Kanonisk korrelasjonsanalyse
Pendahuluan
I mange studier møter forskere ofte situasjoner der det finnes to sett med variabler, som hver består av flere indikatorer. Innen utdanningsfeltet kan vi for eksempel ha et sett med variabler om læringsfaktorer (motivasjon, studietimer, familiestøtte, internettilgang) og et sett med variabler om læringsutbytte (mattekarakterer, språkkarakterer, naturfagkarakterer og gjennomsnittskarakterer). Det viktige spørsmålet er ikke bare «er motivasjon relatert til mattekarakterer?», men snarere «hvor sterk er den overordnede sammenhengen mellom settet med læringsfaktorer og settet med læringsutbytte?» For å svare på slike spørsmål er kanonisk korrelasjonsanalyse (CCA) en av de mest relevante multivariate statistiske metodene.
Kanonisk korrelasjonsanalyse ble utviklet for å måle og forklare forholdet mellom to sett med variabler samtidig. Med andre ord utvider CCA konseptet med enkel korrelasjon (mellom to variabler) til en korrelasjon mellom to lineære kombinasjoner av to sett med variabler. Denne artikkelen diskuterer de grunnleggende konseptene, målene, analysetrinnene, tolkningen samt fordeler og begrensninger ved CCA.
Grunnleggende konsept for kanonisk korrelasjon
Ordinær korrelasjon (f.eks. Pearson-korrelasjon) måler styrken til det lineære forholdet mellom to variabler, for eksempel X og Y. CCA generaliserer dette konseptet ved å danne to nye variabler som lineære kombinasjoner:
– Den første kanoniske variablen for settet X:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– Første kanoniske variable for sett Y:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
Koeffisientene a og b velges slik at korrelasjonen mellom U og V er maksimal. Denne maksimale korrelasjonen kalles den første kanoniske korrelasjonen. Når det første paret er oppnådd, kan CCA danne påfølgende par av variabler (andre, tredje osv.) som er ortogonale (ukorrelerte) til det foregående paret.
Antall mulige kanoniske variablepar er min(p, q), som er det minste antallet variabler mellom de to settene.
Formål og bruk
CCA brukes når forskningsmålene er:
1. Mål styrken på assosiasjonen mellom to sett med variabler som en helhet.
2. Identifiser den mest relaterte kombinasjonen av variabler i mengden X og mengden Y.
3. Reduser dimensjonene av multivariate sammenhenger til flere par av variabler som er lettere å tolke.
4. Utforskning av mønstre i dataene: hvilke variabler forklarer hovedsakelig forholdet mellom de to domenene.
Eksempel på applikasjonskontekst:
– Psykologi: forholdet mellom settet med «personlighetstrekk» og settet med «indikatorer for mental helse».
– Økonomi: forholdet mellom settet med «makroindikatorer» og settet med «arbeidsmarkedsindikatorer».
– Helsevitenskap: forholdet mellom et sett med «livsvaner» og et sett med «kliniske parametere».
Dataforutsetninger og krav
Som mange multivariate metoder har CCA en rekke forutsetninger som må vurderes for at resultatene skal være stabile og tolkbare:
1. Lineært forhold: CCA fanger opp det lineære forholdet mellom sett. Hvis forholdet er ikke-lineært, kan den kanoniske korrelasjonen undervurdere styrken på forholdet.
2. Multivariat normalitet: Ideelt sett følger variabler en multivariat normalfordeling, spesielt for signifikanstesting. I praksis brukes imidlertid CCA ofte utforskende selv når dataene ikke er helt normale.
3. Det er ingen ekstrem multikollinearitet i hvert sett: svært korrelerte variabler kan gjøre koeffisientestimater ustabile.
4. Tilstrekkelig utvalgsstørrelse: en vanlig tommelfingerregel er minimum 10–20 observasjoner per variabel, selv om forskningskonteksten kan kreve mer.
I tillegg må variabler være på en sammenlignbar eller standardisert skala (z-score) slik at koeffisientene er enklere å sammenligne.
Trinn i kanonisk korrelasjonsanalyse
Generelt inkluderer stadiene i å gjennomføre CCA:
1. Bestem to sett med variabler
Sørg for at variabler grupperes basert på teori eller konseptuelt rammeverk, ikke bare prøving og feiling.
2. Datakontroll
Inkludert manglende data (manglende verdier), uteliggere, normalitetstester og korrelasjoner innenfor hvert sett (for å oppdage multikollinearitet).
3. Estimering av kanoniske variabler
Genererer variatepar U₁–V₁, U₂–V₂, og så videre.
4. Beregning av den kanoniske korrelasjonen
Korrelasjonen mellom U_k og V_k for hvert k-te par.
5. Signifikanstest
Tester om den oppnådde kanoniske korrelasjonen er statistisk forskjellig fra null. Vanlig brukte tester er Wilks' Lambda, Pillais spor (oftere i MANOVA), Hotellings spor og Roys største rot. I CCA er Wilks' Lambda ofte det foretrukne valget.
6. Tolkning av resultater
Inkluderer vurdering av størrelsen på korrelasjon, belastninger, vekter og variable bidrag.
Slik leser og tolker du CCA-utdata
CCA-utdata inneholder vanligvis flere viktige komponenter:
1. Kanoniske korrelasjoner
Denne verdien indikerer styrken på forholdet mellom variablene U og V i et bestemt par. For eksempel indikerer en første kanonisk korrelasjon på 0,80 en sterk lineær sammenheng mellom kombinasjonen av variablene X og kombinasjonen av variablene Y i den første dimensjonen.
Den kanoniske R², kvadratet av den kanoniske korrelasjonen, rapporteres også ofte. Hvis r = 0,80, så er R² = 0,64, som betyr at omtrent 64 % av variasjonen i den kanoniske variatoren Y kan forklares av den kanoniske variatoren X (og omvendt) på den dimensjonen, i betydningen forholdet mellom variablene, ikke mellom de opprinnelige variablene.
2. Kanoniske vekter (kanoniske vekter / koeffisienter)
Vekter er koeffisientene a og b som danner variablene U og V. Vekter er imidlertid ofte følsomme for multikollinearitet, slik at substantiv tolkning vanligvis ikke utelukkende er avhengig av vekter.
3. Kanoniske belastninger (kanoniske belastninger / strukturkoeffisienter)
Lasting er korrelasjonen mellom den opprinnelige variabelen og dens kanoniske variabel. For eksempel betyr en lasting av X₂ på U₁ på 0,70 at X₂ bidrar sterkt til den første kanoniske dimensjonen på siden av mengden X. Lastinger er generelt mer stabile og lettere å tolke enn vekter.
4. Kryssbelastninger
Kryssbelastning er korrelasjonen mellom variabler fra ett sett med kanoniske variabler fra et annet sett (f.eks. korrelasjonen mellom X₁ og V₁). Dette bidrar til å forstå hvilke variabler som er nærmest relatert til dimensjonene i krysssettforholdet.
5. Redundansindeks
Redundansindeksen indikerer hvor mye av variansen til de opprinnelige variablene i ett sett som kan forklares av de kanoniske variablene fra et annet sett. Dette er viktig fordi en høy kanonisk korrelasjon ikke nødvendigvis indikerer høy forklaringskraft for de opprinnelige variablene. Redundans brukes ofte til å vurdere praktisk verdi (ikke bare statistisk signifikans).
Enkel illustrasjon
Anta at en studie undersøker forholdet mellom:
– Sett X (arbeidsforhold): X₁ = arbeidsmengde, X₂ = støtte fra veileder, X₃ = fleksibilitet i arbeidstiden
– Sett Y (velvære): Y₁ = stress, Y₂ = jobbtilfredshet, Y₃ = søvnkvalitet
CCA kan finne en signifikant første kanonisk korrelasjon på r = 0,75. Belastninger indikerer at arbeidsmengde og støtte fra veileder sterkest danner U₁, mens stress og jobbtilfredshet sterkest danner V₁. Den substantive tolkningen: hoveddimensjonen i forholdet mellom arbeidsforhold og velvære er kombinasjonen av «arbeidspress vs. støtte» som er nært knyttet til «stress og tilfredshet».
Fordeler med kanonisk korrelasjonsanalyse
1. Omfattende: fanger opp forholdet mellom to sett med variabler samtidig.
2. Reduser risikoen for gjentatt testing: sammenlignet med å utføre mange én-til-én-korrelasjoner, noe som øker sjansen for type I-feil.
3. Hjelper med å finne latente strukturer: avdekker dimensjoner av sammenhenger som ikke er synlige fra univariat analyse.
Begrensninger og utfordringer
1. Tolkning kan være kompleks: mange komponenter (vekter, belastninger, redundanser) må sees sammen.
2. Følsom for multikollinearitet og små utvalgsstørrelser: kan produsere ustabile koeffisienter.
3. Lineære av natur: ikke-lineære sammenhenger registreres ikke med mindre en transformasjon eller annen tilnærming utføres.
4. Krever et teoretisk grunnlag: uten et klart konseptuelt rammeverk er tolkningen av kanoniske dimensjoner tilbøyelig til å bli spekulativ.
Lukking
Kanonisk korrelasjonsanalyse er en kraftig multivariat metode for å forstå forholdet mellom to sett med variabler samtidig. Ved å konstruere kanoniske variabler som maksimerer krysssettkorrelasjoner, lar CCA forskere se mer omfattende mønstre av sammenhenger enn enkel korrelasjon eller enkelt regresjon. Bruken krever imidlertid oppmerksomhet på antagelser, datakvalitet og passende tolkningsstrategier (spesielt med vekt på belastninger, kryssbelastninger og redundans). I forskning som involverer flere indikatorer på tvers av to primære domener, kan CCA være et kraftig verktøy for å utforske og oppsummere komplekse sammenhenger i meningsfulle dimensjoner.
