Mikä on Pearsonin korrelaatiokerroin ja miten sitä tulkitaan?

Tieto kiertää yleisestä erityiseen, tässä mielessä uusien ilmiöiden selitystä voidaan tutkia suhde, joka sillä on saman ilmiön tapahtumiin, mitä usein tehdään alalla tutkimusta. Edellä esitetyn vuoksi on tarpeen luoda suhde kahden kvantitatiivisen muuttujan välillä tutkimuskohderyhmässä.

Tilastotieteellä on menetelmiä, jotka mahdollistavat tämän suhteen mittaamisen, ja joilla on seuraavat tavoitteet:

• Määritä, ovatko molemmat muuttujat korreloineet, toisin sanoen, jos yhden muuttujan pienemmille tai suuremmille arvoille, toisen muuttujan arvot ovat yleensä yhtä pienempiä tai suurempia.
• Ennusta muuttujan arvo ottamalla tietty arvo toisesta muuttujasta.
• Arvioi molempien muuttujien arvojen vastaavuustaso.

Mikä on Pearsonin korrelaatiokerroin?

Pearsonin korrelaatiokerroin on kahden satunnaisen kvantitatiivisen muuttujan välisen vastaavuuden tai lineaarisen suhteen mitta. Yksinkertaisemmilla sanoilla se voidaan määritellä indeksinä, jota käytetään mittaamaan kahden, kvantitatiivisen muuttujan välisen suhteen aste.

Kaksi muuttujaa, korrelaatio helpottaa toisen arvojen arviointia tietäen toisen muuttujan arvon.

Tämä kerroin on mitta, joka osoittaa tapahtumien suhteellisen tilanteen suhteessa kahteen muuttujaan eli se edustaa numeerista lauseketta, joka osoittaa näiden kahden välillä olevan vastaavuustason tai suhteen muuttujat. Nämä luvut vaihtelevat rajojen +1 ja -1 välillä.

Kuinka se lasketaan?

Saada opas, joka sallii:

• Määritä kahden muuttujan vierekkäinen vaihtelu
• Vertaa eri tapauksia toisiinsa

Tätä varten käytetään Pearsonin korrelaatiokerrointa, joka määritellään kovarianssina, joka esiintyy kahden standardoidun muuttujan välillä ja joka lasketaan seuraavalla lausekkeella:

Kuinka se tulkitsee Pearsonin korrelaatiokertoimen?

Sen ulottuvuus osoittaa muuttujien välisen assosiaatiotason.

• Kun se on alle nolla (r <0) Sanotaan, että korrelaatio on negatiivinen: Muuttujat korreloivat käänteisessä mielessä.

Yhden muuttujan korkeat arvot vastaavat yleensä toisen muuttujan matalia arvoja ja päinvastoin. Mitä lähempänä arvo -1 mainittuun korrelaatiokertoimeen, sitä selvempi äärimmäinen kovariaatio on.

Jos r = -1, puhumme täydellisestä negatiivisesta korrelaatiosta, joka edellyttää absoluuttista määritystä molempien muuttujien välillä, suorassa mielessä täydellinen lineaarinen suhde negatiivisen kaltevuuden kanssa esiintyy samanaikaisesti.

• Kun se on suurempi kuin nolla (r> 0) Sanotaan, että korrelaatio on positiivinen: Molemmat muuttujat korreloivat suorassa mielessä.

Yhden muuttujan suuret arvot vastaavat toisen muuttujan korkeita arvoja, ja päinvastaisessa tilanteessa sama tapahtuu pienillä arvoilla. Mitä lähempänä +1 on korrelaatiokerroin, sitä selvempi kovariaatio on.

Jos r = 1 Puhumme täydellisestä positiivisesta korrelaatiosta, joka edellyttää absoluuttista määritystä muuttujien välillä, suorassa mielessä positiivisen kaltevuuden täydellinen lineaarinen suhde esiintyy samanaikaisesti).

• Kun se on yhtä suuri kuin nolla (r = 0) Muuttujien sanotaan liittyvän väärin, ei ole mahdollista muodostaa jonkinlaista kovariaation tunnetta.

Lineaarista suhdetta ei ole, mutta tämä ei välttämättä tarkoita, että muuttujat ovat riippumattomia, koska muuttujien välillä voi olla epälineaarisia suhteita.

Kun nämä kaksi muuttujaa ovat toisistaan ​​riippumattomia, niiden sanotaan olevan korreloimattomia, vaikka vastavuoroisuustulos ei välttämättä ole totta.

Lopuksi voidaan sanoa, että se näyttää vaikeammalta kuin se osoittautuu, varsinkin jos sinulla on tekniikkaa. kehittyneempi, koska tänään on olemassa useita ohjelmia, jotka helpottavat tätä kertoimen laskemista ja tulkintaa Pearson.