бүлөнү колдоо, интернетке кирүү) жөнүндө өзгөрмөлөр жана окуу натыйжалары (математика баалар, тил баалар, илим баалар жана орточо баа) жөнүндө өзгөрмөлөр топтому болушу мүмкүн. Маанилүү суроо жөн гана "мотивация математика бааларына байланыштуубу?" эмес, тескерисинче, "окуу факторлорунун топтому менен окуу натыйжаларынын топтомунун ортосундагы жалпы байланыш канчалык күчтүү?" деген суроодо. Ушул сыяктуу суроолорго жооп берүү үчүн, Канондук Корреляциялык Анализ (ККТ) эң актуалдуу көп өзгөрмөлүү статистикалык ыкмалардын бири болуп саналат.
Канондук корреляциялык анализ эки өзгөрмөнүн ортосундагы байланышты бир убакта өлчөө жана түшүндүрүү үчүн иштелип чыккан. Башкача айтканда, ККА жөнөкөй корреляция (эки өзгөрмөнүн ортосундагы) түшүнүгүн эки өзгөрмөнүн эки сызыктуу айкалышынын ортосундагы корреляцияга чейин кеңейтет. Бул макалада ККАнын негизги түшүнүктөрү, максаттары, талдоо кадамдары, чечмелөөсү, ошондой эле артыкчылыктары жана чектөөлөрү талкууланат.
Канондук корреляциянын негизги түшүнүгү
Кадимки корреляция (мисалы, Пирсон корреляциясы) эки өзгөрмөнүн, мисалы, X жана Y ортосундагы сызыктуу байланыштын күчүн өлчөйт. CCA бул түшүнүктү эки жаңы өзгөрмөнү сызыктуу айкалыштар катары түзүү менен жалпылайт:
– X көптүгү үчүн биринчи канондук вариация:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– Y көптүгү үчүн биринчи канондук вариация:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
a жана b коэффициенттери U жана V ортосундагы корреляция максималдуу болушу үчүн тандалып алынат. Бул максималдуу корреляция биринчи канондук корреляция деп аталат. Биринчи жуп алынгандан кийин, CCA мурунку жупка ортогоналдуу (корреляцияланбаган) өзгөрмөлөрдүн кийинки жуптарын (экинчи, үчүнчү ж.б.) түзө алат.
Мүмкүн болгон канондук өзгөрмө жуптарынын саны min(p, q), бул эки топтомдун ортосундагы өзгөрмөлөрдүн эң кичине саны.
Максаты жана колдонулушу
Изилдөөнүн максаттары төмөнкү учурларда ККА колдонулат:
1. Жалпысынан эки өзгөрмөнүн ортосундагы байланыштын күчүн өлчөңүз.
2. X жана Y көптүктөрүндөгү өзгөрмөлөрдүн эң байланыштуу айкалышын аныктагыла.
3. Көп өзгөрмөлүү байланыштардын өлчөмдөрүн чечмелөө оңой болгон бир нече жуп өзгөрмөлөргө чейин кичирейтиңиз.
4. Маалыматтардагы үлгүлөрдү изилдөө: кайсы өзгөрмөлөр эки чөйрөнүн ортосундагы байланышты негизинен түшүндүрөт.
Колдонмо контекстинин мисалы:
– Психология: "инсандык сапаттардын" жыйындысы менен "психикалык саламаттык көрсөткүчтөрүнүн" жыйындысынын ортосундагы байланыш.
– Экономика: "макро индикаторлордун" жыйындысы менен "эмгек рыногунун индикаторлорунун" жыйындысынын ортосундагы байланыш.
– Ден соолук илими: "жашоо адаттарынын" жыйындысы менен "клиникалык параметрлердин" жыйындысынын ортосундагы байланыш.
Маалыматтар боюнча божомолдор жана талаптар
Көптөгөн көп өзгөрмөлүү ыкмалар сыяктуу эле, CCA натыйжалардын туруктуу жана чечмелениши үчүн эске алынышы керек болгон бир катар божомолдорго ээ:
1. Сызыктуу байланыш: CCA көптүктөр ортосундагы сызыктуу байланышты чагылдырат. Эгерде байланыш сызыктуу эмес болсо, канондук корреляция байланыштын күчүн баалабай коюшу мүмкүн.
2. Көп өзгөрмөлүү нормалдуулук: Идеалында, өзгөрмөлөр, айрыкча маанини текшерүү үчүн, көп өзгөрмөлүү нормалдуу бөлүштүрүүнү ээрчишет. Бирок, иш жүзүндө, маалыматтар толугу менен нормалдуу болбосо да, CCA көбүнчө изилдөө максатында колдонулат.
3. Ар бир топтомдо экстремалдык мультиколлинеардуулук жок: жогорку корреляцияланган өзгөрмөлөр коэффициент баалоолорун туруксуз кылышы мүмкүн.
4. Тандоонун жетиштүү көлөмү: жалпы эреже боюнча ар бир өзгөрмөгө кеминде 10–20 байкоо жүргүзүү керек, бирок изилдөө контексти көбүрөөк талап кылышы мүмкүн.
Мындан тышкары, коэффициенттерди салыштыруу оңой болушу үчүн, өзгөрмөлөр салыштырмалуу же стандартташтырылган шкала боюнча (z-балл) болушу керек.
Канондук корреляциялык анализдин этаптары
Жалпысынан алганда, ККЖны өткөрүү этаптары төмөнкүлөрдү камтыйт:
1. Өзгөрмөлөрдүн эки топтомун аныктаңыз
Өзгөрмөлөр жөн гана сыноо жана ката аркылуу эмес, теорияга же концептуалдык алкактын негизинде топтоштурулганын текшериңиз.
2. Маалыматтарды текшерүү
Ар бир топтомдун ичиндеги жок маалыматтарды (жок маанилерди), четтөөлөрдү, нормалдуулук тесттерин жана корреляцияларды (мультиколлинеардуулукту аныктоо үчүн) камтыйт.
3. Канондук вариацияларды баалоо
U₁–V₁, U₂–V₂ жана башка өзгөрмө жуптарын түзөт.
4. Канондук корреляцияны эсептөө
Ар бир k-чуп үчүн U_k жана V_k ортосундагы корреляция.
5. Маанилүүлүк тести
Алынган канондук корреляция статистикалык жактан нөлдөн айырмаланарын текшерет. Көп колдонулган тесттер - Уилкстин лямбдасы, Пиллайдын изи (көбүнчө MANOVAда), Хотеллингдин изи жана Ройдун эң чоң тамыры. CCAда Уилкстин лямбдасы көбүнчө артыкчылыктуу тандоо болуп саналат.
6. Жыйынтыктарды чечмелөө
Корреляциянын чоңдугун, жүктөмдөрдү, салмактарды жана өзгөрүлмө салымдарды баалоону камтыйт.
CCA чыгышын кантип окуу жана чечмелөө керек
CCA чыгаруусу, адатта, бир нече маанилүү компоненттерди камтыйт:
1. Канондук корреляциялар
Бул маани белгилүү бир жуптагы U жана V өзгөрмөлөрүнүн ортосундагы байланыштын күчүн көрсөтөт. Мисалы, 0,80 биринчи канондук корреляция X өзгөрмөлөрүнүн айкалышы менен биринчи өлчөмдөгү Y өзгөрмөлөрүнүн айкалышынын ортосундагы күчтүү сызыктуу байланышты көрсөтөт.
Канондук корреляциянын квадраты болгон канондук R² да көп айтылат. Эгерде r = 0,80 болсо, анда R² = 0,64, демек, канондук Y өзгөрмөсүндөгү болжол менен 64% өзгөрүүнү ошол өлчөмдөгү канондук X өзгөрмөсү менен (жана тескерисинче) баштапкы өзгөрмөлөрдүн ортосундагы эмес, өзгөрмөлөрдүн ортосундагы байланыш маанисинде түшүндүрүүгө болот.
2. Канондук салмактар (Канондук салмактар / коэффициенттер)
Салмактар – бул U жана V өзгөрмөлөрүн түзгөн a жана b коэффициенттери. Бирок, салмактар көп учурда мультиколлинеардыкка сезгич келет, ошондуктан мазмундук чечмелөө көбүнчө салмактарга гана таянбайт.
3. Канондук жүктөөлөр (Канондук жүктөөлөр / Түзүлүш коэффициенттери)
Жүктөө - бул баштапкы өзгөрмө менен анын канондук өзгөрмөсүнүн ортосундагы корреляция. Мисалы, X₂нын U₁га 0,70 жүктөөсү X₂ X топтомунун капталындагы биринчи канондук өлчөмгө чоң салым кошоорун билдирет. Жүктөөлөр, адатта, салмактарга караганда туруктуураак жана чечмелөө оңой.
4. Кайчылаш жүктөөлөр
Кайчылаш жүктөө – бул бир топтомдун өзгөрмөлөрү менен башка топтомдун канондук өзгөрмөлөрүнүн ортосундагы корреляция (мисалы, X₁ менен V₁ корреляциясы). Бул кайсы өзгөрмөлөр кайчылаш көптүк байланышынын өлчөмдөрүнө эң жакын экенин түшүнүүгө жардам берет.
5. Артыкчылык индекси
Резервдүүлүк индекси бир топтомдогу баштапкы өзгөрмөлөрдүн дисперсиясынын канча бөлүгүн башка топтомдогу канондук өзгөрмөлөр менен түшүндүрсө болорун көрсөтөт. Бул маанилүү, анткени жогорку канондук корреляция баштапкы өзгөрмөлөр үчүн жогорку түшүндүрмө күчүн көрсөтпөйт. Резервдүүлүк көбүнчө практикалык баалуулукту (статистикалык маанини гана эмес) баалоо үчүн колдонулат.
Жөнөкөй иллюстрация
Мисалы, изилдөө төмөнкүлөрдүн ортосундагы байланышты карап чыгат дейли:
– X топтому (жумуш шарттары): X₁ = жумуш көлөмү, X₂ = жетекчинин колдоосу, X₃ = жумуш убактысынын ийкемдүүлүгү
– Y (жакшы маанай) топтому: Y₁ = стресс, Y₂ = жумуштан канааттануу, Y₃ = уйку сапаты
CCA r = 0,75тин маанилүү биринчи канондук корреляциясын табышы мүмкүн. Жүктөлүштөр жумуш жүгүн жана жетекчинин колдоосу U₁дон эң күчтүү экенин, ал эми стресс жана жумуштан канааттануу V₁дон эң күчтүү экенин көрсөтүп турат. Мазмундук чечмелөө: жумуш шарттары менен бакубаттуулуктун ортосундагы байланыштын негизги өлчөмү "жумуш басымы жана колдоо" айкалышы болуп саналат, ал "стресс жана канааттануу" менен тыгыз байланыштуу.
Канондук корреляциялык анализдин артыкчылыктары
1. Комплекстүү: бир эле учурда эки өзгөрмөнүн ортосундагы байланышты чагылдырат.
2. Кайталап текшерүү коркунучун азайтуу: I типтеги катанын ыктымалдыгын жогорулатуучу көптөгөн бирден корреляцияларды аткарууга салыштырмалуу.
3. Жашыруун структураларды табууга жардам берет: бир өзгөрмөлүү анализден көрүнбөгөн мамилелердин өлчөмдөрүн ачып берет.
Чектөөлөр жана кыйынчылыктар
1. Чечмелөө татаал болушу мүмкүн: көптөгөн компоненттерди (салмактар, жүктөр, ашыкчалар) чогуу кароо керек.
2. Мультиколлинеардуулукка жана кичинекей үлгү өлчөмдөрүнө сезгич: туруксуз коэффициенттерди пайда кылышы мүмкүн.
3. Сызыктуу мүнөзгө ээ: сызыктуу эмес байланыштар трансформация же башка ыкма аткарылмайынча кармалбайт.
4. Теориялык негизди талап кылат: так концептуалдык алкаксыз канондук өлчөмдөрдү чечмелөө спекулятивдик мүнөзгө ээ.
Penutup
Канондук корреляциялык анализ - бул эки өзгөрмөлөр топтомунун ортосундагы байланышты бир эле учурда түшүнүү үчүн күчтүү көп өзгөрмөлүү ыкма. Кайчылаш корреляцияларды максималдуу түрдө жогорулатуучу канондук өзгөрмөлөрдү куруу менен, CCA изилдөөчүлөргө жөнөкөй корреляцияга же бир регрессияга караганда байланыштардын кеңири үлгүлөрүн көрүүгө мүмкүндүк берет. Бирок, аны колдонуу божомолдорго, маалыматтардын сапатына жана тиешелүү чечмелөө стратегияларына көңүл бурууну талап кылат (айрыкча жүктөмдөргө, кайчылаш жүктөмдөргө жана ашыкчалыкка басым жасоо менен). Эки негизги домендеги бир нече индикаторлорду камтыган изилдөөлөрдө CCA татаал байланыштарды маңыздуу өлчөмдөргө изилдөө жана жалпылоо үчүн күчтүү курал боло алат.
