Инструкции:
Вы можете использовать этот пошаговый калькулятор коэффициента корреляции для двух переменных X и Y. Все, что вам нужно сделать, это ввести данные X и Y в формате, разделенном запятыми или пробелами (например: «2, 3, 4, 5 "или" 3 4 5 6 7 ").
Калькулятор коэффициента корреляции
Вычисленный выше коэффициент корреляции соответствует коэффициенту корреляции Пирсона. Требования для его вычисления заключаются в том, чтобы две переменные X и Y измерялись, по крайней мере, на уровне интервала (что означает, что он не работает с номинальными или порядковыми переменными).
Формула для коэффициента корреляции Пирсона:
[r =frac{n sum_{i=1}^n x_i y_i — left(sum_{i=1}^n x_i right) left(sum_{i=1}^n y_i right) }{sqrt{n sum_{i=1}^n x_i^2 — left( sum_{i=1}^n x_i right)^2} sqrt{n sum_{i=1}^n y_i^2 — left( sum_{i=1}^n y_i right)^2} }]
или эквивалентно
[r = frac{sum_{i=1}^n x_i y_i — frac{1}{n}left(sum_{i=1}^n x_i right) left(sum_{i=1}^n y_i right) }{sqrt{sum_{i=1}^n x_i^2 — frac{1}{n}left( sum_{i=1}^n x_i right)^2} sqrt{sum_{i=1}^n y_i^2 — frac{1}{n}left( sum_{i=1}^n y_i right)^2}} = frac{SS_{XY}}{sqrt{SS_{XX}cdot SS_{YY} }}]
Если у вас есть две или более переменных, вы можете использовать наш
калькулятор корреляционной матрицы
. Кроме того, если данные для переменных (X) и (Y) не соответствуют параметрическим предположениям для корреляции Пирсона, вам следует использовать это
Калькулятор корреляции Спирмена
вместо.
Могу ли я использовать z-значения для вычисления коэффициента корреляции
Безусловно! Вы повсюду видели z-значения в статистике и, естественно, задаетесь вопросом, можете ли вы
вычислить корреляцию с z-оценками
. Вы определенно можете это сделать, и на самом деле это обычный способ делать это в статистике социальных наук.
Другие калькуляторы, похожие на этот калькулятор корреляции
Также существует понятие
коэффициент множественной корреляции
, когда у вас есть более одного предиктора, который получается путем вычисления корреляции между наблюдаемыми значениями (Y) и прогнозируемыми значениями (hat Y) с помощью регрессии.
Этот веб-сайт использует файлы cookie для улучшения вашего опыта. Мы предполагаем, что вы согласны с этим, но вы можете отказаться, если хотите.
Принимать
Подробнее
коэффициент корреляции калькулятор
Коэффициент корреляции — это мера зависимости двух или более величин. Его еще называют коэффициентом взаимной корреляции. Он может отличаться от -1 до +1. -1 обозначает совершенно отрицательную корреляцию (если одна величина увеличивается, другая уменьшается), а +1 обозначает совершенно положительную корреляцию (если одна величина увеличивается, то и другая увеличивается). На этом статистическом калькуляторе рассчитывается коэффициент корреляции между известными переменными величинами X и Y.
Калькулятор коэффициента корреляции
Коэффициент корреляции — это мера зависимости двух или более величин. Его еще называют коэффициентом взаимной корреляции. Он может отличаться от -1 до +1. -1 обозначает совершенно отрицательную корреляцию (если одна величина увеличивается, другая уменьшается), а +1 обозначает совершенно положительную корреляцию (если одна величина увеличивается, то и другая увеличивается). На этом статистическом калькуляторе рассчитывается коэффициент корреляции между известными переменными величинами X и Y.
Корреляция коэффициентом Формула :
корреляция(r) = NΣXY — (ΣX)(ΣY) / Sqrt([NΣX2 — (ΣX)2][NΣY2 — (ΣY)2])
где,
N = Количество значений или элементов
X = Первый счет
Y = Во-вторых Оценка
ΣXY = Сумма продукта из первого и второго счеты
ΣX = Сумма первых рекорды
ΣY = Сумма второго рекорды
ΣX2 = Сумма квадратных первой набирает
ΣY2 = Сумма квадратных второго рекорды
Этот инструмент поможет вам динамически решать статистические задачи. Расчет коэффициента корреляции значительно облегчен.
Correlation Coefficient is a method used in the context of probability & statistics often denoted by {Corr(X, Y)} or r(X, Y) used to find the degree or magnitude of linear relationship between two or more variables in statistical experiments. It is a ratio of covariance of random variables X and Y to the product of standard deviation of random variable X and standard deviation of random variable Y. Generally, correlation refers to the change in one variable effects the change in another variable and it is classified into three types as positive correlation, negative correlation and zero correlation.
It always lie between -1 and +1 which represented by -1 ≤ r(X, Y) ≤ 1.
if r(X, Y) = 1 then the variables X and Y are positively correlated.
if r(X, Y) = -1 then the variables X and Y are negatively correlated.
if r(X, Y) = 0 then there is no correlation between the variables X and Y.
Income & expenditure, shares & debentures, rainfall & yield, supply & demand, demand & price blood pressure & age, age & income, expenditure &age, family & number of persons, age & height, age & weight are some of the examples for correlation. It’s a measure of degree of relationship between two or more variables. It’s also stated that it is an analysis between covariance between two or more variables. The range of correlation is between -1 to +1. There are different types of correlation measured in statistics based on the random variables & outcome of such calculations. Positive or negative, linear or non-linear, partial or total and simple or multiple correlation are the different types of correlation.
Formulas
The below formula is the mathematical representation for correlation r. Users may refer this below formula to know what are all the input parameters are being used to find the correlation between two or more variables.
Correlation Coefficient is a method used in the context of probability & statistics often denoted by {Corr(X, Y)} or r(X, Y) used to find the degree or magnitude of linear relationship between two or more variables in statistical experiments. It is a ratio of covariance of random variables X and Y to the product of standard deviation of random variable X and standard deviation of random variable Y. Generally, correlation refers to the change in one variable effects the change in another variable and it is classified into three types as positive correlation, negative correlation and zero correlation.
It always lie between -1 and +1 which represented by -1 ≤ r(X, Y) ≤ 1.
if r(X, Y) = 1 then the variables X and Y are positively correlated.
if r(X, Y) = -1 then the variables X and Y are negatively correlated.
if r(X, Y) = 0 then there is no correlation between the variables X and Y.
Income & expenditure, shares & debentures, rainfall & yield, supply & demand, demand & price blood pressure & age, age & income, expenditure &age, family & number of persons, age & height, age & weight are some of the examples for correlation. It’s a measure of degree of relationship between two or more variables. It’s also stated that it is an analysis between covariance between two or more variables. The range of correlation is between -1 to +1. There are different types of correlation measured in statistics based on the random variables & outcome of such calculations. Positive or negative, linear or non-linear, partial or total and simple or multiple correlation are the different types of correlation.
Formulas
The below formula is the mathematical representation for correlation r. Users may refer this below formula to know what are all the input parameters are being used to find the correlation between two or more variables.
Приведем парочку определений, если кто вдруг подзабыл.
Практически все определения можно найти в википедии.
Корреляция в математической статистике — это вероятностная или статистическая зависимость, не имеющая, вообще говоря, строго функционального характера. В отличие от функциональной, корреляционная зависимость возникает тогда, когда один из признаков зависит не только от данного второго, но и от ряда случайных факторов или же когда среди условий, от которых зависят и тот и другой признаки, имеются общие для них обоих условия.
Математической мерой корреляции двух случайных величин служит коэффициент корреляции.
Некоторые виды коэффициентов корреляции могут быть положительными или отрицательными (возможна также ситуация отсутствия статистической взаимосвязи — например, для независимых случайных величин). Если предполагается, что на значениях переменных задано отношение строгого порядка, то отрицательная корреляция — корреляция, при которой увеличение одной переменной связано с уменьшением другой переменной, при этом коэффициент корреляции может быть отрицательным; положительная корреляция в таких условиях — корреляция, при которой увеличение одной переменной связано с увеличением другой переменной, при этом коэффициент корреляции может быть положительным.
Если значение по модулю находится ближе к 1, то это означает наличие сильной связи, а если ближе к 0 — связь слабая или вообще отсутствует. При коэффициенте корреляции равном по модулю единице говорят о функциональной связи, то есть, изменения двух величин можно описать математической функцией.
Наиболее широко известен коэффициент корреляции Пирсона (Карл Пирсон (Pearson), английский математик, 1857-1936), характеризующий степень линейной зависимости между переменными. Он определяется, как
где буква M обозначает математическое ожидание.
Собственно, тут больше и говорить нечего — вводим случайные величины в таблицу (значения по умолчанию можно удалить), калькулятор рассчитывает коэффициент корреляции по формуле Пирсона
Коэффициент корреляции Пирсона
Изменения случайных величин
| X | Y | ||
|---|---|---|---|
Точность вычисления
Знаков после запятой: 4
Коэффициент корреляции Пирсона