Piemēru jautājumi un korelācijas analīzes apspriešana
Korelācijas analīze ir statistiska metode, ko izmanto, lai noteiktu divu mainīgo lielumu savstarpējās attiecības pakāpi. Šo analīzi bieži izmanto dažādās disciplīnās, tostarp ekonomikā, psiholoģijā, medicīnā un socioloģijā, lai izprastu, cik cieši divi mainīgie ir saistīti. Šajā rakstā mēs apspriedīsim vairākus piemērus problēmām un diskusijas, lai palīdzētu izprast korelācijas analīzes jēdzienu.
Korelācijas analīzes izpratne
Korelācijas analīze tiek izmantota, lai mērītu divu skaitlisku mainīgo attiecību stiprumu un virzienu. Šo korelācijas vērtību parasti izsaka, izmantojot korelācijas koeficientu, kas var būt no -1 līdz 1. Šīs vērtības var interpretēt šādi:
– +1: Pilnīga pozitīva korelācija. Abi mainīgie virzās vienā virzienā.
– 0: Nav korelācijas. Abiem mainīgajiem nav skaidras lineāras attiecības.
– -1: Pilnīga negatīva korelācija. Abi mainīgie virzās pretējos virzienos.
Visbiežāk izmantotais korelācijas koeficients ir Pīrsona korelācija. Tomēr pastāv arī citas korelācijas metodes, piemēram, Spīrmena un Kendala metodes, kas ir piemērotākas kārtas vai nelineāriem datiem.
Korelācijas analīzes soļi
1. Datu vākšana: Apkopojiet datus par abiem analizējamajiem mainīgajiem.
2. Datu vizualizācija: Izveidojiet izkliedes diagrammu, lai redzētu abu mainīgo lielumu savstarpējo attiecību modeli.
3. Korelācijas koeficienta aprēķināšana: aprēķiniet Pīrsona, Spīrmena vai Kendala korelācijas koeficientu.
4. Rezultātu interpretācija: Pamatojoties uz korelācijas koeficienta vērtību, seciniet sakarības stiprumu un virzienu.
5. Nozīmīguma pārbaude: nosaka, vai atrastā korelācija ir statistiski nozīmīga.
Parauga jautājumi un diskusija
1. jautājums: Pīrsona korelācija
Dotie dati par 5 cilvēku augumu (cm) un svaru (kg) ir šādi:
| Persona | Augums (cm) | Svars (kg) |
|——-|————-|—————|
| A | 160 | 55 |
| B | 165 | 60 |
| C | 170 | 65 |
| D | 175 | 70 |
| E | 180 | 75 |
Aprēķiniet datu Pīrsona korelācijas koeficientu.
Diskusija:
1. Vidējā rādītāja aprēķināšana:
– Vidējais augums (X̄) = (160 + 165 + 170 + 175 + 180) / 5 = 170
– Vidējais svars (Ȳ) = (55 + 60 + 65 + 70 + 75) / 5 = 65
2. Novirzes no vidējā aprēķināšana:
– Liela novirze: (160–170), (165–170), (170–170), (175–170), (180–170)
– Ievērojama novirze: (55–65), (60–65), (65–65), (70–65), (75–65)
3. Novirzes produkta aprēķināšana:
– (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
Kopā = 100 + 25 + 0 + 25 + 100 = 250
4. Novirzes kvadrāta aprēķināšana:
– Augstums: (160–170)², (165–170)², (170–170)², (175–170)², (180–170)²
– Svars: (55–65)², (60–65)², (65–65)², (70–65)², (75–65)²
Augstumam:
– (160–170)² = 100
– (165–170)² = 25
– (170–170)² = 0
– (175–170)² = 25
– (180–170)² = 100
Kopā = 100 + 25 + 0 + 25 + 100 = 250
Svaram:
– (55–65)² = 100
– (60–65)² = 25
– (65–65)² = 0
– (70–65)² = 25
– (75–65)² = 100
Kopā = 100 + 25 + 0 + 25 + 100 = 250
5. Pīrsona korelācijas koeficienta aprēķināšana:
\[
r = \frac{\sum ((X – X̄)(Y – Ȳ))}{\sqrt{\sum (X – X̄)² \sum (Y – Ȳ)²}}
\]
\[
r = ∫²⁻²⁻²⁻ = ∫²⁻² = 1
\]
Interpretācija: Pīrsona korelācijas koeficienta vērtība 1 norāda uz pilnīgu pozitīvu saistību starp augumu un svaru.
2. jautājums: Spīrmena korelācija
Ņemot vērā divu mainīgo rangu datus, tie ir šādi:
| Persona | Mainīgais X | Mainīgais Y |
|——-|————|————|
| A | 1 | 3 |
| B | 2 | 1 |
| C | 3 | 4 |
| D | 4 | 2 |
| E | 5 | 5 |
Aprēķiniet Spīrmena korelācijas koeficientu, pamatojoties uz datiem.
Diskusija:
1. Ranga starpības (d) aprēķins:
– X un Y ranžēšanai:
– A: 1 – 3 = -2
– B: 2 – 1 = 1
– C: 3 – 4 = -1
– D: 4 – 2 = 2
– E: 5 – 5 = 0
2. Ranga starpības kvadrāta (d²) aprēķins:
– (-2)² = 4
– (1)² = 1
– (-1)² = 1
– (2)² = 4
– (0)² = 0
Kopā (Σd²) = 4 + 1 + 1 + 4 + 0 = 10
3. Spīrmena korelācijas koeficienta aprēķināšana:
\[
r_s = 1 – ∫₀{6 ∫₀ d^2}{n(n^2 – 1)}
\]
\[
r_s = 1 – ∫6 × 10(5(5^2 – 1)) = 1 – ∫60(120) = 1 – 0.5 = 0.5
\]
Interpretācija: Spīrmena korelācijas koeficienta vērtība 0.5 norāda uz mēreni pozitīvu saistību starp mainīgajiem X un Y.
Secinājums
No iepriekš minētajiem piemēriem mēs redzam, kā korelācijas analīzi var izmantot, lai noteiktu divu mainīgo lielumu savstarpējās attiecības stiprumu un virzienu. Pīrsona korelācijas koeficients tiek izmantots skaitliskiem datiem ar lineāru sakarību, savukārt Spīrmena korelācijas koeficients tiek izmantots kārtas vai nelineāriem datiem. Izprotot un apgūstot šīs metodes, mēs varam labāk analizēt datus un izdarīt precīzākus secinājumus dažādās studiju jomās.
