Взаимосвязи между линейной регрессией и корреляцией



Линейный коэффициент корреляции


 

Пример: выявить наличие связи между дневной и ночной температурами в 10 городах мира

  Лондон Париж Стокгольм Варшава Бонн Рим Тель-Авив Анкара Каир Москва сумма
День 16 21 20 25 25 36 31 32 36 16 258
Ночь 11 12 12 14 16 23 23 15 22 8 156

 

Корреляция между дневными и ночными температурами воздуха очень высока полученной величине корреляции. Знание дневных тем­ператур позволяет предсказывать ночные температуры с высокой точно­стью, но не безошибочно.

Коэффициент корреляции позволяет оценить степень связи между переменны­ми. Однако этого недостаточно для того, чтобы непосредственно преобразовы­вать информацию, относящуюся к одной переменной, в оценки другой пере­менной.

Пример: коэффициент корреляции между пере­менными «величина партийного бюджета» и «число мест в парламенте» равен 0,8. однако, невозможно предсказать, сколько мест в парламенте полу­чит партия, годовой бюджет которой равен 100 млн. рублей.

Коэффициент корреляции представляет собой оценку соответствия разброса наблюдений от идеальной модели линейного функционального отношения – прямой линии, называемой линией регрессии.

то предсказываемое значение по переменной Y (например, количество мест в парламенте)

а —значение Y для случая, когда Х = 0

b — коэффи­циент регрессии,

Статистические процедуры позволяют най­ти регрессионную прямую, максимально соответствующую реальным данным. Регрессионный анализ, таким образом, дает возможность предсказывать зна­чения Y по значениям X с минимальным количеством ошибок

Пример:прогнозирования количества мест от величины партбюджета

 

Линия регрессии не обязательно должна быть прямой, но нелинейные связи во многих случаях также могут быть приближенно опи­саны линейными отношениями. Регрессионный анализ в SPSS представляется как диаграмма рассеивания.

Выбор коэффициента может быть предварен построением график двумерного рассеяния, который позволит дать наглядное представление о связи двух переменных (п.м. Графика Рассеяние/точки). На графике каждый объект представляет собой точку, координаты которой заданы значениями двух переменных. Таким образом, множество объектов представляет  собой на графике множество точек. По конфигурации этого множества точек можно судить о характере связи между двумя переменными.

 

 

Если все точ­ки-наблюдения размещены на регрессионной прямой – это случай абсолютной линейной зависимости. В этом случае коэффициент корреляции будет равен единице, что свидетельствует о сильном, «абсолютном», характере связи переменных. Различие между предсказанными и наблюдаемыми значениями в этом случае отсутствует. Корреляция как мера точности прогноза показывает, что ошибок в прогнозе не существует.

Например: b =313,  можно утверждать, что единичная прибавка в величи­не X вызовет увеличение Y на ту же величину, 313 (если, допустим, X — стаж работы, а Y — зарплата, то с увеличением стажа на год зарплата растет на 313 рублей).

В действительности из-завлияния других переменных  точки-наблюдения обычно лежат выше или ниже прямой, которая являетсялишь наилучшим приближением реальных данных. Коэффициент корреляции Пирсона r и величина r2 по-прежнему слу­жат оценкой точности прогноза, основанного на линии регрессии.

Смысл отношения между корреляцией и регрессией:

¾ корреляция описывает степень «разбросанности» точек наблюдения (чем выше «разбро­санность», тем ниже r2 и ненадежнее прогноз)

¾ коэффициент регрес­сии описывает наклон линии.

 Для стандартизованных данных коэффициент регрессии коэффициенту корреляции Пирсона.


 В SPSS расчет коэффициентов корреляции возможен через п.м. Анализ-Корреляции-Парные.  

В окне  Парные корреляции выбрать переменные для вычисления корреляции. В группе Коэффициенты корреляции возможно установление флажков вычисления коэффициентов Пирсона, Спирмена и Тау-b Кендалла, что дает возможность сравнивать эти коэффициентов корреляции для различных распределений данных.

В группе Критерий значимости по умолчанию установлен переключатель Двухсторонний. Установить переключатель Односторонний в случае уверенности в направлении (знаке) корреляции.

Флажок Метить значимые корреляции по умолчанию установлен. Это означает, что корреляции, вычисленные с уровнем значимости от 0,01 до 0,05, будут помечены одной звездочкой (*), а от 0 до 0,01 — двумя звездочками (**). Вне зависимости от значимости в вывод включаются коэффициенты корреляции и p-уровни, вычисленные с точностью до трех знаков после запятой, а также количество объектов, участвовавших в процедуре.

В группе Статистики имеется два флажка, управляющих отображением статистических величин: Средние и стандартные отклонения и Суммы перекрестных произведений отклонений и ковариации. Группа Пропущенные значения из двух переключателей позволяет выбрать способ исключения объектов, содержащих пропущенные значения. Установка переключателя Исключать наблюдения попарно означает, что если при вычислении корреляции между парой переменных для какого-нибудь объекта обнаружится отсутствующее значение, объект будет исключен из вычисления, но только для этой пары переменных. В результате может оказаться, что для разных пар переменных коэффициенты корреляции будут вычислены с разным числом объектов. При установке переключателя Исключать наблюдения целиком программа перед началом вычислительного процесса исключит из рассмотрения все объекты, содержащие хотя бы одно отсутствующее значение. В любом случае разрешение проблемы отсутствующих значений лучше провести до начала анализа.

Кн. Параметры позволяет вывести средние значения и квадратные отклонения.

Описательные статистики

  Среднее Стд. отклонение N
Стены: Нервно-психическая неустойчивость 6,24 2,080 1090
Стены: Истерия 5,96 1,881 1090

 

Корреляции

    Стены: Нервно-психическая неустойчивость Стены: Истерия

Стены: Нервно-психическая неустойчивость

Корреляция Пирсона 1 ,182**
Знч.(2-сторон)   ,000
N 1090 1090

Стены: Истерия

Корреляция Пирсона ,182** 1
Знч.(2-сторон) ,000  
N 1090 1090

**. Корреляция значима на уровне 0.01 (2-сторон.).

Результаты содержат к. Пирсона, количество использованных пар значений (N) и вероятность ошибки р, соответствующее предположению о ненулевой корреляции. В примере присутствует очень слабая корреляция (0,182) с вероятностью в 0,000.

Рассмотрим нормальные независимые случайной величины Xi, дисперсия которой равняется 0, а среднеквадратическое отклонение равно1

, a .

Тогда сумма квадратов этих величин

Говорят, случайная величина распределена по закону хи-квадрат с степенями свободы k=n-1. С увеличением числа степеней свободы распределение приближается к нормальному.

1. Проверка гипотезы о расхождении между эмпирическими (экспериментальными) частотами ni и теоретическими (контрольными) частотами ni* .


Дата добавления: 2018-04-04; просмотров: 511; Мы поможем в написании вашей работы!

Поделиться с друзьями:






Мы поможем в написании ваших работ!