Korelācijas koeficienta noteikšana: ievads, metodes un pielietojumi
Korelācijas koeficients ir statistisks rādītājs, kas nosaka divu mainīgo lielumu savstarpējās attiecības stiprumu datu kopā. Korelācijas svārstās no -1 līdz 1. Koeficienta vērtība, kas ir tuvu 1 vai -1, norāda uz spēcīgu saistību starp abiem mainīgajiem lielumiem. Koeficienta vērtība, kas ir tuvu 0, norāda uz spēcīgu saistību starp abiem mainīgajiem lielumiem. Šajā rakstā tiks aplūkots korelācijas koeficients, tā aprēķināšanas metodes, interpretācija un pielietojums dažādās jomās.
Ievads korelācijas koeficientā
Korelācijas koeficients sniedz skaitlisku priekšstatu par to, cik cieši divi mainīgie ir saistīti. Korelācijas koeficienti tiek iedalīti divos galvenajos veidos, pamatojoties uz attiecību virzienu:
1. Pozitīvās korelācijas koeficients: norāda, ka, palielinoties vienam mainīgajam, palielinās arī otrs mainīgais.
2. Negatīvais korelācijas koeficients: norāda, ka, vienam mainīgajam palielinoties, otrs mainīgais samazinās.
Arī divu mainīgo lielumu attiecības var iedalīt trīs veidos, pamatojoties uz attiecību stiprumu:
1. Spēcīga korelācija: koeficients ir tuvu -1 vai 1.
2. Mērena korelācija: koeficients ir no -0.5 līdz -1 vai no 0.5 līdz 1.
3. Vāja korelācija: koeficients ir tuvu 0.
Korelācijas koeficienta aprēķināšanas metode
Korelācijas koeficienta aprēķināšanai tiek izmantotas vairākas izplatītas metodes, tostarp Pīrsona korelācija, Spīrmena korelācija un Kendala korelācija. Apspriedīsim katru no šīm metodēm sīkāk.
1. Pīrsona korelācija
Pīrsona korelācijas koeficientu bieži izmanto, ja abi mainīgie ir nepārtraukti un tiem ir normālsadalījums. Pīrsona korelācijas koeficienta formula ir:
\[r = \frac {n(\Sigma\xy) – (\Sigma\x)(\Sigma\y)}{ \sqrt{ [n \Sigma\x^2 – (\Sigma\x)^2] [n \Sigma\y^2 – (\Sigma\y)^2] } } \]
Kur:
– \(r \) = korelācijas koeficients,
– \(n \) = datu pāru skaits,
– \(\Sigma xy \) = datu pāru \(x \) un \(y \) reizinājumu summa,
– \( \Sigma x \) = vērtību \(x \) summa,
– \(\Sigma y \) = vērtību \(y \) summa,
– \( \Sigma x^2 \) = \(x \) kvadrātu summa,
– \( \Sigma y^2 \) = \( y \) kvadrātu summa.
2. Spīrmena ranga korelācija
Spīrmena korelācijas koeficients tiek izmantots kārtas datiem vai gadījumos, kad nav iespējams izpildīt normalitātes pieņēmumu. Spīrmena korelācija balstās uz datu vērtību rangu, nevis uz to faktiskajām vērtībām. Spīrmena korelācijas koeficienta formula ir:
\[ \rho = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
Kur:
– \( \rho \) = Spīrmena korelācijas koeficients,
– \(d_i \) = datu pāru \(x \) un \(y \) rangu starpība,
– \(n \) = datu pāru skaits.
3. Kendala Tau korelācija
Kendala korelācijas koeficients mēra divu kārtas mainīgo savstarpējās attiecības stiprumu. Atšķirībā no Spīrmena korelācijas, Kendala korelācija vairāk koncentrējas uz konkordantu un diskordantu pāru skaitu. Kendala korelācijas koeficienta formula ir:
[π = θ(C – D)] { θ(C + D + T) (C + D + U)]
Kur:
– \( \tau \) = Kendala korelācijas koeficients,
– \(C \) = konkordantu pāru skaits,
– \(D \) = disharmonisko pāru skaits,
– \(T \) = rindu pāru skaits mainīgajā \(x \),
– \( U \) = sērijas pāru skaits mainīgajā \( y \).
Korelācijas koeficienta interpretācija
Korelācijas koeficienta interpretācija ir atkarīga no iegūtā koeficienta vērtības:
– Koeficients +1: Pilnīgi pozitīvas attiecības.
– Koeficients no 0.7 līdz 0.9: spēcīga pozitīva korelācija.
– Koeficients no 0.4 līdz 0.6: mēreni pozitīvas attiecības.
– Koeficients no 0.1 līdz 0.3: vāja pozitīva sakarība.
– Koeficients 0: Nav sakarības.
– Koeficients no -0.1 līdz -0.3: vāja negatīva sakarība.
– Koeficients no -0.4 līdz -0.6: mēreni negatīva korelācija.
– Koeficients no -0.7 līdz -0.9: spēcīga negatīva korelācija.
– Koeficients -1: Pilnīgi negatīva sakarība.
Korelācijas koeficienta pielietojums
Korelācijas koeficientam ir plašs pielietojumu klāsts dažādās jomās, tostarp ekonomikā, sociālajās zinātnēs, veselības aprūpē, izglītībā un citur. Šeit ir daži piemēri:
1. Ekonomika: inflācijas un bezdarba vai patērētāju tēriņu un ienākumu savstarpējās attiecības noteikšana.
2. Sociālās zinātnes: Izglītības un ienākumu vai sociālo mediju un psiholoģiskās labsajūtas savstarpējās attiecības noteikšana.
3. Veselība: Smēķēšanas paradumu un plaušu vēža gadījumu vai aktīva dzīvesveida un sirds veselības savstarpējās saistības salīdzinājums.
4. Izglītība: mācību laika un eksāmenu rezultātu vai klases lieluma un skolēnu sasniegumu savstarpējās saistības izpēte.
Praktiski piemēri, izmantojot datu kopas
Pieņemsim, ka mums ir datu kopa, kurā iekļauti 10 skolēnu matemātikas testa rezultāti un mācību laiks stundās:
“
Studentu mācību stundas Matemātikas atzīmes
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
“
Mēs varam aprēķināt Pīrsona korelācijas koeficientu starp Study_Hours un Math_Score. Izmantojot Pīrsona formulu, mēs vispirms aprēķinām \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \) un \( \Sigma y^2 \), pēc tam šīs vērtības aizstājam formulā, lai iegūtu \( r \) vērtību.
Secinājums
Korelācijas koeficients ir spēcīgs datu analīzes rīks, lai noteiktu divu mainīgo lielumu savstarpējās attiecības stiprumu un virzienu. Izpratne par korelācijas koeficienta koncepciju, aprēķināšanas metodēm un interpretāciju ir būtiska efektīvai datu analīzei. Ar pareizu izpratni mēs varam labāk noteikt korelācijas starp mainīgajiem lielumiem dažādās jomās un pieņemt pamatotākus, uz datiem balstītus lēmumus.
