WnioskowanieStatystyczne/Interpretacja współczynnika korelacji: Różnice pomiędzy wersjami

Z Brain-wiki
 
(Nie pokazano 20 pośrednich wersji utworzonych przez tego samego użytkownika)
Linia 9: Linia 9:
  
 
[[Plik:Wsp kor war.png|500px]]
 
[[Plik:Wsp kor war.png|500px]]
−
 
  
 
<math>
 
<math>
Linia 22: Linia 21:
 
</math>  
 
</math>  
  
−
Całkowitą wariancję zmiennej <math>y</math> podzieliliśmy na dwa
+
 
 +
 
 +
Całkowitą wariancję zmiennej <math>y</math> można podzielić na dwa
 
człony: wariancję estymaty <math>y_{i}^{p}</math> wokół wartości
 
człony: wariancję estymaty <math>y_{i}^{p}</math> wokół wartości
 
średniej <math>\overline{y}</math> i wariancję obserwowanych
 
średniej <math>\overline{y}</math> i wariancję obserwowanych
Linia 29: Linia 30:
  
  
 +
<center>
 
<math>
 
<math>
 
\underset{i=1}{\overset{N}{\sum }}(y_{i}-\overline{y})^{2}=
 
\underset{i=1}{\overset{N}{\sum }}(y_{i}-\overline{y})^{2}=
Linia 34: Linia 36:
 
\overset{N}{\sum }}(y_{i}^{p}-\overline{y})^{2}
 
\overset{N}{\sum }}(y_{i}^{p}-\overline{y})^{2}
 
</math>  
 
</math>  
 +
</center>
 +
  
  
  
 
===Współczynnik korelacji liniowej (Pearsona)===
 
===Współczynnik korelacji liniowej (Pearsona)===
−
 
+
Rozważmy stosunek wariancji tłumaczonej przez model do całkowitej wariancji
−
przypominamy wyprowadzone w poprzednim rozdziale zależności:
+
<center>
−
 
+
:<math>
−
 
+
S^2 =  
−
<math>
+
\dfrac{\underset{i=1}{\overset{N}{\sum }}(y_{i}^{p}-\overline{y})^{2}}
−
b=\frac{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}-
+
{\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}}
−
\overline{y})}{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}},
 
−
\qquad a=\overline{y}-b\overline{x}
 
 
</math>
 
</math>
 +
</center>
 +
podstawiając <math>y_i^p = a + b x_i</math> dostajemy
  
−
 
+
:<math> S^2 =
−
oraz wzór na estymator współczynnika korelacji liniowej
+
\dfrac{\underset{i=1}{\overset{N}{\sum }}(a + b x_i-\overline{y})^{2}}
−
 
+
{\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}}
−
 
 
−
<math>
 
−
r_{x, y}= \frac{\sigma_{x, y}}{\sigma_x \sigma_y}=
 
−
\frac{E\left( \left(x-\mu_{x})(y-\mu_{y}\right)\right)}
 
−
{\sqrt{E\left( (x-\mu_{x})^2\right) E\left( (y-\mu_{y})^2\right)}},
 
 
</math>
 
</math>
  
  
−
jego kwadrat estymujemy jako
+
Ponieważ <math>\overline{y} = a + b \overline{x}</math>, czyli <math>a=\overline{y}-b\overline{x}</math>,
  
  
−
<math>
+
:<math> S^2 =  
−
r^{2}=\frac{\left( \underset{i=1}{\overset{N}{\sum }}(x_{i}-
+
\dfrac{\underset{i=1}{\overset{N}{\sum }}(\overline{y}-b\overline{x} + b x_i-\overline{y})^{2}}
−
\overline{x})(y_{i}-\overline{y})\right) ^{2}}{\underset{i=1}{\overset{N}{
+
{\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}}
−
\sum }}(x_{i}-\overline{x})^{2}\underset{i=1}{\overset{N}{\sum }}(y_{i}-
+
=
−
\overline{y})^{2}}
+
\dfrac{\underset{i=1}{\overset{N}{\sum }}b^2(x_i-\overline{x})^2}
 +
{\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}}
 +
=
 +
b^2\dfrac{\underset{i=1}{\overset{N}{\sum }}(x_i-\overline{x})^2}
 +
{\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}}
 
</math>
 
</math>
  
  
−
Podstawiając
+
Skoro prosta <math>y= a + b x</math> została dopasowana metodą największej wiarygodności, to <math>
−
<math>
 
−
\forall_i (y_i - \overline{y}) =  
 
−
b (x_i - \overline{x} )
 
−
</math>, oraz
 
−
<math>
 
 
b=\frac{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}-
 
b=\frac{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}-
 
\overline{y})}{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}}
 
\overline{y})}{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}}
 +
</math>, czyli
 +
 +
:<math> S^2 =
 +
b^2 \,\,\, \dfrac{\underset{i=1}{\overset{N}{\sum }}(x_i-\overline{x})^2}
 +
{\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}}
 +
=
 +
\dfrac
 +
{\left(\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}-
 +
\overline{y})\right)^2}
 +
{\left(\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}\right)^2}
 +
\;\;\;
 +
\dfrac{\underset{i=1}{\overset{N}{\sum }}(x_i-\overline{x})^2}
 +
{\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}}
 
</math>
 
</math>
  
 +
<math>
 +
S^2 =
 +
\dfrac
 +
{\left(\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}-
 +
\overline{y})\right)^2}
 +
{{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}}
 +
\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}}
 +
=\rho_{x,y}^2
 +
</math>,
 +
czyli  [[WnioskowanieStatystyczne/Momenty#Kowariancja_i_wsp.C3.B3.C5.82czynnik_korelacji|współczynnik korelacji]].
  
−
do wyrażenia na wariancję tłumaczoną przez model
 
  
  
−
:<math>\underset{i=1}{\overset{N}{\sum }}(y_{i}^{p}-\overline{y})^{2} </math>,
 
−
dostajemy:
 
  
−
 
+
[[Plik:Korelacja.png|600px|thumb|center|<figure id="fig:rozw2"></figure>Przykładowe wartości współczynnika korelacji dla 300 par <math>(x, y)</math> o
−
:<math>
+
różnych stopniach współzależności.
−
\underset{i=1}{\overset{N}{\sum }}(y_{i}^{p}-\overline{y})^{2}
+
]]
−
= b \underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}
 
−
=\frac{\left(
 
−
\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}-\overline{y}
 
−
)\right) ^{2}}{\left( \underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x}
 
−
)^{2}\right) ^{2}}\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x}
 
−
)^{2}=\\
 
−
 
 
−
=\frac{\left( \underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x}
 
−
)(y_{i}-\overline{y})\right) ^{2}}{\underset{i=1}{\overset{N}{\sum }}(x_{i}-
 
−
\overline{x})^{2}}\frac{\underset{i=1}{\overset{N}{\sum }}(y_{i}-\overline{y}
 
−
)^{2}}{\underset{i=1}{\overset{N}{\sum }}(y_{i}-\overline{y})^{2}}=r^{2}
 
−
\underset{i=1}{\overset{N}{\sum }}(y_{i}-\overline{y})^{2}
 
−
</math>
 
−
 
 
−
 
 
−
czyli
 
−
 
 
−
 
 
−
:<math>
 
−
{r^{2}=\frac{\underset{i=1}{\overset{N}{\sum }}(y_{i}^{p}-
 
−
\overline{y})^{2}}{\underset{i=1}{\overset{N}{\sum }}(y_{i}-\overline{y})^{2}
 
−
}\ }
 
−
</math>
 
  
  
 
Ciekawe przykłady korelacji liniowych dla zależności nieliniowych podaje [https://pl.wikipedia.org/wiki/Zale%C5%BCno%C5%9B%C4%87_zmiennych_losowych artykuł z Wikipedii]
 
Ciekawe przykłady korelacji liniowych dla zależności nieliniowych podaje [https://pl.wikipedia.org/wiki/Zale%C5%BCno%C5%9B%C4%87_zmiennych_losowych artykuł z Wikipedii]
  
−
 
+
===Istotność statystyczna współczynnika korelacji===
−
[[Plik:Korelacja.png|600px|thumb|left|<figure id="fig:rozw2"></figure>Przykładowe wartości współczynnika korelacji dla 300 par <math>(x, y)</math> o
+
...to osobny problem :-)
−
różnych stopniach współzależności.
 
−
]]
 

Aktualna wersja na dzień 17:58, 6 maj 2025

Wnioskowanie_Statystyczne_-_wykład


Interpretacja współczynnika korelacji

Rozważmy wariancję zmiennej [math]y[/math] z poprzedniego rozdziału. Niech [math]y_{i}^{p}=a+bx_{i}[/math]

Wsp kor war.png

[math] \underset{i=1}{\overset{N}{\sum }}(y_{i}-\overline{y})^{2}= \underset{i=1}{\overset{N}{\sum }}(y_{i}-y_{i}^{p}+y_{i}^{p}-\overline{y} )^{2}= [/math] [math] \underset{i=1}{\overset{N}{\sum }}(y_{i}-y_{i}^{p})^{2}+\underset{i=1}{ \overset{N}{\sum }}(y_{i}^{p}-\overline{y})^{2}+2\underset{i=1}{\overset{N}{ \sum }}(y_{i}-y_{i}^{p})(y_{i}^{p}-\overline{y}) [/math]


Całkowitą wariancję zmiennej [math]y[/math] można podzielić na dwa człony: wariancję estymaty [math]y_{i}^{p}[/math] wokół wartości średniej [math]\overline{y}[/math] i wariancję obserwowanych [math]y_{i}[/math] wokół estymaty [math]y_{i}^{p}[/math] (trzeci człon znika):


[math] \underset{i=1}{\overset{N}{\sum }}(y_{i}-\overline{y})^{2}= \underset{i=1}{\overset{N}{\sum }}(y_{i}-y_{i}^{p})^{2}+\underset{i=1}{ \overset{N}{\sum }}(y_{i}^{p}-\overline{y})^{2} [/math]



Współczynnik korelacji liniowej (Pearsona)

Rozważmy stosunek wariancji tłumaczonej przez model do całkowitej wariancji

[math] S^2 = \dfrac{\underset{i=1}{\overset{N}{\sum }}(y_{i}^{p}-\overline{y})^{2}} {\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}} [/math]

podstawiając [math]y_i^p = a + b x_i[/math] dostajemy

[math] S^2 = \dfrac{\underset{i=1}{\overset{N}{\sum }}(a + b x_i-\overline{y})^{2}} {\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}} [/math]


Ponieważ [math]\overline{y} = a + b \overline{x}[/math], czyli [math]a=\overline{y}-b\overline{x}[/math],


[math] S^2 = \dfrac{\underset{i=1}{\overset{N}{\sum }}(\overline{y}-b\overline{x} + b x_i-\overline{y})^{2}} {\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}} = \dfrac{\underset{i=1}{\overset{N}{\sum }}b^2(x_i-\overline{x})^2} {\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}} = b^2\dfrac{\underset{i=1}{\overset{N}{\sum }}(x_i-\overline{x})^2} {\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}} [/math]


Skoro prosta [math]y= a + b x[/math] została dopasowana metodą największej wiarygodności, to [math] b=\frac{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}- \overline{y})}{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}} [/math], czyli

[math] S^2 = b^2 \,\,\, \dfrac{\underset{i=1}{\overset{N}{\sum }}(x_i-\overline{x})^2} {\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}} = \dfrac {\left(\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}- \overline{y})\right)^2} {\left(\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}\right)^2} \;\;\; \dfrac{\underset{i=1}{\overset{N}{\sum }}(x_i-\overline{x})^2} {\underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}} [/math]

[math] S^2 = \dfrac {\left(\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})(y_{i}- \overline{y})\right)^2} {{\underset{i=1}{\overset{N}{\sum }}(x_{i}-\overline{x})^{2}} \underset{i=1}{\overset{N}{\sum }}(y_i-\overline{y})^{2}} =\rho_{x,y}^2 [/math], czyli współczynnik korelacji.



Przykładowe wartości współczynnika korelacji dla 300 par [math](x, y)[/math] o różnych stopniach współzależności.


Ciekawe przykłady korelacji liniowych dla zależności nieliniowych podaje artykuł z Wikipedii

Istotność statystyczna współczynnika korelacji

...to osobny problem :-)

Źródło: „http://brain.fuw.edu.pl/edu/index.php?title=WnioskowanieStatystyczne/Interpretacja_współczynnika_korelacji&oldid=11312”