5 przykładów danych dwuwymiarowych w prawdziwym życiu

Dane dwuwymiarowe odnoszą się do zbioru danych zawierającego dokładnie dwie zmienne.

Tego typu dane pojawiają się cały czas w sytuacjach rzeczywistych i zazwyczaj do analizy tego typu danych stosujemy następujące metody:

• Chmury punktów
• Współczynniki korelacji
• Prosta regresja liniowa

Poniższe przykłady pokazują różne scenariusze, w których dane dwuwymiarowe pojawiają się w prawdziwym życiu.

Przykład 1: Biznes

Firmy często gromadzą dwuwymiarowe dane dotyczące całkowitych pieniędzy wydanych na reklamę i całkowitych przychodów.

Na przykład firma może gromadzić następujące dane za 12 kolejnych kwartałów sprzedaży:

To jest przykład danych dwuwymiarowych, ponieważ zawierają informacje o dokładnie dwóch zmiennych: wydatkach na reklamę i całkowitych przychodach.

Firma może zdecydować się na dopasowanie prostego modelu regresji liniowej do tego zbioru danych i znaleźć następujący dopasowany model:

Przychody ogółem = 14 942,75 + 2,70* (wydatki na reklamę)

Informuje to firmę, że każdy dodatkowy dolar wydany na reklamę powoduje wzrost całkowitych przychodów średnio o 2,70 dolara.

Przykład 2: Medycyna

Badacze medyczni często gromadzą dane dwuwymiarowe, aby lepiej zrozumieć związek między zmiennymi związanymi ze zdrowiem.

Na przykład badacz może zebrać następujące dane dotyczące wieku i pozostałego tętna od 15 osób:

Badacz może następnie podjąć decyzję o obliczeniu korelacji między dwiema zmiennymi i stwierdzić, że wynosi ona 0,812 .

Wskazuje to, że istnieje silna dodatnia korelacja pomiędzy obiema zmiennymi. Oznacza to, że wraz z wiekiem pozostałe tętno również ma tendencję do przewidywalnego wzrostu.

Powiązane: Co uważa się za „silną” korelację?

Przykład 3: pracownicy naukowi

Naukowcy często zbierają dane dwuwymiarowe, aby zrozumieć, które zmienne wpływają na wyniki studentów.

Na przykład badacz może zbierać dane na temat liczby godzin przestudiowanych tygodniowo i odpowiadającej im średniej ocen uczniów w określonej klasie:

Następnie może utworzyć prosty wykres rozrzutu, aby zwizualizować związek między tymi dwiema zmiennymi:

Istnieje wyraźnie pozytywny związek między tymi dwiema zmiennymi: wraz ze wzrostem liczby godzin nauki w tygodniu wzrasta również średnia ocen ucznia.

Przykład 4: Ekonomia

Ekonomiści często gromadzą dane dwuwymiarowe, aby zrozumieć związek między dwiema zmiennymi społeczno-ekonomicznymi.

Na przykład ekonomista może gromadzić dane na temat całkowitej liczby lat nauki i całkowitego rocznego dochodu osób w określonym mieście:

Następnie może podjąć decyzję o dostosowaniu następującego prostego modelu regresji liniowej:

Roczny dochód = -45 353 + 7 120*(lata nauki)

To mówi ekonomiście, że każdy dodatkowy rok nauki roczny dochód wzrasta średnio o 7120 dolarów.

Przykład 5: Biologia

Biolodzy często gromadzą dane dwuwymiarowe, aby zrozumieć, w jaki sposób dwie zmienne są powiązane między roślinami i zwierzętami.

Na przykład biolog może zebrać dane na temat całkowitych opadów i całkowitej liczby roślin w różnych regionach:

Biolog może wówczas podjąć decyzję o obliczeniu korelacji między obiema zmiennymi i stwierdzić, że wynosi ona 0,926 .

Wskazuje to, że istnieje silna dodatnia korelacja pomiędzy obiema zmiennymi.

Oznacza to, że wyższe opady są ściśle związane ze zwiększoną liczbą roślin w regionie.

Dodatkowe zasoby

Poniższe samouczki zawierają dodatkowe informacje na temat danych dwuwymiarowych i sposobów ich analizowania.

Wprowadzenie do analizy dwuwymiarowej
Wprowadzenie do analizy jednoczynnikowej
Wprowadzenie do współczynnika korelacji Pearsona
Wprowadzenie do prostej regresji liniowej