Одредување на коефициентот на корелација: Вовед, методи и примени
Коефициентот на корелација е статистичка мерка што ја одредува јачината на врската помеѓу две променливи во еден збир на податоци. Корелациите се движат од -1 до 1. Вредност на коефициентот блиску до 1 или -1 укажува на силна врска помеѓу двете променливи. Вредност на коефициентот блиску до 0 укажува на отсуство на силна врска помеѓу двете променливи. Во оваа статија ќе се дискутира коефициентот на корелација, методите за негово пресметување, неговото толкување и неговите примени во различни области.
Вовед во коефициентот на корелација
Коефициентот на корелација ни дава нумерички преглед на тоа колку тесно се поврзани две променливи. Коефициентите на корелација се поделени на два главни типа врз основа на насоката на врската:
1. Коефициент на позитивна корелација: Укажува дека кога едната променлива се зголемува, и другата променлива се зголемува.
2. Коефициент на негативна корелација: Укажува дека кога едната променлива се зголемува, другата променлива се намалува.
Врската помеѓу две променливи може да се подели на три вида врз основа на јачината на врската:
1. Силна корелација: Коефициентот е блиску до -1 или 1.
2. Умерена корелација: Коефициентот е помеѓу -0.5 и -1 или 0.5 до 1.
3. Слаба корелација: Коефициентот е блиску до 0.
Метод за пресметување на коефициент на корелација
За пресметување на коефициентот на корелација се користат неколку вообичаени методи, вклучувајќи ја Пирсоновата корелација, Спирмановата корелација и Кендаловата корелација. Да ги разгледаме подетално сите овие методи.
1. Пирсонова корелација
Пирсоновиот коефициент на корелација често се користи кога обете променливи се континуирани и имаат нормална распределба. Формулата за Пирсоновиот коефициент на корелација е:
\[ r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^2 – (\Sigma x)^2] [n \Sigma y^2 – (\Sigma y)^2 ] } } \]
Каде:
– \( r \) = коефициент на корелација,
– \(n \) = број на парови на податоци,
– \( \Sigma xy \) = збирот на производите на паровите податоци \(x \) и \(y \),
– \( \Sigma x \) = збир од вредности \(x \),
– \( \Sigma y \) = збир од вредности \( \y \),
– \( \Sigma x^2 \) = збир од квадратите на \(x \),
– \( \Sigma y^2 \) = збир од квадратите на \(y \).
2. Корелација на рангот на Спирман
Коефициентот на корелација на Спирман се користи за редни податоци или кога претпоставката за нормалност не може да се исполни. Спирмановата корелација се базира на рангирање на вредностите на податоците, а не на нивните вистински вредности. Формулата за коефициентот на корелација на Спирман е:
\[ \rho = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
Каде:
– \( \rho \) = Спирманов коефициент на корелација,
– \(d_i \) = разлика помеѓу рангирањето на паровите податоци \(x \) и \(y \),
– \(n \) = број на парови на податоци.
3. Тау корелацијата на Кендал
Кендаловиот коефициент на корелација ја мери јачината на врската помеѓу две редни променливи. За разлика од Спирмановата, Кендаловата корелација повеќе се фокусира на бројот на конкордантни и дискордантни парови. Формулата за Кендаловиот коефициент на корелација е:
\[ \tau = \frac{ (C – D)} { \sqrt{(C + D + T) (C + D + U) } } \]
Каде:
– \( \tau \) = коефициент на корелација на Кендал,
– \( C \) = број на конкордантни парови,
– \( D \) = број на дискордонтни парови,
– \(T \) = број на парови од серијата во променливата \(x \),
– \(U \) = број на парови од серијата во променливата \(y \).
Интерпретација на коефициентот на корелација
Интерпретацијата на коефициентот на корелација зависи од вредноста на добиениот коефициент:
– Коефициент +1: Совршена позитивна врска.
– Коефициент од 0.7 до 0.9: Силна позитивна врска.
– Коефициент од 0.4 до 0.6: Умерено позитивна врска.
– Коефициент од 0.1 до 0.3: Слаба позитивна врска.
– Коефициент 0: Нема врска.
– Коефициент од -0.1 до -0.3: Слаба негативна врска.
– Коефициент од -0.4 до -0.6: Умерено негативна врска.
– Коефициент од -0.7 до -0.9: Силна негативна врска.
– Коефициент -1: Совршена негативна врска.
Примена на коефициентот на корелација
Коефициентот на корелација има широк спектар на примени во различни области, вклучувајќи економија, општествени науки, здравство, образование и друго. Еве неколку примери:
1. Економија: Одредување на врската помеѓу инфлацијата и невработеноста, или помеѓу потрошувачката и приходите.
2. Општествени науки: Утврдување на врската помеѓу образованието и приходот, или помеѓу социјалните медиуми и психолошката благосостојба.
3. Здравје: Споредување на врската помеѓу навиките за пушење и случаите на рак на белите дробови, или помеѓу активниот начин на живот и здравјето на срцето.
4. Образование: Испитување на врската помеѓу времето на учење и резултатите од испитите, или помеѓу големината на класот и постигнувањата на учениците.
Практични примери со користење на множества податоци
Да претпоставиме дека имаме збир на податоци што ги вклучува резултатите од тестовите по математика и времето за учење во часови од 10 ученици, како што следува:
„„
Студенти Часови на учење Оценки по математика
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
„„
Можеме да го пресметаме коефициентот на корелација на Пирсон помеѓу часовите на учење и математиката. Користејќи ја Пирсоновата формула, прво ги пресметуваме \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \) и \( \Sigma y^2 \), а потоа ги заменуваме овие вредности во формулата за да ја добиеме вредноста \(r \).
Заклучок
Коефициентот на корелација е моќна алатка во анализата на податоци за одредување на јачината и насоката на врската помеѓу две променливи. Разбирањето на концептот, методите за пресметување и толкувањето на коефициентот на корелација е од суштинско значење за ефективна анализа на податоци. Со правилно разбирање, можеме подобро да ги утврдиме корелациите помеѓу променливите во различни области и да донесуваме поинформирани одлуки засновани на податоци.
