相关类型：确定数据关系的工具
常常想知道有一件事是否与另一件事有关？喜欢吃巧克力和疙瘩吗？我做。有时。好的，很多次！
您可以使用调用的统计工具找到这样的东西相关性。相关性和负相关类型的相关性。基本上，两个变量之间的任何关系都称为相关性。这些变量，如这些已经发生在人口或一组中，并且不会被执行实验的人控制。当以这样的方式发生直接关系时，当第一变量增加时，当第一个变化增加就像在较高的天气温度下越高的汽车过热时，这被称为正相关。相比之下，当一个可变金额上升并且另一个可变量下降时，就像在一周内吃得更多的冰淇淋一样，这是一个脾气暴躁，这被称为负相关。
在这两种相关类型中，没有证据或证据表明一个变量的变化也会导致另一个变量变化。换句话说，更多的冰淇淋可能不是造成较少的脾气暴躁。相关性只是迹象表明，两个变量之间存在关系。重要的是要记住因果和相关性并不相同。
这是一个题为的课程介绍统计第1部分：描述性统计这有助于您以自己的速度学习统计数据的应用程序和概念。
在统计数据的主题中，两个数据集或两个随机变量之间的任何关系称为“依赖性”。相关性是指与依赖有关的统计数据中的任何关系。其中的示例包括儿童和父母的外观之间的相关性。产品价格与它产生的需求之间也存在相关性。由于相关性表示预测关系，有时会被利用。例如，电气公用事业公司可以在更温和的日子中产生更少的电力，因为他们知道电力需求与天气之间的相关性。就像他们知道在天气的极端条件下，人们使用更多的电力来进行冷却和加热。
这就是为什么在统计数据中，相关性非常有用。这些不仅解释了关系的强度，而且描述了变量之间的连接。例如，两个变量可以是城市的大小和犯罪率，观察者可以汲取城市人口与犯罪之间的相关性。When you find out the correlation between these two variables, you can then make a statement such as, ‘when the size of the city increases, so does the crime rate.’ Or ‘there is no relationship between city size or crime rate.’ There can either be negative or positive correlations and the varied results depend on the type of performed correlations. Here is an article about快速轻松地学习统计数据这可能会让你在统计阶级领先。
肯德尔等级相关性
Kendall等级相关性为Maurice Kendall，英国统计学家的名称命名为2个随机变量组之间的依赖强度。当Spearman的相关性拒绝零假设时，肯德尔可以用于进一步分析统计数据。这与间隔，比率或序数异构和均匀的排名数据一起使用。也称为不和谐对，这在当一个变量值之一减小并且由'y'表示的变量的一个变量值下降并且增加的变量的相应时达到相关性。当两个变量同时增加时，然后发生相关性。这也被称为一对“一致”。想要了解更多信息吗？这是一个叫做的课程用户体验的实用统计数据这向您展示了如何解释大型和小样本测试。
排名相关系数
这些类型的相关性测量一个变量增加一个变量的范围，还有另一个的增加，而不需要线性关系表示这种增加。等级相关系数的示例是KENDALL的等级相关系数和SPEARMAN的等级相关系数。如果有一个变量增加，则获得负秩相关性，但另一个变量减少。许多人认为这种类型的相关性与Pearson的系数替代方案，用来使系数对分布不正常度或降低计算量来使系数不太敏感。另一方面，诸如此类的观点几乎没有数学基础，因为这种类型的相关性测量比Pearson版本的各种关系类型。因此，这种类型被视为各种关联类型的测量，而不是用于测量群体相关系数的替代方案。因此，您了解这种相关类型的工作方式，这里有几对号码供您考虑：
（102,2000）。（101,500），（10,100），（0,1）
您会注意到当您查看每个对的对，因为x降低，所以y。这使它成为一个完美的关系，因为两个数字都做同样的事情（x增加，也增加）。以相同的方式，如果x发生增加但y降低，则等级相关系数将是负的（-1）。
Pearson的产品矩系数
在2个数量之间，最熟悉的相关衡量标准是Pearson的相关系数或Pearson的产品矩相关系数。大多数时候，人们只是将此称为相关系数。您通过标准偏差产品划分2个变量的协方差来获得此号码：
r =协方差/（标准差x）（标准偏差y）
这种类型的系数是由名叫Karl Pearson的人从弗朗西斯加尔顿的类似想法略有不同。Karl Pearson也恰好成为数学统计学学科的创始人。基本上，Pearson系数充当了使用间隔均匀数据或相同数据或定量比率的数学公式表示的测量的统计工具。这被认为是线性简单相关，这意味着2个变量关系取决于它们是常规的或常数。通过Pearson测量相关性“规律性或强度，并且这是否是负面的或正面关系。您有更强烈的相关性，r的值越升至+1.00或-1.00。相关性较弱，r的值越近于零。因此，如果R等于.90或-.90，这将是比.09或-.09更强的关系。
散点图
又称散射图，这示出了具有坐标的网格上的2个间隔变量的关系。在这里，您只看到积分。在回归分析中，这是第一步。实际上，一个散点图是一种非常快速的方式，了解变量之间存在关联以及如何发生关联的强度。散点图也描绘了关系的方向。在一条直线上，所有聚类点都在一起建议是一个强大的关系。即使在线的外观上，也仍然存在关系。如果点分散但不群集，则没有关系，它被认为是随机的。如果您想进一步迈出这一步，这是一个关于的课程推论统计这向您展示了如何逐步解释和分析测试。
相关确定
为了确定比例降低误差的线性回归结果的测量，使用相关确定。这种类型的相关性也显示了从属变量总变化的比例。这也称为确定系数。如果自协议生最初也是负面的，则将负标志添加到答案中。用于确定这一致的公式是：
R平方=协方差平方/（方差x）（方差y）
其他相关类型
- 相关比能够检测几乎具有功能的任何相关性。为了检测更多的依赖性是其他类型，例如：双总相关，总相关性和基于熵的相互信息。
- 超出简单的线性回归，确定系数概括了关系的相关系数。
- 捕获更完整的相关性的一种方法是考虑它们之间是一种谱图。
- 您可以应用于估计潜在理论变量之间的相关性的序号数据称为聚思化学相关性的另一个相关性。
- 布朗相关或协方差是一种用于解决Pearson的相关性缺陷所做的一种相关性，其可以为随机依赖值为零。在布朗版本中，零相关和零距离意味着独立。
- 它不足以在随机与相关系数之间定义随机的变量之间的相关性。它仅在非常具体的情况下，例如当相关系数完全定义依赖性结构时，就像在多变量正态分布中一样。
关于相关性和因果关系的说明
因果关系和相关用于报告社会研究和实验中的结果。事实是，媒体往往会使用两者，好像它们是一个和相同或相互互换的。虽然因果关系是相关性，但它是一个逻辑谬误，错误地误认为与原因/效果关系相关。重要的是要知道两者之间的差异，以便可以正确解释实验结果。
Correlations are when there is a type of relationship between two things, not necessarily being a relationship of cause and effect, such as ‘there are higher rates of lung cancer in people who smoke,’ which is a statement of positive correlation, since lung cancer increases as smoking does. This is not the same as causality. On the flip side of the coin, when you hear the word ‘causality,’ this means that something causes another, or that there is a cause-effect relationship with something else. It is hard to prove causalities since you need evidence proving that between 2 things, there is a relationship and also that the type of relationship it is happens to be cause and effect. For instance, a statement of causality would be, ‘lung cancer is caused by smoking’ since it says that one thing is actually caused by another thing. The primary difference between causality and correlation is that causality is not proved by correlation. Two things can have a relationship but this does not mean that B is caused by A. Thing A may be caused by Thing B or some other reason may be causing them both. For instance, studies show that compared to non-pet owners, there are lower depression rates in pet owners. This is a negative correlation. However it does not mean to say that pet ownership causes lower depression rates or that lower depression rates causes people to become pet owners. It just means that the two are related without pinpointing the cause.
希望这可以帮助！这是一个题为的课程概率和统计讲习班这向您逐步向您逐步统计统计学方法。
