ഉൽപ്പന്ന മൊമെന്റ് പരസ്പരബന്ധം: വേരിയബിളുകൾ തമ്മിലുള്ള രേഖീയ ബന്ധം പര്യവേക്ഷണം ചെയ്യുക
പിയേഴ്സൺ കോറിലേഷൻ എന്നറിയപ്പെടുന്ന പ്രോഡക്റ്റ്-മൊമെന്റ് കോറിലേഷൻ, രണ്ട് സംഖ്യാ വേരിയബിളുകൾ തമ്മിലുള്ള ഒരു രേഖീയ ബന്ധത്തിന്റെ ശക്തിയും ദിശയും അളക്കുന്നതിനുള്ള ഏറ്റവും സാധാരണയായി ഉപയോഗിക്കുന്ന സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികളിൽ ഒന്നാണ്. 19-ാം നൂറ്റാണ്ടിന്റെ അവസാനത്തിൽ കാൾ പിയേഴ്സൺ കണ്ടുപിടിച്ച ഈ രീതി മനഃശാസ്ത്രം, സാമ്പത്തിക ശാസ്ത്രം, ജീവശാസ്ത്രം, സാമൂഹിക ശാസ്ത്രം തുടങ്ങിയ വിവിധ വിഷയങ്ങളിൽ ഒരു പ്രധാന ഉപകരണമായി തുടരുന്നു.
നിർവചനവും അടിസ്ഥാന ആശയങ്ങളും
പ്രോഡക്റ്റ് മൊമെന്റ് കോറിലേഷൻ രണ്ട് വേരിയബിളുകൾ എത്രത്തോളം പരസ്പരബന്ധിതമാണെന്ന് അളക്കുന്നു. r എന്ന് സൂചിപ്പിക്കുന്ന പിയേഴ്സൺ കോറിലേഷൻ കോഫിഫിഷ്യന്റ് -1 മുതൽ +1 വരെയാണ്. +1 ന്റെ മൂല്യം ഒരു പൂർണ്ണ പോസിറ്റീവ് ലീനിയർ ബന്ധത്തെ സൂചിപ്പിക്കുന്നു, ഇവിടെ ഒരു വേരിയബിളിലെ വർദ്ധനവിന് ശേഷം മറ്റൊന്നിൽ വർദ്ധനവുണ്ടാകും. -1 ന്റെ മൂല്യം ഒരു പൂർണ്ണ നെഗറ്റീവ് ലീനിയർ ബന്ധത്തെ സൂചിപ്പിക്കുന്നു, ഇവിടെ ഒരു വേരിയബിളിലെ വർദ്ധനവിന് ശേഷം മറ്റൊന്നിൽ കുറവ് വരും. മറുവശത്ത്, 0 ന്റെ മൂല്യം വേരിയബിളുകൾക്കിടയിൽ രേഖീയ ബന്ധമില്ലെന്ന് സൂചിപ്പിക്കുന്നു.
പിയേഴ്സൺ കോറിലേഷൻ ഗുണകം കണക്കാക്കുന്നു
പിയേഴ്സൺ കോറിലേഷൻ കോഫിഫിഷ്യന്റ് കണക്കാക്കുന്നതിനുള്ള സൂത്രവാക്യം ഇപ്രകാരമാണ്:
\[ r = \frac{N(\തുക XY) – (\തുക X)(\തുക Y)}{\sqrt{[N \തുക X^2 – (\തുക
എവിടെ:
– \( N \) എന്നത് ഡാറ്റ ജോഡികളുടെ എണ്ണമാണ്.
– \( X \) ഉം \( Y \) ഉം ഒന്നാമത്തെയും രണ്ടാമത്തെയും വേരിയബിളുകളുടെ മൂല്യങ്ങളാണ്.
– \( \sum XY \) എന്നത് \( X \) ഉം \( Y \) ഉം എന്ന സ്കോറുകളുടെ ഗുണനഫലങ്ങളുടെ ആകെത്തുകയാണ്.
– \( \sum X \) ഉം \( \sum Y \) ഉം മൂല്യങ്ങളുടെ ആകെത്തുകയാണ് \( X \) ഉം \( Y \).
– \( \sum X^2 \) ഉം \( \sum Y^2 \) ഉം മൂല്യങ്ങളുടെ വർഗ്ഗങ്ങളുടെ ആകെത്തുകയാണ് \( X \) ഉം \( Y \).
ഫലങ്ങളുടെ വ്യാഖ്യാനം
\( r \) ന്റെ മൂല്യം കണക്കാക്കിയ ശേഷം, അടുത്ത ഘട്ടം ഫലങ്ങൾ വ്യാഖ്യാനിക്കുക എന്നതാണ്:
– \( r \) = +1: തികഞ്ഞ പോസിറ്റീവ് ബന്ധം.
– \( r \) = -1: പൂർണ്ണമായ നെഗറ്റീവ് ബന്ധം.
– \( 0 < r < +1 \): ദുർബലമായത് മുതൽ ശക്തമായ പോസിറ്റീവ് ബന്ധം. - \( -1 < r < 0 \): ദുർബലമായത് മുതൽ ശക്തമായ നെഗറ്റീവ് ബന്ധം. - \( r \) = 0: വേരിയബിളുകൾക്കിടയിൽ ഒരു രേഖീയ ബന്ധവുമില്ല. പൊതുവേ, \( r \) ന്റെ മൂല്യം ബന്ധത്തിന്റെ ശക്തിയുടെ മാനദണ്ഡങ്ങളുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, ഉദാഹരണത്തിന്: - \( 0.00 - 0.19 \): വളരെ കുറഞ്ഞ പരസ്പരബന്ധം. - \( 0.20 - 0.39 \): കുറഞ്ഞ പരസ്പരബന്ധം. - \( 0.40 - 0.59 \): മിതമായ പരസ്പരബന്ധം. - \( 0.60 - 0.79 \): ശക്തമായ പരസ്പരബന്ധം. - \( 0.80 - 1.00 \): വളരെ ശക്തമായ പരസ്പരബന്ധം. എന്നിരുന്നാലും, ഈ മാനദണ്ഡങ്ങൾ സ്റ്റാൻഡേർഡ് അല്ല, ഉപയോഗിക്കുന്ന ശാസ്ത്രത്തിന്റെ സന്ദർഭവും മേഖലയും അനുസരിച്ച് വ്യത്യാസപ്പെടാം.
വിവിധ മേഖലകളിലെ പ്രയോഗങ്ങൾ പിയേഴ്സൺ കോറിലേഷൻ വിവിധ മേഖലകളിൽ വ്യാപകമായി ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, മനഃശാസ്ത്രത്തിൽ, വ്യക്തിത്വത്തിന്റെ രണ്ട് വശങ്ങൾ തമ്മിലുള്ള ബന്ധം അളക്കാൻ; സാമ്പത്തിക ശാസ്ത്രത്തിൽ, വരുമാനം, ഉപഭോഗം തുടങ്ങിയ രണ്ട് സാമ്പത്തിക വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധം വിലയിരുത്താൻ; ജീവശാസ്ത്രത്തിൽ, രണ്ട് ജൈവ സവിശേഷതകൾ തമ്മിലുള്ള ബന്ധം പരിശോധിക്കാൻ. ഉദാഹരണത്തിന്, സമ്മർദ്ദവും ഉറക്കത്തിന്റെ ഗുണനിലവാരവും തമ്മിൽ ബന്ധമുണ്ടോ എന്ന് നിർണ്ണയിക്കാൻ ഒരു ഗവേഷകൻ ആഗ്രഹിച്ചേക്കാം. നിരവധി വ്യക്തികളിൽ നിന്ന് സമ്മർദ്ദ നിലകളെയും ഉറക്കത്തിന്റെ ഗുണനിലവാരത്തെയും കുറിച്ചുള്ള ഡാറ്റ ശേഖരിക്കുന്നതിലൂടെയും പിയേഴ്സൺ കോറിലേഷൻ ഉപയോഗിക്കുന്നതിലൂടെയും, ഈ രണ്ട് വേരിയബിളുകൾക്കിടയിൽ സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് പ്രാധാന്യമുള്ള ബന്ധമുണ്ടോ എന്ന് ഗവേഷകന് തിരിച്ചറിയാൻ കഴിയും. പരിമിതികളും പരിഗണനകളും പിയേഴ്സൺ കോറിലേഷൻ ഒരു ശക്തമായ ഉപകരണമാണെങ്കിലും, നിരവധി പരിമിതികൾ പരിഗണിക്കണം: 1. ലീനിയറിറ്റി അനുമാനം: പിയേഴ്സൺ ലീനിയർ ബന്ധങ്ങൾക്ക് മാത്രമേ അനുയോജ്യമാകൂ. വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധം രേഖീയമല്ലെങ്കിൽ, പിയേഴ്സൺ കോറിലേഷൻ കോഫിഫിഷ്യന്റ് അതിനെ നന്നായി പ്രതിനിധീകരിക്കില്ല. അത്തരം സാഹചര്യങ്ങളിൽ, മറ്റ് കോറിലേഷൻ രീതികളോ നോൺ-ലീനിയർ വിശകലനമോ കൂടുതൽ ഉചിതമായിരിക്കും. 2. ഔട്ട്ലിയറുകളോടുള്ള സംവേദനക്ഷമത: എക്സ്ട്രീം മൂല്യങ്ങൾ, അല്ലെങ്കിൽ ഔട്ട്ലിയറുകൾ, കോറിലേഷൻ കോഫിഫിഷ്യന്റ് മൂല്യത്തെ സാരമായി ബാധിക്കും. അതുകൊണ്ട്, ഡാറ്റാ വിശകലനത്തിൽ ഔട്ട്ലൈയറുകൾ കണ്ടെത്തുന്നതും കൈകാര്യം ചെയ്യുന്നതും നിർണായകമാണ്.
3. കാര്യകാരണബന്ധം പ്രകടമാക്കുന്നില്ല: പരസ്പരബന്ധം കാര്യകാരണബന്ധത്തിന് തുല്യമല്ല. രണ്ട് വേരിയബിളുകൾ പരസ്പരബന്ധിതമാണെന്നതുകൊണ്ട് ഒരു വേരിയബിൾ മറ്റൊന്നിൽ മാറ്റങ്ങൾ വരുത്തുന്നുവെന്ന് അർത്ഥമാക്കുന്നില്ല. അതിനാൽ, പരസ്പരബന്ധ ഫലങ്ങൾ ശ്രദ്ധാപൂർവ്വം വിശകലനം ചെയ്യണം, കൂടാതെ ഒരു കാര്യകാരണബന്ധം നിർണ്ണയിക്കാൻ അധിക ഗവേഷണം ആവശ്യമായി വന്നേക്കാം. പിയേഴ്സൺ പരസ്പരബന്ധത്തിനുള്ള ബദലുകൾ പിയേഴ്സൺ പരസ്പരബന്ധത്തിന് പുറമേ, അവസ്ഥകളെയും ഡാറ്റയുടെ തരത്തെയും ആശ്രയിച്ച് ഉപയോഗിക്കാവുന്ന മറ്റ് നിരവധി പരസ്പരബന്ധന രീതികളുണ്ട്: - സ്പിയർമാൻ പരസ്പരബന്ധം: ഓർഡിനൽ ഡാറ്റയ്ക്കോ സാധാരണത്വത്തിന്റെയും രേഖീയതയുടെയും അനുമാനങ്ങൾ പാലിക്കാത്ത ഡാറ്റയ്ക്കോ ഉപയോഗിക്കുന്നു. സ്പിയർമാൻ പരസ്പരബന്ധം രണ്ട് വേരിയബിളുകൾ തമ്മിലുള്ള മോണോടോണിക് ബന്ധത്തിന്റെ ശക്തിയും ദിശയും അളക്കുന്നു. - കെൻഡൽ പരസ്പരബന്ധം: ഓർഡിനൽ ഡാറ്റയ്ക്കോ സാധാരണമല്ലാത്ത ഡാറ്റയ്ക്കോ വേണ്ടിയും. രണ്ട് ഡാറ്റ റാങ്കുകൾ തമ്മിലുള്ള കരാറിന്റെ അളവ് ഇത് കണക്കാക്കുന്നു. ഉപസംഹാരം ഉൽപ്പന്ന നിമിഷ പരസ്പരബന്ധം അല്ലെങ്കിൽ പിയേഴ്സൺ പരസ്പരബന്ധം ഡാറ്റ വിശകലനത്തിലെ ഒരു പ്രധാന ഉപകരണമാണ്, ഇത് ഗവേഷകർക്ക് രണ്ട് സംഖ്യാ വേരിയബിളുകൾ തമ്മിലുള്ള രേഖീയ ബന്ധം മനസ്സിലാക്കാൻ അനുവദിക്കുന്നു. പരസ്പരബന്ധന ഗുണകത്തിന്റെ കണക്കുകൂട്ടലും വ്യാഖ്യാനവും വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധത്തിന്റെ ശക്തിയെയും ദിശയെയും കുറിച്ചുള്ള വിലപ്പെട്ട ഉൾക്കാഴ്ചകൾ നൽകുന്നു. എന്നിരുന്നാലും, പരസ്പരബന്ധം കാര്യകാരണബന്ധത്തെ സൂചിപ്പിക്കുന്നില്ല എന്ന കാര്യം ഓർമ്മിക്കേണ്ടത് പ്രധാനമാണ്, വിശകലനത്തിന്റെ ഫലങ്ങൾ മൊത്തത്തിലുള്ള സന്ദർഭത്തിൽ കാണണം. പിയേഴ്സൺ പരസ്പരബന്ധം ബുദ്ധിപൂർവ്വം ഉപയോഗിക്കുന്നതിലൂടെ, ഗവേഷകർക്ക് അവർ പഠിക്കുന്ന ഡാറ്റയിൽ നിന്ന് കൂടുതൽ കൃത്യവും പ്രസക്തവുമായ സാമാന്യവൽക്കരണങ്ങൾ നടത്താൻ കഴിയും.
