အဘယ်အရာကို "အားနည်း" အဖြစ်ယူဆ; ဆက်စပ်မှု?

စာရင်းဇယားများတွင်၊ ကိန်းရှင်နှစ်ခုသည် တစ်ခုနှင့်တစ်ခု ဆက်စပ်ပုံကို နားလည်ရန် မကြာခဏ ရှာဖွေကြသည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့ သိချင်နိုင်သည်-

• ကျောင်းသားတစ်ဦး၏လေ့လာမှုနာရီအရေအတွက်နှင့်စာမေးပွဲတွင်သူတို့ရရှိသောအဆင့်အကြားဆက်နွယ်မှုအဘယ်နည်း။
• ပြင်ပအပူချိန်နှင့် အစားအသောက်ထရပ်ကားမှ ရောင်းချသော ရေခဲမုန့်အရေအတွက်နှင့် ဆက်စပ်မှုမှာ အဘယ်နည်း။
• ကြော်ငြာလုပ်ငန်းအတွက် သုံးသောဒေါ်လာနှင့် ပေးထားသောလုပ်ငန်းအတွက် ရရှိသည့် စုစုပေါင်းဝင်ငွေအကြား ဆက်စပ်မှုမှာ အဘယ်နည်း။

အခြေအနေတစ်ခုစီတွင်၊ ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်နွယ်မှုကို ကျွန်ုပ်တို့နားလည်လိုပါသည်။

variable နှစ်ခုကြားရှိ ဆက်စပ်မှုကို တွက်ချက်ရန် အသုံးအများဆုံးနည်းလမ်းတစ်ခုမှာ Pearson correlation coefficient ဖြစ်ပြီး၊ ကိန်းရှင်နှစ်ခုကြားရှိ မျဉ်းသားဆက်စပ်မှုကို တိုင်းတာခြင်းဖြစ်ပါသည်။

၎င်းသည် အမြဲတမ်း -1 နှင့် 1 အကြား တန်ဖိုးတစ်ခုကို အမြဲယူပါသည်။

• -1 သည် ကိန်းရှင်နှစ်ခုကြားတွင် လုံးဝအပျက်သဘောဆောင်သော ဆက်စပ်ဆက်နွယ်မှုကို ညွှန်ပြသည်။
• 0 သည် variable နှစ်ခုကြားတွင် linear ဆက်စပ်မှုမရှိဟု ညွှန်ပြသည်။
• 1 သည် ကိန်းရှင်နှစ်ခုကြားတွင် လုံးဝအပြုသဘောဆောင်သောမျဉ်းကြောင်းဆက်စပ်မှုကို ညွှန်ပြသည်။

r ကို ရည်ညွှန်းလေ့ရှိသည်၊ ဤနံပါတ်သည် ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်နွယ်မှု၏ ခိုင်ခံ့မှုကို နားလည်ရန် ကူညီပေးသည်။ r သည် သုညသို့ ပိုနီးစပ်လေလေ၊ ကိန်းရှင်နှစ်ခုကြား ဆက်ဆံရေး အားနည်းလေဖြစ်သည် ။

ကိန်းရှင်နှစ်ခုတွင် အားနည်းသော အပြုသဘော ဆက်စပ်ဆက်စပ်မှု သို့မဟုတ် အားနည်းသော အနုတ်လက္ခဏာ ဆက်စပ်မှုရှိနိုင်သည်ကို သတိပြုရန် အရေးကြီးသည်။

အပြုသဘောဆောင်သောဆက်စပ်ဆက်နွယ်မှု အားနည်းခြင်း- ကိန်းရှင်တစ်ခုတိုးလာသောအခါ၊ အခြားကိန်းရှင်တစ်ခုသည် တိုးလာသော်လည်း အားနည်းခြင်း သို့မဟုတ် ယုံကြည်စိတ်ချမှုမရှိခြင်းသာဖြစ်သည်။

အနုတ်လက္ခဏာဆက်စပ်ဆက်စပ်မှု နည်းပါးခြင်း- ကိန်းရှင်တစ်ခုတိုးလာသောအခါ၊ အခြားကိန်းရှင်တစ်ခုသည် လျော့နည်းသွားတတ်သော်လည်း အားနည်းသည် သို့မဟုတ် မယုံနိုင်လောက်အောင်သာဖြစ်သည်။

အောက်ပါဇယားသည် r ၏တန်ဖိုးအပေါ်အခြေခံ၍ ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်နွယ်မှု၏ ခိုင်ခံ့မှုကို ဘာသာပြန်ရန်အတွက် လက်မ၏စည်းမျဉ်းကိုပြသသည် ။

r ၏ absolute value သည် 0.25 နှင့် 0.5 ကြားရှိလျှင် variable နှစ်ခုကြား ဆက်စပ်မှုကို နိမ့်သည်ဟု ယူဆပါသည်။

သို့သော်၊ “အားနည်း” ဆက်စပ်မှု၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်သည် နယ်ပယ်တစ်ခုနှင့်တစ်ခု ကွဲပြားနိုင်သည်။

ဆေးဘက်ဆိုင်ရာ

ဆေးဘက်ဆိုင်ရာနယ်ပယ်များတွင်၊ “ အားနည်း” ဆက်ဆံရေး၏အဓိပ္ပါယ်ဖွင့်ဆိုချက်သည်အလွန်နိမ့်ကျသည်။ အကယ်၍ အချို့သောဆေးဝါးများသောက်ခြင်းနှင့် နှလုံးတိုက်ခိုက်ခြင်းကို လျှော့ချခြင်းကြား ဆက်စပ်မှုသည် r = 0.2 ဖြစ်ပါက၊ ၎င်းကို အခြားနယ်ပယ်များတွင် “ ဆက်နွယ်မှုမရှိ” ဟု ယူဆနိုင်သော်လည်း ဆေးပညာအရ နှလုံးတိုက်ခိုက်ခံရနိုင်ခြေကို လျှော့ချရန်အတွက် ဆေးဝါးကို သောက်သုံးသင့်သည်မှာ သိသိသာသာပင် ထင်ရှားပါသည်။ . နှလုံးဖောက်ခြင်း။

လူ့အင်အားအရင်းအမြစ်

လူ့စွမ်းအားအရင်းအမြစ်များကဲ့သို့ နယ်ပယ်တစ်ခုတွင်၊ ဆက်စပ်မှု နိမ့်ပါးမှုကိုလည်း မကြာခဏ အသုံးပြုလေ့ရှိသည်။ ဥပမာအားဖြင့်၊ ကောလိပ် GPA နှင့် အလုပ်စွမ်းဆောင်ရည်အကြား ဆက်စပ်မှုကို ခန့်မှန်းခြေ r = 0.16 ဖြစ်သည်ကို ပြသထားသည်။ အဲဒါက တော်တော်နည်းတယ်၊ ဒါပေမယ့် ကုမ္ပဏီတစ်ခုက အင်တာဗျူးလုပ်စဉ်မှာ အနည်းဆုံး ထည့်သွင်းစဉ်းစားသင့်လောက်အောင် အရေးကြီးတယ်။

နည်းပညာ

နည်းပညာနယ်ပယ်များတွင်၊ ကိန်းရှင်များကြားဆက်စပ်မှုကို “ နိမ့်” ဟုယူဆရန် ပိုမိုမြင့်မားရန် လိုအပ်ပါသည်။ ဥပမာအားဖြင့်၊ ကုမ္ပဏီတစ်ခုသည် မောင်းသူမဲ့ကားကို ဖန်တီးပြီး ကား၏အလှည့်အပြောင်းဆုံးဖြတ်ချက်များကြား ဆက်စပ်မှုနှင့် မတော်တဆမှုတစ်ခုကို ရှောင်ရှားရန်ဖြစ်နိုင်ခြေမှာ r = 0.95 ဖြစ်ပြီး၊ ၎င်းကို “ အားနည်း” ဆက်စပ်မှုဟု ယူဆနိုင်ပြီး ကားအတွက် အလွန်အားနည်းနိုင်ဖွယ်ရှိသည်။ မှားယွင်းသော ဆုံးဖြတ်ချက်သည် အသက်ဆုံးရှုံးနိုင်သောကြောင့် ဘေးကင်းသည်ဟု ယူဆပါသည်။

ဆက်စပ်မှုများကိုမြင်ယောင်ရန် scatterplots ကိုသုံးပါ။

variable နှစ်ခုကြားရှိ ဆက်စပ်ကိန်းကို တွက်ချက်သောအခါ၊ ဆက်စပ်ဆက်နွယ်မှုကို မြင်နိုင်စေရန် scatterplot ဖန်တီးရန် အသုံးဝင်ပါသည်။

အထူးသဖြင့် Point cloud သည် အားသာချက်နှစ်ခုကို ပေးဆောင်သည်-

1. ဆက်စပ်ကိန်းဂဏန်းများကို အကျိုးသက်ရောက်စေသော အစွန်းကွက်များကို ခွဲခြားသတ်မှတ်ရန် Scatterplots များက သင့်အား ကူညီပေးနိုင်ပါသည်။

လွန်ကဲလွန်ကဲမှုတစ်ခုသည် ဆက်စပ်ပေါင်းစည်းမှုအပေါ် ကြီးမားသောသက်ရောက်မှုရှိနိုင်သည်။ ကိန်းရှင် X နှင့် Y တွင် Pearson ဆက်စပ်ကိန်း r = 0.91 ရှိသည့် အောက်ပါဥပမာကို သုံးသပ်ကြည့်ပါ။

ယခု ကျွန်ုပ်တို့သည် ပထမဒေတာအချက်ကို ပိုမိုကြီးမားစေရန် ပြောင်းလဲမည်ဟု စိတ်ကူးကြည့်ပါ။ ဆက်စပ်ကိန်းသည် ရုတ်တရက် r = 0.29 ဖြစ်သွားသည်။

ဤအချက်တစ်ချက်သည် ဆက်စပ်ကိန်းကို ပြင်းထန်သော အပြုသဘောဆောင်သော ဆက်ဆံရေးမှ အားနည်းသော အပြုသဘောဆက်ဆံရေးသို့ ပြောင်းလဲစေသည်။

(2) Scatterplots သည် ကိန်းရှင်များကြားတွင် လိုင်းမဟုတ်သော ဆက်ဆံရေးများကို ဖော်ထုတ်ရန် ကူညီပေးနိုင်သည်။

Pearson correlation coefficient သည် variable နှစ်ခုသည် linearly ဆက်စပ်မှုရှိမရှိ ရိုးရှင်းစွာပြောပြသည်။ သို့သော် ကိန်းရှင်နှစ်ခုသည် ဆက်နွှယ်မှုမရှိဟု Pearson ဆက်စပ်ဖော်ကိန်းက ကျွန်ုပ်တို့အားပြောပြလျှင်ပင် ၎င်းတို့သည် လိုင်းမဟုတ်သော ဆက်ဆံရေးမျိုးရှိနိုင်သေးသည်။

ဥပမာအားဖြင့်၊ ၎င်းတို့၏ဆက်စပ်မှုသည် r = 0.00 ဖြစ်သည့် variable X နှင့် Y အကြားအောက်တွင်ရှိသော scatterplot ကိုစဉ်းစားပါ။

variable များတွင် linear relationship မရှိသော်လည်း ၎င်းတို့တွင် nonlinear ဆက်နွယ်မှု ရှိသည် – y တန်ဖိုးများသည် ရိုးရိုး x တန်ဖိုးများ နှစ်ထပ်ကိန်းများဖြစ်သည်။

ဆက်စပ်ကိန်းဂဏန်းတစ်ခုတည်းက ဤဆက်နွယ်မှုကို မတွေ့နိုင်သော်လည်း ကွဲလွဲမှုတစ်ခု ဖြစ်နိုင်သည်။

နိဂုံး

အကျဉ်းချုပ်မှာ:

1. ယေဘုယျအားဖြင့်၊ 0.25 နှင့် 0.5 အကြား ဆက်စပ်ကိန်းကို ကိန်းရှင်နှစ်ခုကြားတွင် “ အားနည်း” ဆက်စပ်မှုဟု ယူဆပါသည်။

2. ဤလက်မ၏စည်းမျဉ်းသည် ဧရိယာတစ်ခုနှင့်တစ်ခု ကွဲပြားနိုင်သည်။ ဥပမာအားဖြင့်၊ နည်းပညာနယ်ပယ်နှင့် နှိုင်းယှဉ်ပါက ဆေးဘက်ဆိုင်ရာနယ်ပယ်တွင် များစွာနိမ့်ကျသောဆက်စပ်မှုဟု ယူဆနိုင်ပါသည်။ ဆက်စပ်မှုနည်းသည်ဟု ယူဆသည့်အရာကို ဆုံးဖြတ်ရန် သင်၏ဘာသာရပ်ဆိုင်ရာကျွမ်းကျင်မှုကို အသုံးပြုပါ။

3. variable နှစ်ခုကြားရှိ ဆက်စပ်မှုကို ဖော်ပြရန် ဆက်စပ်ကိန်းကို အသုံးပြုသောအခါ၊ ဒေတာအစုအတွင်းရှိ အစွန်းများကို ခွဲခြားသတ်မှတ်နိုင်သည့်အပြင် ဖြစ်နိုင်ခြေရှိသော လိုင်းမဟုတ်သော ဆက်နွယ်မှုကို ခွဲခြားသိမြင်နိုင်စေရန် ဖြန့်ခွဲကွက်တစ်ခု ဖန်တီးရန်လည်း အထောက်အကူဖြစ်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

အဘယ်အရာကို “ ခိုင်မာသော” ဆက်စပ်မှုဟုယူဆသနည်း။
Correlation Matrix ဂဏန်းတွက်စက်
ဆက်စပ်မှု vs. အသင်းအဖွဲ့- ကွာခြားချက်ကဘာလဲ။