Pavyzdiniai klausimai ir koreliacinės analizės aptarimas
Koreliacinė analizė yra statistinis metodas, naudojamas dviejų kintamųjų ryšio laipsniui nustatyti. Ši analizė dažnai naudojama įvairiose disciplinose, įskaitant ekonomiką, psichologiją, mediciną ir sociologiją, siekiant suprasti, kiek glaudžiai du kintamieji yra susiję. Šiame straipsnyje aptarsime keletą pavyzdžių ir diskusijų, kurios padės suprasti koreliacinės analizės koncepciją.
Koreliacijos analizės supratimas
Koreliacijos analizė naudojama dviejų skaitinių kintamųjų ryšio stiprumui ir krypčiai matuoti. Ši koreliacijos vertė paprastai išreiškiama koreliacijos koeficientu, kuris gali svyruoti nuo -1 iki 1. Šias vertes galima interpretuoti taip:
– +1: Ideali teigiama koreliacija. Abu kintamieji juda ta pačia kryptimi.
– 0: Nėra koreliacijos. Du kintamieji neturi aiškaus tiesinio ryšio.
– -1: Ideali neigiama koreliacija. Abu kintamieji juda priešingomis kryptimis.
Dažniausiai naudojamas koreliacijos koeficientas yra Pearsono koreliacija. Tačiau yra ir kitų koreliacijos metodų, tokių kaip Spearmano ir Kendallo, kurie labiau tinka ranginiams arba netiesiniams duomenims.
Koreliacijos analizės žingsniai
1. Duomenų rinkimas: surinkite duomenis apie du analizuojamus kintamuosius.
2. Duomenų vizualizavimas: sukurkite sklaidos diagramą, kad pamatytumėte dviejų kintamųjų ryšio modelį.
3. Koreliacijos koeficiento apskaičiavimas: apskaičiuokite Pearsono, Spearmano arba Kendallo koreliacijos koeficientą.
4. Rezultatų interpretavimas: Remiantis koreliacijos koeficiento verte, nustatykite ryšio stiprumą ir kryptį.
5. Reikšmingumo testas: nustatykite, ar nustatyta koreliacija yra statistiškai reikšminga.
Pavyzdiniai klausimai ir diskusija
1 klausimas: Pearsono koreliacija
Pateikti 5 žmonių ūgio (cm) ir svorio (kg) duomenys:
| Asmuo | Ūgis (cm) | Svoris (kg) |
|——-|————-|————|
| A | 160 | 55 |
| B | 165 | 60 |
| C | 170 | 65 |
| D | 175 | 70 |
| R | 180 | 75 |
Apskaičiuokite duomenų Pearsono koreliacijos koeficientą.
Diskusija:
1. Vidurkio apskaičiavimas:
– Vidutinis ūgis (X̄) = (160 + 165 + 170 + 175 + 180) / 5 = 170
– Vidutinis svoris (Ȳ) = (55 + 60 + 65 + 70 + 75) / 5 = 65
2. Nukrypimo nuo vidurkio apskaičiavimas:
– Didelis nuokrypis: (160–170), (165–170), (170–170), (175–170), (180–170)
– Didelis nuokrypis: (55–65), (60–65), (65–65), (70–65), (75–65)
3. Nuokrypio sandaugos apskaičiavimas:
– (160–170)(55–65) = 10 10 = 100
– (165–170)(60–65) = 5 5 = 25
– (170–170)(65–65) = 0 0 = 0
– (175–170)(70–65) = 5 5 = 25
– (180–170)(75–65) = 10 10 = 100
Iš viso = 100 + 25 + 0 + 25 + 100 = 250
4. Nuokrypio kvadrato apskaičiavimas:
– Ūgis: (160–170)², (165–170)², (170–170)², (175–170)², (180–170)²
– Svoris: (55–65)², (60–65)², (65–65)², (70–65)², (75–65)²
Dėl aukščio:
– (160–170)² = 100
– (165–170)² = 25
– (170–170)² = 0
– (175–170)² = 25
– (180–170)² = 100
Iš viso = 100 + 25 + 0 + 25 + 100 = 250
Dėl svorio:
– (55–65)² = 100
– (60–65)² = 25
– (65–65)² = 0
– (70–65)² = 25
– (75–65)² = 100
Iš viso = 100 + 25 + 0 + 25 + 100 = 250
5. Pearsono koreliacijos koeficiento apskaičiavimas:
\[
r = ∫\frac{\sum ((X – X̄)(Y – Ȳ))}{\sqrt{\sum (X – X̄)² \sum (Y – Ȳ)²}}
\]
\[
r = ∫\frac{250}{qrt{250 × 250}} = ∫\frac{250}{250} = 1
\]
Interpretacija: Pearsono koreliacijos koeficiento reikšmė, lygi 1, rodo idealų teigiamą ryšį tarp ūgio ir svorio.
2 klausimas: Spearmano koreliacija
Pateikiami dviejų kintamųjų reitingavimo duomenys:
| Asmuo | Kintamasis X | Kintamasis Y |
|——-|————|————|
| A | 1 | 3 |
| B | 2 | 1 |
| C | 3 | 4 |
| D | 4 | 2 |
| E | 5 | 5 |
Remdamiesi duomenimis, apskaičiuokite Spirmeno koreliacijos koeficientą.
Diskusija:
1. Reitingavimo skirtumo (d) apskaičiavimas:
– X ir Y reitingams nustatyti:
– A: 1 – 3 = -2
– B: 2 – 1 = 1
– C: 3 – 4 = -1
– D: 4 – 2 = 2
– Į: 5 – 5 = 0
2. Reitingavimo skirtumo kvadrato (d²) apskaičiavimas:
– (-2)² = 4
– (1)² = 1
– (-1)² = 1
– (2)² = 4
– (0)² = 0
Iš viso (Σd²) = 4 + 1 + 1 + 4 + 0 = 10
3. Spearmano koreliacijos koeficiento apskaičiavimas:
\[
r_s = 1 – ∫₀ d^2 ∫₀ (n^2 – 1))
\]
\[
r_s = 1 – ∫₀ ∫₀ ∫₀ (5^2 – 1) = 1 – ∫₀ ...
\]
Interpretacija: Spirmeno koreliacijos koeficiento reikšmė, lygi 0.5, rodo vidutinį teigiamą ryšį tarp kintamųjų X ir Y.
Išvada
Iš aukščiau pateiktų pavyzdžių matome, kaip koreliacijos analizė gali būti naudojama dviejų kintamųjų ryšio stiprumui ir krypčiai nustatyti. Pearsono koreliacijos koeficientas naudojamas skaitmeniniams duomenims su tiesiniu ryšiu, o Spearmano koreliacijos koeficientas – ranginiams arba netiesiniams duomenims. Suprasdami ir įvaldydami šiuos metodus, galime geriau analizuoti duomenis ir daryti tikslesnes išvadas įvairiose studijų srityse.
