Korrelation: Forskelle mellem versioner
Content deleted Content added
Steenth (diskussion | bidrag) |
Dalmer (diskussion | bidrag) m Wikificering af matrix-algebra |
||
Linje 7:
En korrelationskoefficient som den anførte på +0,72 giver dog endnu mere mening, dersom tallet også opløftes i 2. potens. I så fald bliver resultatet 0,52. Denne talværdi kaldes koefficientens ''varians'', hvilket betyder/afslører, at enten styres relationen mellem ''højde'' og ''vægt'' med højden som årsag til vægten for 52% vedkommende - eller også styres relationen mellem de to variable af den samme fælles årsag for ligeledes 52% vedkommende. For de resterende 48% vedkommende skyldes forholdet mellem højden og vægten således helt andre omstændigheder.<ref>Spørgsmålet er dog her, om det nu også i virkeligheden giver god mening overhovedet at korrelere de indsamlede rå data for hhv. højde og vægt med hinanden? Vægten er jo indlysende en variabel, som hidrører fra målingen af et tredimensionalt objekt - mens højden er en variabel, der alene tager sigte på kun den ene af måleobjektets tre dimensioner. Såfremt man ønsker et mere præcist udtryk for den reelle sammenhængsgrad imellem højde og vægt hos mennesket, vil det givetvis være mere retvisende først at transformere den ene af variablerne, så begge variable dermed kan bringes på samme dimensionelle niveau, inden de korreleres med hinanden. Det kunne fx gøres ved først at tage kubikroden til alle vægt-tallene, inden selve udførelsen af korrelationsberegningen. En sådan forudgående variabeltransformation vil sandsynligvis kunne resultere i en noget højere korrelationskoefficient - og dermed afsløre en væsentlig tættere sammenhæng mellem højde og vægt, end først udmålt. (Det er således altid vigtigt, at man sørger for at overveje hvilke [[måleskalaer|talskalaer]], som det er mest relevant at benytte i forbindelse med en påtænkt korrelationsberegning).</ref> Til sammenligning kan nævnes, at utallige undersøgelser har vist, at korrelationen vedrørende intelligenskvotienten<ref>Intelligensbegrebet dækker over en række mentale evner, som fx indlæringshastighed, problemløsning, hukommelsesspændvidde, opfattelsesevne, læsefærdighed, skriftlighed, talbehandling, abstraktionsevne, o.lign.</ref> hos enæggede tvillinger, adskilt fra fødslen og bortadopteret til hver sit sociokulturelle miljø at vokse op i, i gennemsnit ligger så højt som '''r''' = +0,84. Opløftes dette tal i 2. potens, ses variansen at udgøre, at ca. 70% af intelligens-niveauet hos det enkelte menneske må anses for arveligt bestemt fra dets forældre, mens de resterende kun ca. 30% kan tilskrives miljøbetingede faktorer, herunder specielle uddannelsesvilkår, o.lign.
Formlen for den mest benyttede korrelationsberegning (Pearson’s produkt-moment korrelation) fik i 1896 sin endelige udformning af den engelske matematiker, [[Karl Pearson]], og er baseret på brugen af almindelige metriske [[måleskala|talskala]]er (dvs. ratioskalaer og intervalskalaer). Både ''vægt'' og ''højde'' udmåles således altid på en ratioskala. Skulle man derimod ønske at korrelere en feberkurve med fx en kurve for blodsænkningstallet, vil det altid ske på en intervalskala. Feberkurven, der måles i Celsius grader, har nemlig lige så lidt som skalaen for blodsænkningstallet et såkaldt [[absolut nulpunkt]], hvilket betyder, at beregninger via multiplikation og division er udelukket - kun addition og subtraktion vil være mulig på intervalskalaer. Man kan dog i begge tilfælde være sikker på, at en vægt på 100 kg ligger nøjagtig midt imellem 90 kg og 110 kg. Ligesom 40<sup>o</sup> i feber ligger nøjagtig midt imellem 39<sup>o</sup> og 41<sup>o</sup> i feber. – Men ønsker man at måle korrelationen mellem fx en mulig samtidig forekomst af både ''angst'' og ''depression'' via et spørgeskema på et stort antal mennesker, og der her gives tre svarmuligheder: ''(1)Ja altid – (2)Sommetider – (3)Slet ikke,'' så kan man ikke regne med, at svaret ''(2)Sommetider'' ligger midt imellem yderpunkterne og i nøjagtig samme afstand fra ''(1)Ja altid'' og ''(3)Slet ikke''. I sidstnævnte tilfælde er der her anderledes tale om brugen af en såkaldt ordinalskala, også kaldet en rangordensskala. Formlen for korrelationsberegninger på en ordinalskala ([[Charles Spearman|Spearman’s]] rang korrelation) er som følge heraf også anderledes end for Pearson’s korrelation. Men alligevel ses ikke sjældent Pearson’s korrelation af nemheds grunde<ref>Manglende anvendelse af Spearman's korrelation skyldes dog også hyppigt, at denne formel ikke altid forefindes lagt ind i statistikprogrammerne på computeren.</ref> brugt også på ordinalskalaer, da det herved fremkomne fejlbehæftede resultat ''i praksis'' som oftest ikke ses at afvige ret meget i forhold til brugen af den korrekte beregningsmåde.
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 med henblik på tilvejebringelsen af en såkaldt ''faktor-model'' ved hjælp af [[faktoranalyse]] (sker teoretisk via brugen af
== Udregning af Pearson's produkt-moment korrelationskoefficient ==
Linje 20:
Hvis den empiriske korrelation
['''2'''] : <math>\mbox{r}(X,Y)= \frac{\sum x_iy_i-n \bar{x} \bar{y}}{(n-1) s_x s_y}=\frac{n\sum x_iy_i-\sum x_i\sum y_i}
| |||