Знание циркулирует от общего к частному, в этом смысле объяснение новых явлений можно изучать с помощью связь, которую он имеет с событиями того же явления, что часто делается в области исследовать. В связи с вышеизложенным возникает необходимость установить взаимосвязь между двумя количественными переменными в группе испытуемых.
В статистической науке есть методы, позволяющие измерить эту взаимосвязь со следующими целями:
Рекламные объявления
- Определите, коррелированы ли обе переменные, то есть, для более низких или более высоких значений одной переменной значения другой переменной имеют тенденцию быть одинаково более низкими или более высокими.
- Предсказать значение переменной, взяв определенное значение из другой переменной.
- Оцените уровень соответствия между значениями обеих переменных.
В этой статье вы найдете:
Что такое коэффициент корреляции Пирсона?
Коэффициент корреляции Пирсона - это мера соответствия или линейной связи между двумя случайными количественными переменными. Проще говоря, его можно определить как индекс, используемый для измерения степени взаимосвязи между двумя переменными, причем обе количественные.
Рекламные объявления
Имея две переменные, корреляция облегчает оценку значения одной из них, зная значение другой переменной.
Этот коэффициент является мерой, которая указывает относительную ситуацию событий по отношению к двум переменным, это то есть представляет собой числовое выражение, указывающее степень соответствия или взаимосвязи между двумя переменные. Эти числа варьируются в пределах от +1 до -1.
Рекламные объявления
Как рассчитывается?
Иметь руководство, позволяющее:
- Установите непрерывную вариацию двух переменных
- Сравните разные случаи друг с другом
Для этого используется коэффициент корреляции Пирсона, определяемый как ковариация, которая возникает между двумя стандартизованными переменными, и рассчитывается с помощью следующего выражения:
Рекламные объявления
Как это интерпретирует коэффициент корреляции Пирсона?
Его размер указывает на уровень связи между переменными.
Рекламные объявления
- Когда он меньше нуля (r <0), говорят, что существует отрицательная корреляция: переменные коррелируют в обратном смысле.
Высокие значения одной из переменных обычно соответствуют низким значениям другой переменной и наоборот. Чем ближе значение указанного коэффициента корреляции к -1, тем более очевидной будет крайняя ковариация.
Если r = -1, мы говорим об идеальной отрицательной корреляции, которая предполагает абсолютное определение между обеими переменными, в прямом смысле сосуществует идеальная линейная связь с отрицательным наклоном.
- Когда он больше нуля (r> 0), говорят, что существует положительная корреляция: обе переменные коррелированы в прямом смысле.
Высокие значения одной из переменных соответствуют высоким значениям другой переменной, а в обратной ситуации то же самое происходит с низкими значениями. Чем ближе коэффициент корреляции к +1, тем очевиднее будет ковариация.
Если r = 1, мы говорим об идеальной положительной корреляции, которая предполагает абсолютное определение между переменными, в прямом смысле сосуществует идеальная линейная зависимость с положительным наклоном).
- Когда он равен нулю (r = 0) Переменные считаются некорректно связанными, невозможно установить какой-то смысл ковариации.
Линейной зависимости нет, но это не обязательно означает, что переменные независимы, поскольку между переменными могут быть нелинейные отношения.
Когда две переменные независимы, они считаются некоррелированными, хотя результат взаимности не обязательно верен.
В заключение можно сказать, что это выглядит сложнее, чем кажется, особенно если у вас есть технологии. продвинутый, так как на сегодняшний день существует множество программ, которые облегчают эту задачу вычисления и интерпретации коэффициента Пирсон.
