<\/p>\n
E\u00e9n manier om de relatie tussen twee variabelen te kwantificeren is door de Pearson-correlatieco\u00ebffici\u00ebnt<\/a> te gebruiken, die de lineaire associatie tussen twee variabelen meet .<\/em><\/span><\/p>\n Er is altijd een waarde tussen -1 en 1 nodig, waarbij:<\/span><\/p>\n Om te bepalen of een correlatieco\u00ebffici\u00ebnt statistisch significant is, kun je de bijbehorende t-score en p-waarde berekenen.<\/span><\/p>\n De formule voor het berekenen van de t-score van een correlatieco\u00ebffici\u00ebnt (r) is:<\/span><\/p>\n t<\/strong> = r * \u221a n-2<\/span> \/ \u221a 1-r 2<\/sup><\/span><\/span><\/p>\n De p-waarde wordt vervolgens berekend als de overeenkomstige tweezijdige p-waarde voor de t-verdeling met n-2 vrijheidsgraden.<\/span><\/p>\n Om te bepalen of de correlatieco\u00ebffici\u00ebnt tussen twee variabelen statistisch significant is, kun je in Python een correlatietest uitvoeren met behulp van de peersonr-<\/strong> functie uit de SciPy-<\/strong> bibliotheek.<\/span><\/p>\n Deze functie retourneert de correlatieco\u00ebffici\u00ebnt tussen twee variabelen, evenals de tweezijdige p-waarde.<\/span><\/p>\n Stel dat we bijvoorbeeld de volgende twee tabellen in Python hebben:<\/span><\/p>\n We kunnen de Pearsonr-<\/strong> functie importeren en de Pearson-correlatieco\u00ebffici\u00ebnt tussen de twee tabellen berekenen:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n Omdat de correlatieco\u00ebffici\u00ebnt dicht bij 1 ligt, betekent dit dat er een sterk positief verband bestaat tussen de twee variabelen.<\/span><\/p>\n En aangezien de overeenkomstige p-waarde kleiner is dan 0,05, concluderen we dat er een statistisch significant verband bestaat tussen de twee variabelen.<\/span><\/p>\n Merk op dat we ook de individuele correlatieco\u00ebffici\u00ebnt en p-waarde uit de peersonfunctie<\/strong> kunnen extraheren:<\/span><\/p>\n Deze waarden zijn iets gemakkelijker te lezen vergeleken met de uitvoer van de originele Pearsonr-<\/strong> functie.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over correlatieco\u00ebffici\u00ebnten:<\/span><\/p>\n Een inleiding tot de Pearson-correlatieco\u00ebffici\u00ebnt<\/a> E\u00e9n manier om de relatie tussen twee variabelen te kwantificeren is door de Pearson-correlatieco\u00ebffici\u00ebnt te gebruiken, die de lineaire associatie tussen twee variabelen meet . Er is altijd een waarde tussen -1 en 1 nodig, waarbij: -1 duidt op een volkomen negatieve lineaire correlatie 0 geeft aan dat er geen lineaire correlatie is 1 geeft […]<\/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":[],"class_list":["post-3027","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: correlatietest 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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Wat wordt beschouwd als een \u201csterke\u201d correlatie?<\/a>
De vijf hypothesen van Pearson’s correlatie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"