Probar la importancia del coeficiente de correlación requiere que se cumplan ciertos supuestos sobre los datos. La premisa de esta prueba es que los datos son una muestra de puntos observados tomados de una población más grande. No hemos examinado a toda la población porque no es posible o factible hacerlo. Estamos examinando la muestra para sacar una conclusión sobre si la relación lineal que vemos entre (x ) y (y ) en los datos de la muestra proporciona evidencia lo suficientemente fuerte como para que podamos concluir que existe una relación lineal entre (x ) y (y ) en la población.
La ecuación de la línea de regresión que calculamos a partir de los datos de la muestra ofrece la mejor línea de ajuste para nuestra muestra particular. Queremos usar esta línea de mejor ajuste para la muestra como una estimación de la línea de mejor ajuste para la población. Examinar el diagrama de dispersión y probar la importancia del coeficiente de correlación nos ayuda a determinar si es apropiado hacerlo.
Los supuestos subyacentes a la prueba de significancia son:
- Hay una relación lineal en la población que modela el valor promedio de (y ) para valores variables de (x ). En otras palabras, el valor esperado de (y ) para cada valor particular se encuentra en una línea recta en la población. (No conocemos la ecuación de la línea de la población. Nuestra línea de regresión de la muestra es nuestra mejor estimación de esta línea en la población).
- Los valores (y ) para cualquier valor en particular (x ) normalmente se distribuyen sobre la línea. Esto implica que hay más valores (y ) dispersos más cerca de la línea que los dispersos más lejos. La suposición (1) implica que estas distribuciones normales se centran en la línea: las medias de estas distribuciones normales de los valores (y ) se encuentran en la línea.
- Las desviaciones estándar de la población (y ) valores sobre la línea son iguales para cada valor de (x ). En otras palabras, cada una de estas distribuciones normales de valores (y ) tiene la misma forma y se extiende por la línea.
- Los errores residuales son mutuamente independientes (sin patrón).
- Los datos se producen a partir de una muestra aleatoria bien diseñada o un experimento aleatorizado.
La regresión lineal es un procedimiento para ajustar una línea recta de la forma ( hat {y} = a + bx ) a los datos. Las condiciones para la regresión son:
- Hay una relación lineal en la población que modela el valor promedio de (y ) para valores variables de (x ). En otras palabras, el valor esperado de (y ) para cada valor particular se encuentra en una línea recta en la población. (No conocemos la ecuación de la línea de la población. Nuestra línea de regresión de la muestra es nuestra mejor estimación de esta línea en la población).
- Los valores (y ) para cualquier valor en particular (x ) normalmente se distribuyen sobre la línea. Esto implica que hay más valores (y ) dispersos más cerca de la línea que los dispersos más lejos. La suposición (1) implica que estas distribuciones normales se centran en la línea: las medias de estas distribuciones normales de los valores (y ) se encuentran en la línea.
- Las desviaciones estándar de la población (y ) valores sobre la línea son iguales para cada valor de (x ). En otras palabras, cada una de estas distribuciones normales de valores (y ) tiene la misma forma y se extiende por la línea.
- Los errores residuales son mutuamente independientes (sin patrón).
- Los datos se producen a partir de una muestra aleatoria bien diseñada o un experimento aleatorizado.
¿Cuáles son las pruebas para el coeficiente de correlación?
El coeficiente de correlación, R, nos cuenta sobre la fuerza y la dirección de la relación lineal entre X e Y. Sin embargo, la confiabilidad del modelo lineal también depende de cuántos puntos de datos observados hay en la muestra. Necesitamos observar tanto el valor del coeficiente de correlación R como el tamaño de la muestra N, juntos.
Realizamos una prueba de hipótesis de la «importancia del coeficiente de correlación» para decidir si la relación lineal en los datos de la muestra es lo suficientemente fuerte como para usar la relación en la población.
Los datos de la muestra se utilizan para calcular R, el coeficiente de correlación para la muestra. Si tuviéramos datos para toda la población, podríamos encontrar el coeficiente de correlación de la población. Pero debido a que solo tenemos datos de muestra, no podemos calcular el coeficiente de correlación de la población. El coeficiente de correlación de la muestra, R, es nuestra estimación del coeficiente de correlación de población desconocido.
- El símbolo del coeficiente de correlación de la población es ρ, la letra griega «rho».
La prueba de hipótesis nos permite decidir si el valor del coeficiente de correlación de la población ρ está «cerca de cero» o «significativamente diferente de cero». Decidimos esto en función del coeficiente de correlación de la muestra R y el tamaño de la muestra n.
Si la prueba concluye que el coeficiente de correlación es significativamente diferente de cero, decimos que el coeficiente de correlación es «significativo».
Si la prueba concluye que el coeficiente de correlación no es significativamente diferente de cero (está cerca de cero), decimos que el coeficiente de correlación «no es significativo».
¿Qué son las pruebas para el coeficiente de correlación?
El coeficiente de correlación, R, nos cuenta sobre la fuerza de la relación lineal entre X e Y. Sin embargo, la confiabilidad del modelo lineal también depende de
¿Cuántos puntos de datos observados hay en la muestra? Necesitamos observar tanto el valor del coeficiente de correlación R como el tamaño de la muestra N, juntos.
Realizamos una prueba de hipótesis de la «importancia del coeficiente de correlación» para decidir si la relación lineal en los datos de la muestra es lo suficientemente fuerte como para usar
Modele la relación en la población.
Los datos de la muestra se utilizan para la computadora R, el coeficiente de correlación para la muestra. Si tuviéramos datos para toda la población, podríamos encontrar el coeficiente de correlación de la población. Pero
Debido a que solo tenemos datos de muestra, no podemos calcular el coeficiente de correlación de la población. El coeficiente de correlación de la muestra, R, es nuestra estimación de la población desconocida
coeficiente de correlación.
El símbolo del coeficiente de correlación de la población es ρ, la letra griega «rho».
La prueba de hipótesis nos permite decidir si el valor del coeficiente de correlación de la población ρ está «cerca de 0» o «significativamente diferente de 0». Decidimos esto en base a la muestra
Coeficiente de correlación R y el tamaño de la muestra n.
Si la prueba concluye que el coeficiente de correlación es significativamente diferente de 0, decimos que el coeficiente de correlación es «significativo».
- Conclusión: «Hay evidencia suficiente para concluir que existe una relación lineal significativa entre X e Y porque el coeficiente de correlación es
significativamente diferente de 0. «
¿Qué es una prueba estadística de correlación?
El coeficiente de correlación de Pearson es una medida de la correlación lineal entre dos variables x e y, que se pueden calcular como:
donde CoV es covarianza y σ es una desviación estándar.
El coeficiente de correlación de Pearson es un valor entre -1 y 1, donde -1 es una correlación negativa completa, 1 es una correlación positiva completa y 0 no es correlación.
La correlación de Spearman es una medida no paramétrica de correlación de rango entre dos variables, evalúa la relación monotónica (clima lineal o no) entre dos variables. Se puede usar para variables ordinales continuas y discretas, y se puede calcular como:
Donde RG es las variables clasificadas de X e Y, por lo tanto, el coeficiente de correlación de Spearman es el coeficiente de correlación de Pearson entre dos variables clasificadas. Igual que el coeficiente de correlación de Pearson, -1 indica una correlación negativa completa, mientras que 1 es una correlación positiva completa, y 0 no es correlación.
Las pruebas de chi-cuadrado verifican si las distribuciones de variables categóricas difieren entre sí, una estadística de prueba de chi-cuadrado muy pequeño significa que existe una relación entre dos variables categóricas y una estadística de prueba de chi-cuadrado muy grande significa que no hay una relación. La estadística de prueba de chi-cuadrado se calcula como:
- Oᵢ es el número de observaciones si el tipo I.
¿Qué es y para qué sirve un análisis de correlación?
R: Los estudios correlacionales son nuestros intentos de encontrar hasta qué punto están relacionadas dos variables. No se manipulan variables como parte de un experimento: el analista mide eventos, comportamientos o características naturales.
Es importante recordar que la correlación no es igual a la causalidad. No puede sacar ninguna conclusión con respecto al efecto causal de un tipo de datos en el otro, pero puede determinar el tamaño, el grado y la dirección de la relación.
R: El análisis de correlación es útil para identificar posibles entradas para un análisis más sofisticado o para probar cambios futuros mientras mantiene constantes otras cosas. También es posible que desee comprender la relación entre dos variables.
Lo mejor del análisis de correlación es que es bastante fácil de interpretar y comprender, porque solo está enfocado en la varianza de una fila de datos en relación con la varianza de otro conjunto de datos. El análisis de correlación también se puede utilizar para diagnosticar problemas con múltiples modelos de regresión. Es posible que tenga algunos problemas con un modelo de regresión multivariante o múltiple, donde no produce o tiene diferentes variables independientes que no son realmente independientes. Esos problemas se pueden descubrir haciendo un análisis de correlación entre las diferentes variables independientes.
El análisis de correlación también es una forma rápida de identificar el potencial. Si existe una correlación entre dos variables, el análisis de correlación brinda una oportunidad para pruebas de hipótesis rápidas, especialmente si la prueba es de bajo riesgo y no requerirá una inversión significativa de tiempo y dinero. Por ejemplo, puede encontrar que existe una correlación positiva entre los clientes que buscan revisiones para un producto en particular y si lo compran o no. No puede decir con certeza que las revisiones de productos causaron la compra, pero indica un lugar donde las pruebas pueden proporcionar más información. Si puede obtener un 10% más de personas para analizar las revisiones de productos, especialmente las positivas, ¿puede aumentar el número de compras? Las correlaciones pueden ayudar a alimentar diferentes hipótesis que luego pueden probarse rápidamente, especialmente en entornos digitales.
¿Qué es correlación en estadística ejemplos?
Suponga que la variable es la cantidad de horas trabajadas y que la variable es el salario ganado. Sospechamos que si trabajamos más horas, el salario será más alto. ¿Es esta una correlación positiva y negativa, o las variables no están correlacionadas?
Aquí es importante estudiar cómo varían las variables. Vemos que el salario aumenta con la cantidad de horas trabajadas. Esto significa que existe una correlación positiva entre estas variables. Puede ser útil dibujar un gráfico para mostrar cómo se vería.
Este derecho está aumentando, tiene una pendiente positiva y, por lo tanto, muestra que existe una correlación positiva entre estas variables.
En tercer lugar, podemos determinar la intensidad de la correlación lineal de dos series estadísticas observando cuán alineados están a lo largo de un derecho o el derecho que da la mejor aproximación. Si todos los puntos están muy cerca de la derecha, lo que da la mejor aproximación, entonces existe una fuerte correlación entre estos datos. Si muchos puntos están más distantes de la derecha, lo que da la mejor aproximación, entonces hay una baja correlación entre estos datos. Si no siguen el derecho en absoluto, lo que da la mejor aproximación, entonces estas series estadísticas no están correlacionadas.
Podemos ver más claramente cuánta serie estadística se correlacionan al comparar los juegos de datos en una nube de puntos a la derecha que brinda la mejor aproximación. Esto se ilustra en la nube de dispersión a continuación.
¿Cómo se interpreta el coeficiente de correlación de Pearson?
Su dimensión indica el nivel de asociación entre las variables.
- Cuando es inferior a cero (r <0) se dice que hay una correlación negativa: las variables están relacionadas en la dirección opuesta.
Los valores altos en una de las variables generalmente corresponden a valores bajos en la otra variable y viceversa. Cuanto más sea el valor cercano a -1 dicho coeficiente de correlación, más evidente será la covarianza extrema.
Si r = -1 se habla de una correlación negativa perfecta, que presupone una determinación absoluta entre las dos variables, en un sentido directo coexiste una relación lineal perfecta con una pendiente negativa.
- Cuando es inferior a cero (r <0) se dice que hay una correlación negativa: las variables están relacionadas en la dirección opuesta.
Los valores altos en una de las variables corresponden a valores altos en la otra variable y, de manera similar, en una situación inversa, ocurre con valores bajos. Cuanto más sea el coeficiente de correlación cercano a +1, más evidente será la covarianza.
Si R = 1 hablamos de correlación positiva perfecta, que presupone una determinación absoluta entre las variables, en un sentido directo coexiste una relación lineal perfecta de pendiente positiva).
- Cuando es inferior a cero (r <0) se dice que hay una correlación negativa: las variables están relacionadas en la dirección opuesta.
No existe una relación lineal, pero esto no implica necesariamente que las variables sean independientes y que puede haber relaciones no lineales entre las variables.
¿Cómo se interpreta una correlación de Pearson?
El coeficiente de correlación de Pearson, también conocido como la prueba estadística de Pearson R, mide la fuerza entre las diferentes variables y sus relaciones. Cada vez que se realiza una prueba estadística entre las dos variables, siempre es una buena idea que la persona que realiza los cálculos de análisis el valor del coeficiente de correlación para descubrir cuán fuerte es la relación entre las dos variables.
El coeficiente de correlación de Pearson devuelve un valor entre -1 y 1. La interpretación del coeficiente de correlación es la siguiente:
- Si el coeficiente de correlación es -1, indica una relación negativa fuerte. Implica una relación negativa perfecta entre las variables.
- Si el coeficiente de correlación es 0, no indica ninguna relación.
- Si el coeficiente de correlación es 1, indica una relación positiva fuerte. Implica una relación positiva perfecta entre las variables.
Un valor absoluto absoluto del coeficiente de correlación indica una relación más fuerte entre las variables. Por lo tanto, un coeficiente de correlación de 0.78 indica una correlación positiva más fuerte que un valor de, digamos 0.36. De la misma manera, un coeficiente de correlación de -0.87 indica una correlación negativa más fuerte que un coeficiente de correlación de que decimos -0.40.
En otras palabras, si el valor está en el intervalo positivo, muestra que la relación entre las variables se correlaciona positivamente y ambos valores disminuyen o aumentan juntos. Por otro lado, si el valor está en el intervalo negativo, muestra que la relación entre las variables se correlaciona negativamente y ambos valores irán en la dirección opuesta.
La fórmula del coeficiente de correlación de Pearson es la siguiente,
¿Qué es y cómo se interpreta el coeficiente de correlación?
La fórmula del coeficiente de correlación es un método estadístico utilizado para medir la fuerza de una relación entre dos variables. Aunque hay muchas formas de calcular el coeficiente de correlación, el más popular es probablemente la correlación de Pearson, también conocida como R de Pearson. Los valores potenciales del coeficiente están entre 1.0 y -1.0, con cualquier resultado fuera de este intervalo que indique que uno ha ocurrido un error de cálculo.
Aunque la fórmula del coeficiente de correlación es una forma efectiva de determinar la correlación entre dos variables, no indica la causalidad. El hecho de que dos variables estén relacionadas no significa automáticamente que una variable influya en la otra. El cálculo de la correlación simplemente muestra la relación entre las dos variables, aunque otros factores pueden ser la razón de su correlación. Aunque es posible que la razón de su correlación sea que uno influya en el otro, no es la única razón potencial para este fenómeno.
¿Qué es la correlación? (Con definición y ejemplos)
La fórmula del coeficiente de correlación se puede usar en cualquier situación en la que sea necesario comparar dos conjuntos de variables. Por ejemplo, los inversores pueden usarlo para averiguar si los diversos valores se correlacionan negativamente y cómo se correlacionan negativamente. Esto puede ayudarlos a determinar las formas más efectivas de proteger sus inversiones de las caídas inesperadas del mercado y las fluctuaciones de precios, mostrándoles las inversiones potenciales que probablemente aumentan en el valor cuando otros se deprecian. Los inversores también lo usan para tratar de predecir cómo un factor externo podría influir en el precio de un activo particular.
Artículos Relacionados:
