क्यानोनिकल सहसम्बन्ध विश्लेषण

क्यानोनिकल सहसम्बन्ध विश्लेषण

पेन्डाहुलुआन
धेरै अध्ययनहरूमा, अनुसन्धानकर्ताहरूले प्रायः दुई सेट चरहरू हुन्छन् जहाँ प्रत्येकमा धेरै सूचकहरू हुन्छन्। उदाहरणका लागि, शिक्षाको क्षेत्रमा, हामीसँग सिकाइ कारकहरू (प्रेरणा, अध्ययन घण्टा, पारिवारिक सहयोग, इन्टरनेट पहुँच) र सिकाइ परिणामहरू (गणित ग्रेड, भाषा ग्रेड, विज्ञान ग्रेड, र ग्रेड पोइन्ट औसत) बारे चरहरूको सेट हुन सक्छ। महत्त्वपूर्ण प्रश्न केवल "के प्रेरणा गणित ग्रेडसँग सम्बन्धित छ?" होइन, बरु "सिकाइ कारकहरूको सेट र सिकाइ परिणामहरूको सेट बीचको समग्र सम्बन्ध कति बलियो छ?" हो। यस्ता प्रश्नहरूको जवाफ दिन, क्यानोनिकल सहसम्बन्ध विश्लेषण (CCA) सबैभन्दा सान्दर्भिक बहु-चर सांख्यिकीय विधिहरू मध्ये एक हो।

दुई चर सेटहरू बीचको सम्बन्धलाई एकैसाथ मापन र व्याख्या गर्न क्यानोनिकल सहसम्बन्ध विश्लेषण विकसित गरिएको थियो। अर्को शब्दमा, CCA ले साधारण सहसम्बन्ध (दुई चरहरू बीच) को अवधारणालाई दुई चर सेटहरूको दुई रेखीय संयोजनहरू बीचको सहसम्बन्धमा विस्तार गर्दछ। यस लेखले CCA को आधारभूत अवधारणाहरू, उद्देश्यहरू, विश्लेषण चरणहरू, व्याख्या, र फाइदाहरू र सीमितताहरूको बारेमा छलफल गर्दछ।

क्यानोनिकल सहसम्बन्धको आधारभूत अवधारणा
साधारण सहसम्बन्ध (जस्तै पियर्सन सहसम्बन्ध) ले दुई चरहरू बीचको रेखीय सम्बन्धको बल मापन गर्दछ, मानौं X र Y। CCA ले दुई नयाँ चरहरूलाई रेखीय संयोजनको रूपमा गठन गरेर यो अवधारणालाई सामान्यीकृत गर्दछ:

– सेट X को लागि पहिलो क्यानोनिकल भेरिएट:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
- सेट Y को लागि पहिलो क्यानोनिकल भेरिएट:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q

गुणांक a र b लाई यसरी छनोट गरिन्छ कि U र V बीचको सहसम्बन्ध अधिकतम होस्। यो अधिकतम सहसम्बन्धलाई पहिलो क्यानोनिकल सहसम्बन्ध भनिन्छ। पहिलो जोडी प्राप्त भएपछि, CCA ले चरहरूको पछिल्ला जोडीहरू (दोस्रो, तेस्रो, र यस्तै) बनाउन सक्छ जुन अघिल्लो जोडीसँग अर्थोगोनल (असम्बन्धित) हुन्छन्।

सम्भावित क्यानोनिकल भेरिएट जोडीहरूको संख्या min(p, q) हो, जुन दुई सेटहरू बीचको चरहरूको सबैभन्दा सानो संख्या हो।

उद्देश्य र प्रयोग
अनुसन्धान उद्देश्यहरू हुँदा CCA प्रयोग गरिन्छ:

१. समग्रमा दुई चर सेटहरू बीचको सम्बन्धको बल मापन गर्नुहोस्।
२. सेट X र सेट Y मा चरहरूको सबैभन्दा सम्बन्धित संयोजन पहिचान गर्नुहोस्।
३. बहुचर सम्बन्धहरूको आयामहरूलाई व्याख्या गर्न सजिलो हुने धेरै जोडी चरहरूमा घटाउनुहोस्।
४. डेटामा ढाँचाहरूको अन्वेषण: कुन चरहरूले मुख्यतया दुई डोमेनहरू बीचको सम्बन्धलाई व्याख्या गर्छन्।

उदाहरण आवेदन सन्दर्भ:
- मनोविज्ञान: "व्यक्तित्व विशेषताहरू" को सेट र "मानसिक स्वास्थ्य सूचकहरू" को सेट बीचको सम्बन्ध।
– अर्थतन्त्र: “म्याक्रो सूचकहरू” को सेट र “श्रम बजार सूचकहरू” को सेट बीचको सम्बन्ध।
- स्वास्थ्य विज्ञान: "जीवन बानी" को सेट र "क्लिनिकल प्यारामिटरहरू" को सेट बीचको सम्बन्ध।

डेटा अनुमान र आवश्यकताहरू
धेरै बहुचर विधिहरू जस्तै, CCA मा धेरै धारणाहरू छन् जुन परिणामहरू स्थिर र व्याख्यायोग्य हुनको लागि विचार गर्न आवश्यक छ:

१. रेखीय सम्बन्ध: CCA ले सेटहरू बीचको रेखीय सम्बन्धलाई कैद गर्दछ। यदि सम्बन्ध गैर-रेखीय छ भने, क्यानोनिकल सहसम्बन्धले सम्बन्धको बललाई कम आँकलन गर्न सक्छ।
२. बहुचर सामान्यता: आदर्श रूपमा, चरहरूले बहुचर सामान्य वितरण पछ्याउँछन्, विशेष गरी महत्व परीक्षणको लागि। यद्यपि, व्यवहारमा, डेटा पूर्ण रूपमा सामान्य नभए पनि CCA प्रायः अन्वेषणात्मक रूपमा प्रयोग गरिन्छ।
३. प्रत्येक सेटमा कुनै चरम बहु-रेखीयता हुँदैन: अत्यधिक सहसम्बन्धित चरहरूले गुणांक अनुमानहरूलाई अस्थिर बनाउन सक्छ।
४. पर्याप्त नमूना आकार: एउटा सामान्य नियम भनेको प्रति चर न्यूनतम १०-२० अवलोकनहरू हुनु हो, यद्यपि अनुसन्धान सन्दर्भले बढी माग गर्न सक्छ।

यसको अतिरिक्त, चरहरू तुलनात्मक वा मानकीकृत स्केल (z-स्कोर) मा हुनु आवश्यक छ ताकि गुणांकहरू तुलना गर्न सजिलो होस्।

क्यानोनिकल सहसम्बन्ध विश्लेषणका चरणहरू
सामान्यतया, CCA सञ्चालन गर्ने चरणहरूमा समावेश छन्:

१. चरका दुई सेट निर्धारण गर्नुहोस्
चरहरूलाई केवल परीक्षण र त्रुटि मात्र नभई सिद्धान्त वा अवधारणात्मक ढाँचाको आधारमा समूहबद्ध गरिएको सुनिश्चित गर्नुहोस्।

२. डेटा जाँच
हराएको डेटा (हराएको मानहरू), आउटलियरहरू, सामान्यता परीक्षणहरू, र प्रत्येक सेट भित्र सहसम्बन्धहरू (बहु-समानरेखीयता पत्ता लगाउन) सहित।

३. क्यानोनिकल भेरिएटहरूको अनुमान गर्ने
U₁–V₁, U₂–V₂, र यस्तै अन्य भिन्न जोडीहरू उत्पन्न गर्दछ।

४. क्यानोनिकल सहसम्बन्ध गणना गर्दै
प्रत्येक kth जोडीको लागि U_k र V_k बीचको सहसम्बन्ध।

५. महत्व परीक्षण
प्राप्त क्यानोनिकल सहसम्बन्ध तथ्याङ्कीय रूपमा शून्यबाट फरक छ कि छैन भनेर परीक्षण गर्दछ। सामान्यतया प्रयोग हुने परीक्षणहरू विल्क्सको ल्याम्ब्डा, पिल्लईको ट्रेस (प्रायः MANOVA मा), होटेलिंगको ट्रेस, र रोयको सबैभन्दा ठूलो जरा हुन्। CCA मा, विल्क्सको ल्याम्ब्डा प्रायः रुचाइएको विकल्प हो।

६. नतिजाको व्याख्या
सहसम्बन्ध, भार, तौल, र चर योगदानको परिमाणको मूल्याङ्कन समावेश गर्दछ।

CCA आउटपुट कसरी पढ्ने र व्याख्या गर्ने
CCA आउटपुटमा सामान्यतया धेरै महत्त्वपूर्ण घटकहरू समावेश हुन्छन्:

१. क्यानोनिकल सहसम्बन्धहरू
यो मानले कुनै विशेष जोडीमा चर U र V बीचको सम्बन्धको बललाई जनाउँछ। उदाहरणका लागि, ०.८० को पहिलो क्यानोनिकल सहसम्बन्धले पहिलो आयाममा चर X को संयोजन र चर Y को संयोजन बीचको बलियो रेखीय सम्बन्धलाई जनाउँछ।

क्यानोनिकल R², क्यानोनिकल सहसम्बन्धको वर्ग, पनि प्रायः रिपोर्ट गरिन्छ। यदि r = ०.८० छ भने R² = ०.६४, जसको अर्थ क्यानोनिकल भेरिएट Y मा लगभग ६४% भिन्नतालाई क्यानोनिकल भेरिएट X (र यसको विपरीत) द्वारा त्यो आयाममा व्याख्या गर्न सकिन्छ, भेरिएटहरू बीचको सम्बन्धको अर्थमा, मूल चरहरू बीचको होइन।

२. क्यानोनिकल तौल (क्यानोनिकल तौल / गुणांक)
तौल भनेको a र b गुणांकहरू हुन् जसले U र V लाई रूप दिन्छन्। यद्यपि, तौलहरू प्रायः बहु-रेखीयताप्रति संवेदनशील हुन्छन् त्यसैले सारभूत व्याख्या सामान्यतया तौलहरूमा मात्र निर्भर हुँदैन।

३. क्यानोनिकल लोडिङ (क्यानोनिकल लोडिङ / संरचना गुणांक)
लोडिङ भनेको मूल चर र यसको क्यानोनिकल भेरिएट बीचको सहसम्बन्ध हो। उदाहरणका लागि, ०.७० को U₁ मा X₂ को लोडिङको अर्थ X₂ ले सेट X को छेउमा पहिलो क्यानोनिकल आयाममा बलियो योगदान पुर्‍याउँछ। लोडिङहरू सामान्यतया तौलहरू भन्दा बढी स्थिर र व्याख्या गर्न सजिलो हुन्छन्।

४. क्रस-लोडिङहरू
क्रस-लोडिङ भनेको एउटा सेटको चरहरू र अर्को सेटको क्यानोनिकल चरहरू बीचको सहसम्बन्ध हो (जस्तै, X₁ को V₁ सँगको सहसम्बन्ध)। यसले कुन चरहरू क्रस-सेट सम्बन्धको आयामहरूसँग सबैभन्दा नजिकबाट सम्बन्धित छन् भनेर बुझ्न मद्दत गर्दछ।

५. रिडन्डन्सी सूचकांक
रिडन्डन्सी सूचकांकले एउटा सेटमा रहेको मूल चरहरूको कति भिन्नता अर्को सेटबाट क्यानोनिकल चरहरूद्वारा व्याख्या गर्न सकिन्छ भनेर संकेत गर्छ। यो महत्त्वपूर्ण छ किनभने उच्च क्यानोनिकल सहसम्बन्धले मूल चरहरूको लागि उच्च व्याख्यात्मक शक्तिलाई संकेत गर्दैन। रिडन्डन्सी प्रायः व्यावहारिक मूल्य (केवल तथ्याङ्कीय महत्त्व मात्र होइन) मूल्याङ्कन गर्न प्रयोग गरिन्छ।

सरल चित्रण
मानौं एउटा अध्ययनले निम्न बीचको सम्बन्धको जाँच गर्छ:

– सेट X (काम गर्ने अवस्था): X₁ = कार्यभार, X₂ = पर्यवेक्षक समर्थन, X₃ = काम गर्ने घण्टाको लचिलोपन
– सेट Y (स्वास्थ्य): Y₁ = तनाव, Y₂ = काम सन्तुष्टि, Y₃ = निद्राको गुणस्तर

CCA ले r = ०.७५ को एक महत्वपूर्ण पहिलो क्यानोनिकल सहसम्बन्ध फेला पार्न सक्छ। लोडिङले संकेत गर्दछ कि कार्यभार र पर्यवेक्षक समर्थन सबैभन्दा बलियो रूपमा U₁ बाट बनेको छ, जबकि तनाव र काम सन्तुष्टि सबैभन्दा बलियो रूपमा V₁ बाट बनेको छ। सारभूत व्याख्या: काम गर्ने अवस्था र कल्याण बीचको सम्बन्धको मुख्य आयाम "कामको दबाब बनाम समर्थन" को संयोजन हो जुन "तनाव र सन्तुष्टि" सँग नजिकको सम्बन्ध छ।

क्यानोनिकल सहसम्बन्ध विश्लेषणका फाइदाहरू
१. व्यापक: एकैचोटि दुई सेट चरहरू बीचको सम्बन्धलाई कैद गर्दछ।
२. बारम्बार परीक्षणको जोखिम कम गर्नुहोस्: धेरै एक-एक सहसम्बन्धहरू प्रदर्शन गर्ने तुलनामा जसले प्रकार I त्रुटिको सम्भावना बढाउँछ।
३. सुप्त संरचनाहरू फेला पार्न मद्दत गर्दछ: एकरूप विश्लेषणबाट नदेखिने सम्बन्धहरूको आयामहरू प्रकट गर्दछ।

सीमितता र चुनौतीहरू
१. व्याख्या जटिल हुन सक्छ: धेरै घटकहरू (तौल, भार, अनावश्यकता) सँगै हेर्नुपर्छ।
२. बहु-रेखीयता र सानो नमूना आकारहरू प्रति संवेदनशील: अस्थिर गुणांकहरू उत्पादन गर्न सक्छ।
३. रेखीय प्रकृति: रूपान्तरण वा अन्य दृष्टिकोण नगरेसम्म गैर-रेखीय सम्बन्धहरू कैद हुँदैनन्।
४. सैद्धान्तिक आधार चाहिन्छ: स्पष्ट वैचारिक रूपरेखा बिना, क्यानोनिकल आयामहरूको व्याख्या अनुमानात्मक हुने सम्भावना हुन्छ।

बन्द
क्यानोनिकल सहसम्बन्ध विश्लेषण एकैसाथ दुई चरहरूको सेट बीचको सम्बन्ध बुझ्नको लागि एक शक्तिशाली बहु-चर विधि हो। क्रस-सेट सहसम्बन्धहरूलाई अधिकतम बनाउने क्यानोनिकल चरहरू निर्माण गरेर, CCA ले अनुसन्धानकर्ताहरूलाई साधारण सहसम्बन्ध वा एकल प्रतिगमन भन्दा सम्बन्धहरूको अधिक व्यापक ढाँचाहरू हेर्न अनुमति दिन्छ। यद्यपि, यसको प्रयोगको लागि अनुमानहरू, डेटा गुणस्तर, र उपयुक्त व्याख्या रणनीतिहरूमा ध्यान आवश्यक छ (विशेष गरी लोडिङ, क्रस-लोडिङ, र रिडन्डन्सीमा जोड दिएर)। दुई प्राथमिक डोमेनहरूमा धेरै सूचकहरू समावेश गर्ने अनुसन्धानमा, CCA जटिल सम्बन्धहरूलाई अर्थपूर्ण आयामहरूमा अन्वेषण र संक्षेप गर्नको लागि एक शक्तिशाली उपकरण हुन सक्छ।