කැනොනිකල් සහසම්බන්ධතා විශ්ලේෂණය
පෙන්ඩහුලුවන්
බොහෝ අධ්යයනයන්හිදී, පර්යේෂකයන්ට බොහෝ විට දර්ශක කිහිපයකින් සමන්විත විචල්ය කට්ටල දෙකක් ඇති අවස්ථාවන්ට මුහුණ දීමට සිදුවේ. උදාහරණයක් ලෙස, අධ්යාපන ක්ෂේත්රය තුළ, ඉගෙනුම් සාධක පිළිබඳ විචල්ය කට්ටලයක් (අභිප්රේරණය, අධ්යයන වේලාවන්, පවුල් සහයෝගය, අන්තර්ජාල ප්රවේශය) සහ ඉගෙනුම් ප්රතිඵල පිළිබඳ විචල්ය කට්ටලයක් (ගණිත ශ්රේණි, භාෂා ශ්රේණි, විද්යා ශ්රේණි සහ ශ්රේණි ලකුණු සාමාන්ය) අපට තිබිය හැකිය. වැදගත් ප්රශ්නය වන්නේ "අභිප්රේරණය ගණිත ශ්රේණිවලට සම්බන්ධද?" යන්න නොව, "ඉගෙනුම් සාධක සමූහය සහ ඉගෙනුම් ප්රතිඵල සමූහය අතර සමස්ත සම්බන්ධතාවය කෙතරම් ශක්තිමත්ද?" යන්නයි. මෙවැනි ප්රශ්නවලට පිළිතුරු සැපයීම සඳහා, කැනොනිකල් සහසම්බන්ධතා විශ්ලේෂණය (CCA) යනු වඩාත් අදාළ බහුවිචල්ය සංඛ්යානමය ක්රමවලින් එකකි.
කැනොනිකල් සහසම්බන්ධතා විශ්ලේෂණය සංවර්ධනය කරන ලද්දේ එකවර විචල්ය කට්ටල දෙකක් අතර සම්බන්ධතාවය මැනීම සහ පැහැදිලි කිරීම සඳහා ය. වෙනත් වචන වලින් කිවහොත්, CCA සරල සහසම්බන්ධතා සංකල්පය (විචල්ය දෙකක් අතර) විචල්ය කට්ටල දෙකක රේඛීය සංයෝජන දෙකක් අතර සහසම්බන්ධතාවයක් දක්වා විහිදේ. මෙම ලිපිය CCA හි මූලික සංකල්ප, අරමුණු, විශ්ලේෂණ පියවර, අර්ථ නිරූපණය සහ වාසි සහ සීමාවන් සාකච්ඡා කරයි.
කැනොනිකල් සහසම්බන්ධතාවයේ මූලික සංකල්පය
සාමාන්ය සහසම්බන්ධය (උදා: පියර්සන් සහසම්බන්ධය) X සහ Y වැනි විචල්ය දෙකක් අතර රේඛීය සම්බන්ධතාවයේ ශක්තිය මනිනු ලබයි. CCA මෙම සංකල්පය සාමාන්යකරණය කරන්නේ රේඛීය සංයෝජන ලෙස නව විචල්ය දෙකක් සෑදීමෙනි:
– X කට්ටලය සඳහා පළමු කැනොනිකල් විචලනය:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– Y කට්ටලය සඳහා පළමු කැනොනිකල් විචල්යය:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
U සහ V අතර සහසම්බන්ධය උපරිම වන පරිදි a සහ b සංගුණක තෝරා ගනු ලැබේ. මෙම උපරිම සහසම්බන්ධය පළමු කැනොනිකල් සහසම්බන්ධය ලෙස හැඳින්වේ. පළමු යුගලය ලබා ගත් පසු, CCA හට පෙර යුගලයට විකලාංග (අසම්බන්ධ) වන විචල්ය යුගල (දෙවන, තෙවන සහ යනාදී) සෑදිය හැක.
විය හැකි කැනොනිකල් විචල්ය යුගල ගණන min(p, q) වන අතර එය කට්ටල දෙක අතර ඇති කුඩාම විචල්ය සංඛ්යාව වේ.
අරමුණ සහ භාවිතය
පර්යේෂණ අරමුණු පහත පරිදි වන විට CCA භාවිතා වේ:
1. සමස්තයක් ලෙස විචල්ය කට්ටල දෙකක් අතර සම්බන්ධතාවයේ ශක්තිය මැනීම.
2. X කුලකයේ සහ Y කුලකයේ වඩාත්ම අදාළ විචල්ය සංයෝජනය හඳුනා ගන්න.
3. බහුවිචල්ය සම්බන්ධතාවල මානයන් අර්ථ නිරූපණය කිරීමට පහසු විචල්ය යුගල කිහිපයකට අඩු කරන්න.
4. දත්තවල රටා ගවේෂණය: වසම් දෙක අතර සම්බන්ධතාවය ප්රධාන වශයෙන් පැහැදිලි කරන්නේ කුමන විචල්යයන්ද?
උදාහරණ යෙදුම් සන්දර්භය:
– මනෝවිද්යාව: “පෞරුෂ ලක්ෂණ” සමූහය සහ “මානසික සෞඛ්ය දර්ශක” සමූහය අතර සම්බන්ධතාවය.
– ආර්ථිකය: “සාර්ව දර්ශක” කට්ටලය සහ “ශ්රම වෙළඳපොළ දර්ශක” කට්ටලය අතර සම්බන්ධතාවය.
- සෞඛ්ය විද්යාව: "ජීවන පුරුදු" සමූහයක් සහ "සායනික පරාමිතීන්" සමූහයක් අතර සම්බන්ධතාවය.
දත්ත උපකල්පන සහ අවශ්යතා
බොහෝ බහුවිචල්ය ක්රම මෙන්, ප්රතිඵල ස්ථාවර සහ අර්ථකථනය කළ හැකි වීම සඳහා සලකා බැලිය යුතු උපකල්පන ගණනාවක් CCA සතුව ඇත:
1. රේඛීය සම්බන්ධතාවය: CCA කට්ටල අතර රේඛීය සම්බන්ධතාවය ග්රහණය කරයි. සම්බන්ධතාවය රේඛීය නොවන නම්, කැනොනිකල් සහසම්බන්ධය සම්බන්ධතාවයේ ශක්තිය අවතක්සේරු කළ හැකිය.
2. බහුවිචල්ය සාමාන්යභාවය: ඉතා මැනවින්, විචල්යයන් බහුවිචල්ය සාමාන්ය ව්යාප්තියක් අනුගමනය කරයි, විශේෂයෙන් වැදගත්කම පරීක්ෂා කිරීම සඳහා. කෙසේ වෙතත්, ප්රායෝගිකව, දත්ත සම්පූර්ණයෙන්ම සාමාන්ය නොවන විට පවා CCA බොහෝ විට ගවේෂණාත්මකව භාවිතා වේ.
3. සෑම කට්ටලයකම ආන්තික බහු-රේඛීයතාවයක් නොමැත: ඉහළ සහසම්බන්ධිත විචල්යයන් සංගුණක ඇස්තමේන්තු අස්ථායී කළ හැකිය.
4. ප්රමාණවත් නියැදි ප්රමාණය: පර්යේෂණ සන්දර්භය තුළ තවත් අවශ්ය විය හැකි වුවද, විචල්යයකට අවම වශයෙන් නිරීක්ෂණ 10-20ක් තිබීම පොදු රීතියකි.
ඊට අමතරව, සංගුණක සංසන්දනය කිරීම පහසු කිරීම සඳහා විචල්යයන් සංසන්දනාත්මක හෝ ප්රමිතිගත පරිමාණයකින් (z-score) තිබිය යුතුය.
කැනොනිකල් සහසම්බන්ධතා විශ්ලේෂණයේ පියවර
සාමාන්යයෙන්, CCA පැවැත්වීමේ අදියරවලට ඇතුළත් වන්නේ:
1. විචල්ය කට්ටල දෙකක් තීරණය කරන්න
විචල්යයන් අත්හදා බැලීම සහ දෝෂය මත පමණක් නොව, න්යාය හෝ සංකල්පීය රාමුව මත පදනම්ව කාණ්ඩගත කර ඇති බවට වග බලා ගන්න.
2. දත්ත පරීක්ෂා කිරීම
නැතිවූ දත්ත (නැතිවූ අගයන්), බාහිර දර්ශක, සාමාන්යතා පරීක්ෂණ සහ එක් එක් කට්ටලය තුළ සහසම්බන්ධතා (බහු සහසම්බන්ධතා හඳුනා ගැනීමට) ඇතුළත් වේ.
3. කැනොනිකල් විචල්යයන් ඇස්තමේන්තු කිරීම
විචල්ය යුගල U₁–V₁, U₂–V₂, යනාදී වශයෙන් ජනනය කරයි.
4. කැනොනිකල් සහසම්බන්ධය ගණනය කිරීම
සෑම kth යුගලයක් සඳහාම U_k සහ V_k අතර සහසම්බන්ධය.
5. වැදගත්කම පරීක්ෂණය
ලබාගත් කැනොනිකල් සහසම්බන්ධය සංඛ්යානමය වශයෙන් ශුන්යයට වඩා වෙනස් දැයි පරීක්ෂා කරයි. බහුලව භාවිතා වන පරීක්ෂණ වන්නේ විල්ක්ස්ගේ ලැම්ඩා, පිල්ලේගේ හෝඩුවාව (බොහෝ විට MANOVA හි), හොටෙලිංගේ හෝඩුවාව සහ රෝයිගේ විශාලතම මූලයයි. CCA හි, විල්ක්ස්ගේ ලැම්ඩා බොහෝ විට කැමති තේරීම වේ.
6. ප්රතිඵල අර්ථ නිරූපණය
සහසම්බන්ධතාවයේ විශාලත්වය, පැටවීම්, බර සහ විචල්ය දායකත්වයන් තක්සේරු කිරීම ඇතුළත් වේ.
CCA ප්රතිදානය කියවා අර්ථකථනය කරන්නේ කෙසේද?
CCA ප්රතිදානයට සාමාන්යයෙන් වැදගත් සංරචක කිහිපයක් ඇතුළත් වේ:
1. කැනොනිකල් සහසම්බන්ධතා
මෙම අගය විශේෂිත යුගලයක U සහ V විචල්ය අතර සම්බන්ධතාවයේ ප්රබලතාවය පෙන්නුම් කරයි. උදාහරණයක් ලෙස, 0,80 ක පළමු කැනොනිකල් සහසම්බන්ධයක් මඟින් පළමු මානයේ X විචල්යයන්ගේ සංයෝජනය සහ Y විචල්යයන්ගේ සංයෝජනය අතර ශක්තිමත් රේඛීය සම්බන්ධතාවයක් පෙන්නුම් කරයි.
කැනොනිකල් සහසම්බන්ධතාවයේ වර්ගය වන කැනොනිකල් R² ද බොහෝ විට වාර්තා වේ. r = 0,80 නම් R² = 0,64, එනම් කැනොනිකල් විචල්ය Y හි විචලනයෙන් ආසන්න වශයෙන් 64% ක් කැනොනිකල් විචල්ය X (සහ අනෙක් අතට) මගින් එම මානය මත පැහැදිලි කළ හැකිය, මුල් විචල්යයන් අතර නොව විචල්යයන් අතර සම්බන්ධතාවයේ අර්ථයෙන්.
2. කැනොනිකල් බර (කැනොනිකල් බර / සංගුණක)
බර යනු U සහ V විචල්යයන් සාදන a සහ b සංගුණක වේ. කෙසේ වෙතත්, බර බොහෝ විට බහු සහසම්බන්ධතාවයට සංවේදී වන බැවින්, සාර්ථක අර්ථ නිරූපණය සාමාන්යයෙන් බර මත පමණක් රඳා නොපවතී.
3. කැනොනිකල් පැටවීම් (කැනොනිකල් පැටවීම් / ව්යුහ සංගුණක)
පූරණය යනු මුල් විචල්යය සහ එහි කැනොනිකල් විචල්යය අතර සහසම්බන්ධයයි. උදාහරණයක් ලෙස, 0,70 ක U₁ මත X₂ පැටවීම යන්නෙන් අදහස් වන්නේ X₂ X කට්ටලයේ පැත්තේ පළමු කැනොනිකල් මානයට දැඩි ලෙස දායක වන බවයි. පූරණයන් සාමාන්යයෙන් බරට වඩා ස්ථායී වන අතර අර්ථ නිරූපණය කිරීමට පහසුය.
4. හරස් පැටවීම්
හරස් පැටවීම යනු එක් කට්ටලයක විචල්යයන් තවත් කට්ටලයක කැනොනිකල් විචල්යයන් සමඟ අතර සහසම්බන්ධයයි (උදා: X₁ සහ V₁ අතර සහසම්බන්ධය). මෙය හරස් කුලක සම්බන්ධතාවයේ මානයන් සමඟ වඩාත්ම සමීපව සම්බන්ධ වන විචල්යයන් තේරුම් ගැනීමට උපකාරී වේ.
5. අතිරික්තතා දර්ශකය
අතිරික්තතා දර්ශකය මඟින් එක් කට්ටලයක මුල් විචල්යයන්ගේ විචල්යතාවයෙන් කොපමණ ප්රමාණයක් තවත් කට්ටලයකින් කැනොනිකල් විචල්යයන් මගින් පැහැදිලි කළ හැකිද යන්න දක්වයි. මෙය වැදගත් වන්නේ ඉහළ කැනොනිකල් සහසම්බන්ධයක් මුල් විචල්යයන් සඳහා ඉහළ පැහැදිලි කිරීමේ බලයක් අනිවාර්යයෙන්ම නොපෙන්වන බැවිනි. අතිරික්තතාව බොහෝ විට ප්රායෝගික අගය තක්සේරු කිරීමට භාවිතා කරයි (සංඛ්යානමය වැදගත්කම පමණක් නොවේ).
සරල නිදර්ශනය
අධ්යයනයක් අතර සම්බන්ධතාවය පරීක්ෂා කරයි යැයි සිතමු:
– X සකසන්න (සේවා කොන්දේසි): X₁ = වැඩ බර, X₂ = අධීක්ෂක සහාය, X₃ = වැඩ කරන වේලාවන්හි නම්යශීලීභාවය
– Y සකසන්න (යහපැවැත්ම): Y₁ = ආතතිය, Y₂ = රැකියා තෘප්තිය, Y₃ = නින්දේ ගුණාත්මකභාවය
CCA හට r = 0,75 හි සැලකිය යුතු පළමු කැනොනිකල් සහසම්බන්ධයක් සොයාගත හැකිය. බර පැටවීම් වලින් පෙන්නුම් කරන්නේ වැඩ බර සහ අධීක්ෂක සහාය වඩාත් ප්රබල ලෙස U₁ සාදන අතර ආතතිය සහ රැකියා තෘප්තිය වඩාත් ප්රබල ලෙස V₁ සාදන බවයි. සාරභූත අර්ථ නිරූපණය: සේවා කොන්දේසි සහ යහපැවැත්ම අතර සම්බන්ධතාවයේ ප්රධාන මානය වන්නේ "ආතතිය සහ තෘප්තිය" සමඟ සමීපව සම්බන්ධ වන "වැඩ පීඩනය එදිරිව සහාය" සංයෝජනයයි.
කැනොනිකල් සහසම්බන්ධතා විශ්ලේෂණයේ වාසි
1. විස්තීර්ණ: විචල්ය කට්ටල දෙකක් අතර සම්බන්ධතාවය එකවර ග්රහණය කරයි.
2. නැවත නැවත පරීක්ෂා කිරීමේ අවදානම අඩු කරන්න: බොහෝ එකින් එක සහසම්බන්ධතා සිදු කිරීමට සාපේක්ෂව, I වර්ගයේ දෝෂ ඇතිවීමේ අවස්ථාව වැඩි කරයි.
3. ගුප්ත ව්යුහයන් සොයා ගැනීමට උපකාරී වේ: ඒකවිචල්ය විශ්ලේෂණයෙන් දෘශ්යමාන නොවන සම්බන්ධතාවල මානයන් හෙළි කරයි.
සීමාවන් සහ අභියෝග
1. අර්ථ නිරූපණය සංකීර්ණ විය හැකිය: බොහෝ සංරචක (බර, පැටවීම්, අතිරික්තයන්) එකට බැලිය යුතුය.
2. බහු රේඛීයතාවයට සහ කුඩා සාම්පල ප්රමාණයන්ට සංවේදී: අස්ථායී සංගුණක නිපදවිය හැක.
3. රේඛීය ස්වභාවය: පරිවර්තනයක් හෝ වෙනත් ප්රවේශයක් සිදු නොකළහොත් රේඛීය නොවන සම්බන්ධතා ග්රහණය කර නොගනී.
4. න්යායික පදනමක් අවශ්ය වේ: පැහැදිලි සංකල්පීය රාමුවක් නොමැතිව, කැනොනිකල් මානයන් අර්ථ නිරූපණය කිරීම සමපේක්ෂන වීමට ඉඩ ඇත.
වසා දැමීම
කැනොනිකල් සහසම්බන්ධතා විශ්ලේෂණය යනු විචල්ය කට්ටල දෙකක් අතර සම්බන්ධතාවය එකවර තේරුම් ගැනීම සඳහා බලවත් බහුවිචල්ය ක්රමයකි. හරස්-කට්ටල සහසම්බන්ධතා උපරිම කරන කැනොනිකල් විචල්යයන් ගොඩනැගීමෙන්, CCA පර්යේෂකයන්ට සරල සහසම්බන්ධතාවයට හෝ තනි ප්රතිගාමීත්වයට වඩා සම්බන්ධතා රටා වඩාත් පුළුල් ලෙස දැකීමට ඉඩ සලසයි. කෙසේ වෙතත්, එහි භාවිතය උපකල්පන, දත්ත ගුණාත්මකභාවය සහ සුදුසු අර්ථකථන උපාය මාර්ග කෙරෙහි අවධානය යොමු කිරීම අවශ්ය වේ (විශේෂයෙන් පැටවීම්, හරස්-පැටවීම් සහ අතිරික්තතාව කෙරෙහි අවධාරණය කරමින්). ප්රාථමික වසම් දෙකක් හරහා බහු දර්ශක සම්බන්ධ පර්යේෂණවලදී, සංකීර්ණ සම්බන්ධතා අර්ථවත් මානයන් බවට ගවේෂණය කිරීම සහ සාරාංශ කිරීම සඳහා CCA බලවත් මෙවලමක් විය හැකිය.
