Assume sempre un valore compreso tra -1 e 1 dove:<\/span><\/p>\n Per determinare se un coefficiente di correlazione \u00e8 statisticamente significativo, \u00e8 possibile calcolare il punteggio t e il valore p corrispondenti.<\/span><\/p>\n La formula per calcolare il t-score di un coefficiente di correlazione (r) \u00e8:<\/span><\/p>\n t<\/strong> = r * \u221a n-2<\/span> \/ \u221a 1-r 2<\/sup><\/span><\/span><\/p>\n Il valore p viene calcolato come il corrispondente valore p a due code per la distribuzione t con n-2 gradi di libert\u00e0.<\/span><\/p>\n Per determinare se il coefficiente di correlazione tra due variabili \u00e8 statisticamente significativo, \u00e8 possibile eseguire un test di correlazione in R utilizzando la seguente sintassi:<\/span><\/p>\n cor.test(x, y, metodo=c(\u201cpearson\u201d, \u201ckendall\u201d, \u201cspearman\u201d))<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n Ad esempio, supponiamo di avere i seguenti due vettori in R:<\/span><\/p>\n Prima di eseguire un test di correlazione tra le due variabili, possiamo creare un rapido grafico a dispersione per visualizzare la loro relazione:<\/span> <\/p>\n Sembra esserci una correlazione positiva tra le due variabili. Cio\u00e8, man mano che uno aumenta, anche l’altro tende ad aumentare.<\/span><\/p>\n Per vedere se questa correlazione \u00e8 statisticamente significativa, possiamo eseguire un test di correlazione:<\/span><\/p>\n Il coefficiente di correlazione tra i due vettori risulta essere 0,9279869<\/strong> .<\/span><\/p>\n La statistica del test risulta essere 7.8756<\/strong> e il corrispondente valore p \u00e8 1.35e-05<\/strong> .<\/span><\/p>\n Poich\u00e9 questo valore \u00e8 inferiore a 0,05, abbiamo prove sufficienti per affermare che la correlazione tra le due variabili \u00e8 statisticamente significativa.<\/span><\/p>\n Le seguenti esercitazioni forniscono ulteriori informazioni sui coefficienti di correlazione:<\/span><\/p>\n Un’introduzione al coefficiente di correlazione di Pearson<\/a> Un modo per quantificare la relazione tra due variabili \u00e8 utilizzare il coefficiente di correlazione di Pearson , che \u00e8 una misura dell’associazione lineare tra due variabili . Assume sempre un valore compreso tra -1 e 1 dove: -1 indica una correlazione lineare perfettamente negativa tra due variabili 0 indica alcuna correlazione lineare tra due […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Esempio: test di correlazione in R<\/strong><\/span><\/h3>\n
\n
x <- c(2, 3, 3, 5, 6, 9, 14, 15, 19, 21, 22, 23)\ny <- c(23, 24, 24, 23, 17, 28, 38, 34, 35, 39, 41, 43)\n<\/strong><\/pre>\n
#create scatterplot<\/span>\nplot(x, y, pch= 16<\/span> )\n<\/strong><\/pre>\n![\"Test](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dispersionr1.png\")
<\/p>\n #perform correlation test between the two vectors<\/span>\ncor.test(x, y)\n\n\tPearson's product-moment correlation\n\ndata: x and y\nt = 7.8756, df = 10, p-value = 1.35e-05\nalternative hypothesis: true correlation is not equal to 0\n95 percent confidence interval:\n 0.7575203 0.9799783\nsample estimates:\n horn \n0.9279869<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Cos\u2019\u00e8 considerata una correlazione \u201cforte\u201d?<\/a>
Le cinque ipotesi della correlazione di Pearson<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"