<\/p>\n
Un modo per quantificare la relazione tra due variabili \u00e8 utilizzare il coefficiente di correlazione di Pearson<\/a> , che misura l’associazione lineare tra due variabili .<\/em><\/span><\/p>\n 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 quindi 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, puoi eseguire un test di correlazione in Python utilizzando la funzione Pearsonr<\/strong> della libreria SciPy<\/strong> .<\/span><\/p>\n Questa funzione restituisce il coefficiente di correlazione tra due variabili nonch\u00e9 il valore p a due code.<\/span><\/p>\n Ad esempio, supponiamo di avere le seguenti due tabelle in Python:<\/span><\/p>\n Possiamo importare la funzione Pearsonr<\/strong> e calcolare il coefficiente di correlazione di Pearson tra le due tabelle:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n Essendo il coefficiente di correlazione vicino a 1, questo ci dice che esiste una forte associazione positiva tra le due variabili.<\/span><\/p>\n E poich\u00e9 il valore p corrispondente \u00e8 inferiore a 0,05, concludiamo che esiste un’associazione statisticamente significativa tra le due variabili.<\/span><\/p>\n Si noti che possiamo anche estrarre il coefficiente di correlazione individuale e il valore p dalla funzione di Pearson<\/strong> :<\/span><\/p>\n Questi valori sono un po’ pi\u00f9 facili da leggere rispetto all’output della funzione originale peppersonr<\/strong> .<\/span><\/p>\n Le esercitazioni seguenti forniscono informazioni aggiuntive 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 misura l’associazione lineare tra due variabili . Assume sempre un valore compreso tra -1 e 1 dove: -1 indica una correlazione lineare perfettamente negativa 0 indica alcuna correlazione lineare 1 indica una correlazione lineare perfettamente positiva […]<\/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 Python<\/strong><\/span><\/h3>\n
#create two arrays\n<\/span>x = [3, 4, 4, 5, 7, 8, 10, 12, 13, 15]\ny = [2, 4, 4, 5, 4, 7, 8, 19, 14, 10]\n<\/strong><\/pre>\n from<\/span> scipy. stats<\/span> . stats<\/span> import<\/span> pearsonr\n\n#calculation correlation coefficient and p-value between x and y<\/span>\npearsonr(x, y)\n\n(0.8076177030748631, 0.004717255828132089)\n<\/strong><\/pre>\n\n
#extract correlation coefficient (rounded to 4 decimal places)<\/span>\nr = round(pearsonr(x, y)[ 0<\/span> ], 4)\n\nprint<\/span> (r)\n\n0.8076\n\n#extract p-value (rounded to 4 decimal places)<\/span> \np = round(pearsonr(x, y)[ 1<\/span> ], 4)\n\nprint<\/span> (p) \n\n0.0047\n<\/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":"