پراڊڪٽ لمحي جو لاڳاپو: متغيرن جي وچ ۾ لڪير واري تعلق جي ڳولا
پيداوار-لمحي لاڳاپو، جنهن کي اڪثر ڪري پيئرسن لاڳاپو سڏيو ويندو آهي، ٻن عددي متغيرن جي وچ ۾ لڪير واري تعلق جي طاقت ۽ هدايت کي ماپڻ لاءِ سڀ کان وڌيڪ استعمال ٿيندڙ شمارياتي طريقن مان هڪ آهي. 19 صدي جي آخر ۾ ڪارل پيئرسن پاران ايجاد ڪيل، هي طريقو مختلف شعبن جهڙوڪ نفسيات، معاشيات، حياتيات، ۽ سماجي سائنس ۾ هڪ اهم اوزار طور جاري آهي.
وصف ۽ بنيادي تصورات
پراڊڪٽ مومينٽ ڪوريليشن ان درجي کي ماپي ٿو جنهن تائين ٻه متغير باهمي تعلق رکن ٿا. پيئرسن ڪوريليشن ڪوفيشيٽ، جنهن کي r طور ظاهر ڪيو ويو آهي، -1 کان +1 تائين آهي. +1 جي قيمت هڪ مڪمل مثبت لڪير واري رشتي کي ظاهر ڪري ٿي، جتي هڪ متغير ۾ واڌ کان پوءِ ٻئي ۾ واڌ ٿيندي آهي. -1 جي قيمت هڪ مڪمل منفي لڪير واري رشتي کي ظاهر ڪري ٿي، جتي هڪ متغير ۾ واڌ کان پوءِ ٻئي ۾ گهٽتائي ٿيندي آهي. ٻئي طرف، 0 جي قيمت، متغيرن جي وچ ۾ ڪو به لڪير وارو تعلق نه هجڻ جي نشاندهي ڪري ٿي.
پيئرسن ڪوريئليشن ڪوفيشيٽ جو حساب ڪرڻ
پيئرسن جي رابطي جي کوٽائي جي حساب لاءِ فارمولا هن ريت آهي:
\[ r = \frac{N(\sum XY) – (\sum X)(\sum Y)}{\sqrt{[N \sum X^2 – (\sum
ڪٿي:
– \( N \) ڊيٽا جوڙن جو تعداد آهي.
– \( X \) ۽ \( Y \) پهرين ۽ ٻئي متغيرن جا قدر آهن.
– \( \sum XY \) اسڪور \( X \) ۽ \( Y \) جي پيداوار جو مجموعو آهي.
– \( \sum X \) ۽ \( \sum Y \) قدرن جو مجموعو آهن \( X \) ۽ \( Y \).
– \( \sum X^2 \) ۽ \( \sum Y^2 \) قدرن جي چورس جو مجموعو آهن \( X \) ۽ \( Y \).
نتيجن جي تشريح
\( r \) جي قدر جي حساب ڪرڻ کان پوءِ، ايندڙ قدم نتيجن جي تشريح ڪرڻ آهي:
– \( r \) = +1: مڪمل مثبت تعلق.
– \( r \) = -1: مڪمل منفي تعلق.
– \( 0 < r < +1 \): ڪمزور کان مضبوط مثبت تعلق.
- \( -1 < r < 0 \): ڪمزور کان مضبوط منفي تعلق.
- \( r \) = 0: متغيرن جي وچ ۾ ڪو به لڪير وارو تعلق ناهي.
عام طور تي، \( r \) قدر جي ماپ پڻ تعلق جي مضبوطي جي معيار سان لاڳاپيل آهي، مثال طور: - \( 0.00 - 0.19 \): تمام گهٽ لاڳاپو.
- \( 0.20 - 0.39 \): گهٽ لاڳاپو.
- \( 0.40 - 0.59 \): وچولي لاڳاپو.
- \( 0.60 - 0.79 \): مضبوط لاڳاپو.
- \( 0.80 - 1.00 \): تمام مضبوط لاڳاپو.
جڏهن ته، اهي معيار معياري نه آهن ۽ استعمال ٿيل سائنس جي حوالي ۽ فيلڊ جي مطابق مختلف ٿي سگهن ٿا.
مختلف شعبن ۾ ايپليڪيشنون پيئرسن ڪوريليشن مختلف شعبن ۾ وڏي پيماني تي استعمال ٿيندو آهي. مثال طور، نفسيات ۾، شخصيت جي ٻن پهلوئن جي وچ ۾ تعلق کي ماپڻ لاءِ؛ معاشيات ۾، ٻن معاشي متغيرن جهڙوڪ آمدني ۽ استعمال جي وچ ۾ تعلق جو جائزو وٺڻ لاءِ؛ حياتيات ۾، ٻن حياتياتي خاصيتن جي وچ ۾ تعلق کي ڏسڻ لاءِ.
مثال طور، هڪ محقق شايد اهو ڄاڻڻ چاهيندو ته ڇا دٻاءُ ۽ ننڊ جي معيار جي وچ ۾ ڪو تعلق آهي. ڪيترن ئي ماڻهن کان دٻاءُ جي سطح ۽ ننڊ جي معيار تي ڊيٽا گڏ ڪرڻ ۽ پيئرسن ڪوريئليشن استعمال ڪندي، محقق سڃاڻپ ڪري سگهن ٿا ته ڇا انهن ٻن متغيرن جي وچ ۾ شمارياتي طور تي اهم تناسب آهي.
حدون ۽ غور جيتوڻيڪ پيئرسن ڪوريئليشن هڪ طاقتور اوزار آهي، ڪيترن ئي حدن تي غور ڪرڻ گهرجي: 1. لڪيرتا مفروضو: پيئرسن صرف لڪير لاڳاپن لاءِ موزون آهي. جيڪڏهن متغيرن جي وچ ۾ تعلق لڪير وارو نه آهي، ته اهو پيئرسن جي رابطي جي کوٽائي سان چڱي طرح نمائندگي نه ڪندو. اهڙين حالتن ۾، ٻيا باهمي تعلق جا طريقا يا غير لڪير وارو تجزيو وڌيڪ مناسب ٿي سگهي ٿو.
2. ٻاهرين ماڻهن جي حساسيت: انتهائي قدر يا ٻاهرين ماڻهو رابطي جي کوٽائي جي قدر کي خاص طور تي متاثر ڪري سگهن ٿا. تنهن ڪري، ڊيٽا جي تجزيي ۾ ٻاهرين سڃاڻپ ۽ سنڀال تمام ضروري آهي.
3. سبب نه ڏيکاريندو آهي: باهمي تعلق سببن وانگر ناهي. صرف ان ڪري جو ٻہ متغير هڪٻئي سان لاڳاپيل آهن، ان جو مطلب اهو ناهي ته هڪ متغير ٻئي متغير ۾ تبديليون آڻيندو آهي. تنهن ڪري، باهمي تعلق جي نتيجن جو احتياط سان تجزيو ڪيو وڃي، ۽ سببي لاڳاپن کي طئي ڪرڻ لاءِ اضافي تحقيق جي ضرورت پئجي سگهي ٿي.
پيئرسن ڪوريليشن جا متبادل پيئرسن ڪوريليشن کان علاوه، ٻيا به ڪيترائي ڪوريليشن طريقا آهن جيڪي ڊيٽا جي حالتن ۽ قسم جي لحاظ کان استعمال ڪري سگهجن ٿا: - اسپيئرمين ڪوريليشن: آرڊينل ڊيٽا لاءِ يا ڊيٽا لاءِ استعمال ڪيو ويندو آهي جيڪو نارملٽي ۽ لڪيريٽي جي مفروضن کي پورو نٿو ڪري. اسپيئرمين جو لاڳاپو ٻن متغيرن جي وچ ۾ هڪجهڙائي واري تعلق جي طاقت ۽ هدايت کي ماپي ٿو.
- ڪينڊل جو لاڳاپو: آرڊينل ڊيٽا يا غير معمولي ڊيٽا لاءِ پڻ. اهو ٻن ڊيٽا رينڪ جي وچ ۾ معاهدي جي سطح جو حساب ڪري ٿو.
نتيجو پراڊڪٽ مومينٽ ڪوريليشن يا پيئرسن ڪوريليشن ڊيٽا جي تجزيي ۾ هڪ اهم اوزار آهي جيڪو محققن کي ٻن عددي متغيرن جي وچ ۾ لڪير واري تعلق کي سمجهڻ جي اجازت ڏئي ٿو. رابطي جي کوٽائي جي حساب ۽ تشريح متغيرن جي وچ ۾ تعلق جي طاقت ۽ هدايت ۾ قيمتي بصيرت فراهم ڪري ٿي. بهرحال، اهو ياد رکڻ ضروري آهي ته باهمي تعلق سببيت جو مطلب نه آهي، ۽ تجزيي جي نتيجن کي مجموعي تناظر ۾ ڏسڻ گهرجي. پيئرسن ڪوريئليشن کي عقلمندي سان استعمال ڪندي، محقق پنهنجي مطالعي ڪيل ڊيٽا مان وڌيڪ صحيح ۽ لاڳاپيل عام ڪري سگهن ٿا.
