🗊Презентация Корреляционный анализ

Корреляционный анализ Преподаватель: Башашина Ксения Викторовна 19.04.2015

Корреляционный анализ Вообще, в природе, и в медицине в частности, существуют вполне определённые связи признаков. Например, связь между строением тела и предрасположенностью к тем или иным заболеваниям, связь между телосложением и темпераментом. Наиболее простым видом связи между величинами является функциональная зависимость, когда какая-либо величина определяется как однозначная функция другой или нескольких других величин. Иными словами, функциональная связь – это такая связь между переменными, при которой каждому значению одной величины соответствуют строго определённые значения другой. Например, к функциональной относится зависимость между высотой местности и насыщением гемоглобина кислородом. Однако, нередко встречаются и такие связи между величинами, которые нельзя отнести к функциональным зависимостям. К ним, например, относятся связи между урожаем и количеством осадков или между ростом отцов и сыновей. Известно, что между ростом и массой тела человека существует положительная связь, т.е. более высокие люди обычно имеют большую массу, но бывают и исключения.

Если связь между показателями проявляется не в каждом случае, а заметна лишь при многократном сопоставлении рассматриваемых признаков, то её называют корреляционной (от лат. correlatio – связь, соответствие). Если связь между показателями проявляется не в каждом случае, а заметна лишь при многократном сопоставлении рассматриваемых признаков, то её называют корреляционной (от лат. correlatio – связь, соответствие). Корреляция (Correlation) – связь между двумя или более переменными (в последнем случае корреляция называется множественной). Цель корреляционного анализа – установление наличия или отсутствия этой связи. Корреляционная зависимость характеризуется тем, что каждому значению одной величины соответствует множество возможных значений другой величины. Например, при росте человека 170 см масса тела может быть 70 кг, 65 кг, 72 кг и т.д. Случайный разброс этих возможных значений объясняется влиянием большого числа дополнительных факторов, от которых отвлекаются, изучая связь между данными величинами.

Пусть сделаны измерения двух признаков Х и У: Пусть сделаны измерения двух признаков Х и У: Х1, Х2,...,Хn и Y1, Y2,...,Yn. Необходимо установить, существует ли связь между изменениями признаков Х и Y и, если эта связь существует, то определить её тип, глубину и достоверность. Для качественной оценки связи между признаками строят график.

Экспериментальные графики для величин Х и Y, находящихся в корреляционной зависимости, состоят из ряда точек, не укладывающихся на какую-либо определённую кривую. Каждая точка (x,y) на плоскости отображает результат одного измерения. Такой точечный график называют корреляционным полем. По корреляционному полю можно качественно оценить наличие или отсутствие зависимости и указать положительна она или отрицательна. Экспериментальные графики для величин Х и Y, находящихся в корреляционной зависимости, состоят из ряда точек, не укладывающихся на какую-либо определённую кривую. Каждая точка (x,y) на плоскости отображает результат одного измерения. Такой точечный график называют корреляционным полем. По корреляционному полю можно качественно оценить наличие или отсутствие зависимости и указать положительна она или отрицательна.

Количественная оценка. Количественная оценка. В случае, когда имеются две переменных, значения которых измерены в цифровой шкале отношений (единицы измерений при этом не важны – например, масса тела может быть измерена в граммах, килограммах, тоннах – они не влияют на значение коэффициента корреляции), используется коэффициент линейной корреляции Пирсона r, который принимает значения от -1 до +1 (нулевое его значение свидетельствует об отсутствии корреляции).

Корреляционные поля

Проанализировав знак коэффициента корреляции, определяют тип корреляционной связи: Проанализировав знак коэффициента корреляции, определяют тип корреляционной связи: если r > 0, то связь прямая (положительная), т.е. при возрастании одной величины другая в среднем тоже возрастает; если r < 0, то связь обратная (отрицательная), т.е. при возрастании одной величины другая имеет тенденцию в среднем убывать. Если статистическая связь между признаками отсутствует, то r = 0. Величина коэффициента корреляции показывает глубину линейной связи между двумя выборками, т.е. характеризует степень близости зависимости величин X и Y к линейной функциональной зависимости. Графически это выражается теснотой или разбросанностью точек корреляционного поля.

Глубина корреляционной связи определяется, исходя из следующих критериев: Глубина корреляционной связи определяется, исходя из следующих критериев: если 0< |r| ≤0,3, то связь слабая; если 0,3< |r| ≤0,5, то связь умеренная; если 0,5< |r| ≤0,7, то связь значительная; если 0,7< |r| ≤0,9, то связь сильная; если 0,9< |r| <1, то связь очень сильная. При |r| =1 связь между величинами функциональная.

Таким образом, чем ближе абсолютная величина r к единице, тем сильнее связь между признаками и теснее расположены точки на графике. Однако, для обоснованного вывода о наличии связи не достаточно анализа величины коэффициента корреляции; необходимо проверить его достоверность. Иными словами, требуется ответить на вопрос: является ли вычисленный по данным наблюдений коэффициент корреляции значимым, т.е. можно ли верить полученному значению коэффициента, учитывая случайный характер выборок значений исследуемых величин. Значимость корреляционной связи при определённом уровне доверительной вероятности можно проверить с помощью критерия Стьюдента. Таким образом, чем ближе абсолютная величина r к единице, тем сильнее связь между признаками и теснее расположены точки на графике. Однако, для обоснованного вывода о наличии связи не достаточно анализа величины коэффициента корреляции; необходимо проверить его достоверность. Иными словами, требуется ответить на вопрос: является ли вычисленный по данным наблюдений коэффициент корреляции значимым, т.е. можно ли верить полученному значению коэффициента, учитывая случайный характер выборок значений исследуемых величин. Значимость корреляционной связи при определённом уровне доверительной вероятности можно проверить с помощью критерия Стьюдента.

В случае линейной корреляции между признаками Х и Y алгоритм расчетов по данному методу следующий: Вычисляют средние арифметические значения обоих признаков: , Вычисляют отклонения каждого значения от : Вычисляют отклонения каждого значения от Вычисляют сумму произведений отклонений: =

Вычисляют произведение сумм квадратов отклонений: =] Определяют коэффициент r линейной парной корреляции по формуле: Оценивают тип и глубину корреляционной связи между признаками Х и Y.

Вычисляют среднюю ошибку коэффициента корреляции: Вычисляют среднюю ошибку коэффициента корреляции: где n – число коррелирующих пар. Определяют критерий достоверности коэффициента корреляции: Из таблицы Стьюдента для числа степеней свободы ν = n - 2 определяют стандартные значения критериев Стьюдента, соответствующие трем порогам достоверности: 0,95; 0,99; 0,999.

Сравнивают критерий достоверности tr со стандартными значениями критериев Стьюдента и делают вывод о достоверности коэффициента корреляции: Сравнивают критерий достоверности tr со стандартными значениями критериев Стьюдента и делают вывод о достоверности коэффициента корреляции: если tr ≥ tst0,999 , то достоверность коэффициента корреляции 99,9%; если tr ≥ tst0,99 , то достоверность коэффициента корреляции 99%; если tr ≥ tst0,95 , то достоверность коэффициента корреляции 95%; если tr < tst0,95 , то коэффициент корреляции недостоверен, доверять ему нельзя.

Коэффициент корреляции Пирсона также может быть вычислен в программе Excel функцией КОРРЕЛ. Коэффициент корреляции Пирсона также может быть вычислен в программе Excel функцией КОРРЕЛ. Отметим, что коэффициент корреляции Пирсона симметричен, то есть не зависит от перестановки переменных: r(y, x) = r(x, y). Универсальных рецептов установления корреляции между немонотонно и нелинейно связанными переменными на сегодняшний день не существует.

Задание В ходе обследования 9 пациентов среди прочих показателей измеряли их рост и вес. Результаты измерений приведены в таблице: Необходимо провести корреляционный анализ между весом и ростом пациентов. Построить корреляционное поле.

1. Вводим исходные данные. Вычисляем средние арифметические значения обоих признаков:

2. Вычисляем сумму произведений отклонений. Для этого вначале найдем отклонение каждого значения х и у от среднего значения. Обратите внимание на использование в формуле абсолютной ссылки.

3. Затем найдем произведение ΔХ и ΔY.

4. И наконец, подсчитаем сумму произведений отклонений, используя функцию СУММ.

5. Вычисляем произведение сумм квадратов отклонений. Найдем ΔХ2 и ΔY2.

Затем подсчитаем сумму в каждом получившемся столбце.

И найдем произведение сумм квадратов отклонений.

6. Определяем коэффициент r линейной парной корреляции, используя приведенную формулу.

7. Оцениваем тип и глубину корреляционной связи между признаками Х и У.

8. Вычисляем среднюю ошибку коэффициента корреляции. Обратите внимание, что вид формулы в строке формул соответствует приведенной выше.

9. Определяем критерий достоверности коэффициента корреляции.

10. Из таблицы Стьюдента для числа степеней свободы ν = n - 2 определяем стандартные значения критериев Стьюдента, соответствующие трем порогам достоверности: 0,95; 0,99; 0,999.

11. Сравниваем критерий достоверности tr со стандартными значениями критериев Стьюдента и делаем вывод о достоверности коэффициента корреляции.

13. Вычислим коэффициент корреляции Пирсона с помощью функции КОРРЕЛ. В качестве массивов 1 и 2 выберем наши массивы X и Y.

14. Построим корреляционное поле, используя вкладку Диаграммы, и выбрав тип диаграммы Точечная.

Т.к. диаграмма смещена в правый верхний угол, поместим ее в центр координатной плоскости. Для этого изменим минимальные значения осей X и Y.

Спасибо за внимание!