Одређивање коефицијента корелације: Увод, методе и примене
Коефицијент корелације је статистичка мера која одређује јачину везе између две променљиве у скупу података. Корелације се крећу од -1 до 1. Вредност коефицијента близу 1 или -1 указује на јаку везу између две променљиве. Вредност коефицијента близу 0 указује на одсуство јаке везе између две променљиве. Овај чланак ће разматрати коефицијент корелације, методе за његово израчунавање, његово тумачење и његове примене у различитим областима.
Увод у коефицијент корелације
Коефицијент корелације нам даје нумерички приказ колико су две променљиве повезане. Коефицијенти корелације се деле на два главна типа на основу правца односа:
1. Позитиван коефицијент корелације: Показује да када се једна променљива повећа, повећава се и друга променљива.
2. Негативни коефицијент корелације: Означава да када једна променљива расте, друга променљива се смањује.
Однос између две променљиве такође се може поделити на три типа на основу јачине односа:
1. Јака корелација: Коефицијент је близу -1 или 1.
2. Умерена корелација: Коефицијент је између -0.5 и -1 или 0.5 и 1.
3. Слаба корелација: Коефицијент је близу 0.
Метод за израчунавање коефицијента корелације
За израчунавање коефицијента корелације користи се неколико уобичајених метода, укључујући Пирсонову корелацију, Спирманову корелацију и Кендалову корелацију. Хајде да детаљније размотримо сваку од ових метода.
1. Пирсонова корелација
Пирсонов коефицијент корелације се често користи када су обе променљиве континуиране и имају нормалну расподелу. Формула за Пирсонов коефицијент корелације је:
r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^2 – (\Sigma x)^2] [n \Sigma y^2 – (\Sigma y)^2 ] } } \]
Где:
– \(r \) = коефицијент корелације,
– \( n \) = број парова података,
– \( \Sigma xy \) = збир производа парова података \( x \) и \( y \),
– \( \Sigma x \) = збир вредности ( x \),
– \( \Sigma y \) = збир вредности ( y \),
– \( \Sigma x^2 \) = збир квадрата \( x \),
– \( \Sigma y^2 \) = збир квадрата \( y \).
2. Спирманова корелација ранга
Спирманов коефицијент корелације се користи за ординалне податке или када се претпоставка нормалности не може испунити. Спирманов коефицијент корелације се заснива на рангирању вредности података, а не на њиховим стварним вредностима. Формула за Спирманов коефицијент корелације је:
\[ \ρ = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
Где:
– \( \ρ \) = Спирманов коефицијент корелације,
– \( d_i \) = разлика између рангирања парова података \( x \) и \( y \),
– \( n \) = број парова података.
3. Кендалова Тау корелација
Кендалов коефицијент корелације мери јачину везе између две ординалне променљиве. За разлику од Спирманове, Кендалова корелација се више фокусира на број подударних и нескладних парова. Формула за Кендалов коефицијент корелације је:
\[ \tau = \frac{ (C – D)} { \sqrt{(C + D + T) (C + D + U) } } \]
Где:
– \( \tau \) = Кендалов коефицијент корелације,
– \( C \) = број конкордантних парова,
– \( D \) = број нескладних парова,
– \( T \) = број парова серија у променљивој \( x \),
– \( U \) = број парова серија у променљивој \( y \).
Тумачење коефицијента корелације
Тумачење коефицијента корелације зависи од добијене вредности коефицијента:
– Коефицијент +1: Савршен позитиван однос.
– Коефицијент од 0.7 до 0.9: Јака позитивна веза.
– Коефицијент од 0.4 до 0.6: Умерено позитивна веза.
– Коефицијент од 0.1 до 0.3: Слаба позитивна веза.
– Коефицијент 0: Нема везе.
– Коефицијент од -0.1 до -0.3: Слаба негативна веза.
– Коефицијент од -0.4 до -0.6: Умерено негативна веза.
– Коефицијент од -0.7 до -0.9: Јака негативна веза.
– Коефицијент -1: Савршен негативан однос.
Примена коефицијента корелације
Коефицијент корелације има широк спектар примене у различитим областима, укључујући економију, друштвене науке, здравство, образовање и још много тога. Ево неколико примера:
1. Економија: Одређивање односа између инфлације и незапослености, или између потрошње и прихода.
2. Друштвене науке: Утврђивање везе између образовања и прихода, или између друштвених медија и психолошког благостања.
3. Здравље: Поређење везе између пушачких навика и случајева рака плућа или између активног начина живота и здравља срца.
4. Образовање: Испитивање везе између времена учења и резултата испита, или између величине одељења и постигнућа ученика.
Практични примери коришћења скупова података
Претпоставимо да имамо скуп података који укључује резултате тестова из математике и време учења у сатима за 10 ученика на следећи начин:
„`
Ученици уче сате математике оцене
1 5 85
2 3 78
3 6 90
4 2 76
5 4 80
6 6 88
7 5 85
8 3 82
9 7 91
10 5 87
„`
Можемо израчунати Пирсонов коефицијент корелације између Студијских_часова_и_Математичког_резултата. Користећи Пирсонову формулу, прво израчунавамо \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \) и \( \Sigma y^2 \), а затим замењујемо ове вредности у формулу да бисмо добили вредност \( r \).
Закључак
Коефицијент корелације је моћан алат у анализи података за одређивање јачине и правца везе између две променљиве. Разумевање концепта, метода израчунавања и тумачења коефицијента корелације је неопходно за ефикасну анализу података. Уз правилно разумевање, можемо боље одредити корелације између променљивих у различитим областима и доносити информисаније одлуке засноване на подацима.
