Korrelation: Forskelle mellem versioner
Content deleted Content added
Dalmer (diskussion | bidrag) m Endnu en fodnote tilføjet |
Dalmer (diskussion | bidrag) m Uddybning af cosinus-funktionens forskellige værdier under ensartede korrelations-intervaller |
||
Linje 3:
For eksempel er ''vægt'' og ''højde'' to variable hos mennesket, der i en vis udstrækning er afhængige af hinanden – højere personer er ofte tungere end lavere personer. Men afhængigheden er ikke perfekt. Personer med samme højde kan som bekendt godt have forskellig vægt, trods alt. Ikke desto mindre er det i dette tilfælde tydeligt for enhver, at der i det mindste ''gennemsnitlig'' kan iagttages en vis relation mellem højde og vægt blandt mennesker. Størrelsen af denne relation beregnes ved hjælp af nedenstående matematiske formel og ender med et slutresultat, kaldet en korrelationskoefficient (eller ”'''r'''”), som varierer fra –1,00 til +1,00. Og jo nærmere '''r''' er til yderpunkterne +1,00 eller –1,00 desto større eller tættere er sammenhængen mellem de to variable.
Såfremt '''r''' er tæt på 0,00 betyder det, at der ikke er nogen sammenhæng mellem variablerne. Hvis '''r''' er positiv betyder det, at når en variabel (fx ''højde'') bliver større, så bliver den anden variabel (fx ''vægt'') det også, og omvendt. Hvis '''r''' derimod er negativ, betyder det, at når en variabel bliver større, så bliver den anden mindre (kaldes omvendt korrelation). - Når det gælder korrelationen mellem højde og vægt hos mennesket, ses den ofte beregnet til '''r''' = +0,72 under forudsætning af, at man til brug for beregningen har fået målt højden og vægten hos et stort antal mennesker. Korrelationen kan (i dette tilfælde) således vise, hvor meget vægten afhænger af højden. - Desværre er korrelationskalaen fra -1,00 og til +
En korrelationskoefficient som
I forbindelse med gennemførelsen af fx store forskningsprojekter el.lign. med rigtig mange forskellige variable, foretager man ofte korrelationsberegninger parvis mellem alle de udmålte variable indbyrdes for bl.a. at kunne reducere mængden af, hvad der under udregningen måtte vise sig at være variable af mindre betydning - en proces, som vil fremme hele overskueligheden i data-materialet. Det gøres ved at stille et sådant sæt af krydstabulerede korrelationsberegninger op i en to-dimensional ''korrelationsmatrice'', som herefter vil kunne danne udgangspunktet for udregningerne til en såkaldt ''faktor-model'' ved hjælp af [[faktoranalyse]] (sker teoretisk via brugen af ''matrix-algebra'' - i praksis via en computer-kørsel).
|