<\/p>\n
In statistica, la correlazione<\/strong> si riferisce alla forza e alla direzione di una relazione tra due variabili. Il valore di un coefficiente di correlazione pu\u00f2 variare da -1 a 1, con le seguenti interpretazioni:<\/span><\/p>\n Un tipo speciale di correlazione \u00e8 chiamata correlazione per rango di Spearman<\/strong> , che viene utilizzata per misurare la correlazione tra due variabili classificate. (ad esempio, la posizione del punteggio dell’esame di matematica di uno studente rispetto alla posizione del punteggio dell’esame di scienze in una classe).<\/span><\/p>\n Questo tutorial spiega come calcolare la correlazione del rango di Spearman tra due variabili in Python<\/span><\/p>\n Supponiamo di avere il seguente DataFrame panda che contiene<\/span> il punteggio dell’esame di matematica e il punteggio dell’esame di scienze di 10 studenti in una particolare classe:<\/span><\/p>\n Per calcolare la correlazione Spearman Rank tra i punteggi di matematica e scienze, possiamo utilizzare la funzione spearmanr()<\/a> in scipy.stats<\/strong> :<\/span><\/p>\n Dal risultato, possiamo vedere che la correlazione del rango di Spearman \u00e8 -0,41818<\/strong> e il corrispondente valore p \u00e8 0,22911<\/strong> .<\/span><\/p>\n Ci\u00f2 indica che esiste una correlazione negativa tra i punteggi degli esami di scienze e quelli di matematica.<\/span><\/p>\n Tuttavia, poich\u00e9 il valore p della correlazione non \u00e8 inferiore a 0,05, la correlazione non \u00e8 statisticamente significativa.<\/span><\/p>\n Nota che potremmo anche usare la seguente sintassi per estrarre semplicemente il coefficiente di correlazione o valore p:<\/span><\/p>\n Come calcolare la correlazione del rango di Spearman in R<\/a> In statistica, la correlazione si riferisce alla forza e alla direzione di una relazione tra due variabili. Il valore di un coefficiente di correlazione pu\u00f2 variare da -1 a 1, con le seguenti interpretazioni: -1: una perfetta relazione negativa tra due variabili 0: nessuna relazione tra due variabili 1: una perfetta relazione positiva 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: correlazione dei ranghi di Spearman in Python<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd<\/span>\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({'student': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],\n 'math': [70, 78, 90, 87, 84, 86, 91, 74, 83, 85],\n 'science': [90, 94, 79, 86, 84, 83, 88, 92, 76, 75]})\n<\/strong><\/pre>\n from<\/span> scipy. stats<\/span> import<\/span> spearmanr\n<\/span>\n#calculate Spearman Rank correlation and corresponding p-value<\/span><\/span>\nrho, p = spearmanr(df[' math<\/span> '], df[' science<\/span> '])\n\n#print Spearman rank correlation and p-value\n<\/span>print<\/span> (rho)\n\n-0.41818181818181815\n\nprint<\/span> (p)\n\n0.22911284098281892\n<\/span><\/span><\/strong><\/pre>\n #extract Spearman Rank correlation coefficient\n<\/span>spearmanr(df[' math<\/span> '], df[' science<\/span> '])[0]\n\n-0.41818181818181815\n\n#extract p-value of Spearman Rank correlation coefficient<\/span>\nspearmanr(df[' math<\/span> '], df[' science<\/span> '])[1] \n\n0.22911284098281892\n<\/span><\/span><\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare la correlazione del rango di Spearman in Excel<\/a>
Come calcolare la correlazione del rango di Spearman in Stata<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"