При наличии двух рядов значений, подвергающихся ранжированию, рационально рассчитывать ранговую корреляцию Спирмена.
Такие ряды могут представляться:
- парой признаков, определяемых в одной и той же группе исследуемых объектов;
- парой индивидуальных соподчиненных признаков, определяемых у 2 исследуемых объектов по одинаковому набору признаков;
- парой групповых соподчиненных признаков;
- индивидуальной и групповой соподчиненностью признаков.
Метод предполагает проведение ранжирования показателей в отдельности для каждого из признаков.
Наименьшее значение имеет наименьший ранг.
Этот метод относится к непараметрическому статистическому методу, предназначенному для установления существования связи изучаемых явлений:
- определение фактической степени параллелизма между двумя рядами количественных данных;
- оценка тесноты выявленной связи, выражаемой количественно.
Корреляционный анализ
Статистический метод, предназначенный для выявления существования зависимости между 2 и более случайными величинами (переменными), а также ее силы, получил название корреляционного анализа.
Получил свое название от correlatio (лат.) – соотношение.
При его использовании возможны варианты развития событий:
- наличие корреляции (положительная либо отрицательная);
- отсутствие корреляции (нулевая).
В случае установления зависимости между переменными речь идет об их коррелировании. Иными словами, можно сказать, что при изменении значения Х, обязательно будет наблюдаться пропорциональное изменение значения У.
В качестве инструментов используются различные меры связи (коэффициенты).
На их выбор оказывает влияние:
- способ измерения случайных чисел;
- характер связи между случайными числами.
Существование корреляционной связи может отображаться графически (графики) и с помощью коэффициента (числовое отображение).
Корреляционная связь характеризуется такими признаками:
- сила связи (при коэффициенте корреляции от ±0,7 до ±1 – сильная; от ±0,3 до ±0,699 – средняя; от 0 до ±0,299 – слабая);
- направление связи (прямая или обратная).
Цели корреляционного анализа
Корреляционный анализ не позволяет установить причинную зависимость между исследуемыми переменными.
Он проводится с целью:
- установления зависимости между переменными;
- получения определенной информации о переменной на основе другой переменной;
- определения тесноты (связи) этой зависимости;
- определение направления установленной связи.
Методы корреляционного анализа
Данный анализ может выполняться с использованием:
- метода квадратов или Пирсона;
- рангового метода или Спирмена.
Метод Пирсона применим для расчетов требующих точного определения силы, существующей между переменными. Изучаемые с его помощью признаки должны выражаться только количественно.
Для применения метода Спирмена или ранговой корреляции нет жестких требований в выражении признаков – оно может быть, как количественным, так и атрибутивным. Благодаря этому методу получается информация не о точном установлении силы связи, а имеющая ориентировочный характер.
В рядах переменных могут содержаться открытые варианты. Например, когда стаж работы выражается такими значениями, как до 1 года, более 5 лет и т.д.
Коэффициент корреляции
Статистическая величина характеризующая характер изменения двух переменных получила название коэффициента корреляции либо парного коэффициента корреляции. В количественном выражении он колеблется в пределах от -1 до +1.
Наиболее распространены коэффициенты:
- Пирсона – применим для переменных принадлежащих к интервально шкале;
- Спирмена – для переменных порядковой шкалы.
Ограничения использования коэффициента корреляции
Получение недостоверных данных при расчете коэффициента корреляции возможно в тех случаях, когда:
- в распоряжении имеется достаточное количество значений переменной (25-100 пар наблюдений);
- между изучаемыми переменными установлено, например, квадратичное соотношение, а не линейное;
- в каждом случае данные содержат больше одного наблюдения;
- наличие аномальных значений (выбросов) переменных;
- исследуемые данные состоят из четко выделяемых подгрупп наблюдений;
- наличие корреляционной связи не позволяет установить какая из переменных может рассматриваться в качестве причины, а какая – в качестве следствия.
Проверка значимости корреляции
Для оценки статистических величин используется понятие их значимости или же достоверности, характеризующей вероятность случайного возникновения величины либо крайних ее значений.
Наиболее распространенным методом определения значимости корреляции является определение критерия Стьюдента.
Его значение сравнивается с табличным, количество степенней свободы принимается как 2. При получении расчетного значения критерия больше табличного, свидетельствует о значимости коэффициента корреляции.
При проведении экономических расчетов достаточным считается доверительный уровень 0,05 (95%) либо 0,01 (99%).
Ранги Спирмена
Коэффициент ранговой корреляции Спирмена позволяет статистически установить наличие связи между явлениями. Его расчет предполагает установление для каждого признака порядкового номера – ранга. Ранг может быть возрастающим либо убывающим.
Количество признаков, подвергаемых ранжированию, может быть любым. Это достаточно трудоемкий процесс, ограничивающий их количество. Затруднения начинаются при достижении 20 признаков.
Для расчета коэффициента Спирмена пользуются формулой:
в которой:
n – отображает количество ранжируемых признаков;
d – не что иное как разность между рангами по двум переменным;
а ∑(d2) – сумма квадратов разностей рангов.
Применение корреляционного анализа в психологии
Статистическое сопровождение психологических исследований позволяет сделать их более объективными и высоко репрезентативными. Статистическая обработка данных полученных в ходе психологических экспериментов способствует извлечению максимума полезной информации.
Наиболее широкое применение в обработке их результатов получил корреляционный анализ.
Уместным является проведение корреляционного анализа результатов, полученных при проведении исследований:
- тревожности (по тестам R. Temml, M. Dorca, V. Amen);
- семейных взаимоотношений («Анализ семейных взаимоотношений» (АСВ) опросник Э.Г. Эйдемиллера, В.В. Юстицкиса);
- уровня интернальности-экстернальности (опросник Е.Ф. Бажина, Е.А. Голынкиной и А.М. Эткинда);
- уровня эмоционального выгорания у педагогов (опросник В.В. Бойко);
- связи элементов вербального интеллекта учащихся при разно профильном обучении (методика К.М. Гуревича и др.);
- связи уровня эмпатии (методика В.В. Бойко) и удовлетворенностью браком (опросник В.В. Столина, Т.Л. Романовой, Г.П. Бутенко);
- связи между социометрическим статусом подростков (тест Jacob L. Moreno) и особенностями стиля семейного воспитания (опросник Э.Г. Эйдемиллера, В.В. Юстицкиса);
- структуры жизненных целей подростков, воспитанных в полных и неполных семьях (опросник Edward L. Deci, Richard M. Ryan Ryan).
Краткая инструкция к проведению корреляционного анализа по критерию Спирмена
Проведение корреляционного анализа с использованием метода Спирмена выполняется по следующему алгоритму:
- парные сопоставимые признаки располагаются в 2 ряда, один из которых обозначается с помощью Х, а другой У;
- значения ряда Х располагаются в порядке возрастания либо убывания;
- последовательность расположения значений ряда У определяется их соответствием значений ряда Х;
- для каждого значения в ряду Х определить ранг — присвоить порядковый номер от минимального значения к максимальному;
- для каждого из значений в ряду У также определить ранг (от минимального к максимальному);
- вычислить разницу (D) между рангами Х и У, прибегнув к формуле D=Х-У;
- полученные значения разницы возводятся в квадрат;
- выполнить суммирование квадратов разниц рангов;
- выполнить расчеты по формуле:
Пример корреляции Спирмена
Необходимо установить наличие корреляционной связи между рабочим стажем и показателем травматизма при наличии следующих данных:
Наиболее подходящим методом анализа является ранговый метод, т.к. один из признаков представлен в виде открытых вариантов: рабочий стаж до 1 года и рабочий стаж 7 и более лет.
Решение задачи начинается с ранжирования данных, которые сводятся в рабочую таблицу и могут быть выполнены вручную, т.к. их объем не велик:
| Рабочий стаж | Число травм | Порядковые номера | (ранги) | Разность рангов | Квадрат разности рангов |
| d(х-у) | |||||
| до 1 года | 24 | 1 | 5 | -4 | 16 |
| 1-2 | 16 | 2 | 4 | -2 | 4 |
| 3-4 | 12 | 3 | 2,5 | +0,5 | 0,25 |
| 5-6 | 12 | 4 | 2,5 | +1,5 | 2,5 |
| 7 и более | 6 | 5 | 1 | +4 | 16 |
| Σ d2 = 38,5 |
Появление дробных рангов в колонке связано с тем, что в случае появления вариант одинаковых по величине находится среднее арифметическое значение ранга. В данном примере показатель травматизма 12 встречается дважды и ему присваиваются ранги 2 и 3, находим среднее арифметическое этих рангов (2+3)/2= 2,5 и помещаем это значение в рабочую таблицу для 2 показателей.
Выполнив подстановку полученных значений в рабочую формулу и произведя несложные расчёты получаем коэффициент Спирмена равный -0,92
Отрицательное значение коэффициента свидетельствует о наличии обратной связи между признаками и позволяет утверждать, что небольшой стаж работы сопровождается большим числом травм. Причем, сила связи этих показателей достаточно большая.
Следующим этапом расчётов является определение достоверности полученного коэффициента:
рассчитывается его ошибка и критерий Стьюдента
Корреляция Пирсона есть мера линейной связи между двумя переменными. Она позволяет определить, насколько пропорциональна изменчивость двух переменных. Если переменные пропорциональны друг другу, то графически связь между ними можно представить в виде прямой линии с положительным (прямая пропорция) или отрицательным (обратная пропорция) наклоном.
На практике связь между двумя переменными, если она есть, является вероятностной и графически выглядит как облако рассеивания эллипсоидной формы. Этот эллипсоид, однако, можно представить (аппроксимировать) в виде прямой линии, или линии регрессии. Линия регрессии - это прямая, построенная методом наименьших квадратов: сумма квадратов расстояний (вычисленных по оси Y) от каждой точки графика рассеивания до прямой является минимальной
Особое значение для оценки точности предсказания имеет дисперсия оценок зависимой переменной. По сути, дисперсия оценок зависимой переменной Y - это та часть ее полной дисперсии, которая обусловлена влиянием независимой переменной X. Иначе говоря, отношение дисперсии оценок зависимой переменной к ее истинной дисперсии равно квадрату коэффициента корреляции.
Квадрат коэффициента корреляции зависимой и независимой переменных представляет долю дисперсии зависимой переменной, обусловленной влиянием независимой переменной, и называется коэффициентом детерминации. Коэффициент детерминации, таким образом, показывает, в какой степени изменчивость одной переменной обусловлена (детерминирована) влиянием другой переменной.
Коэффициент детерминации обладает важным преимуществом по сравнению с коэффициентом корреляции. Корреляция __________не является линейной функцией связи между двумя переменными. Поэтому, среднее арифметическое коэффициентов корреляции для нескольких выборок не совпадает с корреляцией, вычисленной сразу для всех испытуемых из этих выборок (т.е. коэффициент корреляции не аддитивен). Напротив, коэффициент детерминации отражает связь линейно и поэтому является аддитивным: допускается его усреднение для нескольких выборок.
Дополнительную информацию о силе связи дает значение коэффициента корреляции в квадрате - коэффициент детерминации: это часть дисперсии одной переменной, которая может быть объяснена влиянием другой переменной. В отличие от коэффициента корреляции коэффициент детерминации линейно возрастает с увеличением силы связи.
Коэффициенты корреляции Спирмена и τ-Кендалла (ранговые корреляции)
Если обе переменные, между которыми изучается связь, представлены в порядковой шкале, или одна из них - в порядковой, а другая - в метрической, то применяются ранговые коэффициенты корреляции: Спирмена или τ-Кенделла. И тот, и другой коэффициент требует для своего применения предварительного ранжирования обеих переменных.
Коэффициент ранговой корреляции Спирмена - это непараметрический метод, который используется с целью статистического изучения связи между явлениями. В этом случае определяется фактическая степень параллелизма между двумя количественными рядами изучаемых признаков и дается оценка тесноты установленной связи с помощью количественно выраженного коэффициента.
Если члены группы численностью были ранжированы сначала по переменной x, затем – по переменной y, то корреляцию между переменными x и y можно получить, просто вычислив коэффициент Пирсона для двух рядов рангов. При условии отсутствия связей в рангах (т.е. отсутствия повторяющихся рангов) по той и другой переменной, формула для Пирсона может быть существенно упрощена в вычислительном отношении и преобразована в формулу, известную как Спирмена.
Мощность коэффициента ранговой корреляции Спирмена несколько уступает мощности параметрического коэффициента корреляции.
Коэффицент ранговой корреляции целесообразно применять при наличии небольшого количества наблюдений. Данный метод может быть использован не только для количественно выраженных данных, но также и в случаях, когда регистрируемые значения определяются описательными признаками различной интенсивности.
Коэффициент ранговой корреляции Спирмена при большом количестве одинаковых рангов по одной или обеим сопоставляемым переменным дает огрубленные значения. В идеале оба коррелируемых ряда должны представлять собой две последовательности несовпадающих значений.
Альтернативу корреляции Спирмена для рангов представляет корреляция τ-Кендалла. В основе корреляции, предложенной М.Кендаллом, лежит идея о том, что о направлении связи можно судить, попарно сравнивая между собой испытуемых: если у пары испытуемых изменение по x совпадает по направлению с изменением по y, то это свидетельствует о положительной связи, если не совпадает - то об отрицательной связи.
На практике для определения тесноты связи двух признаков часто применяется коэффициент ранговой корреляции Спирмена (Р). Значения каждого признака ранжируются по степени возрастания (от 1 до n), затем определяется разница (d) между рангами, соответствующими одному наблюдению.
Пример №1
. Зависимость между объемом промышленной продукции и инвестициями в основной капитал по 10 областям одного из федеральных округов РФ в 2003 году характеризуется следующими данными.
Вычислите ранговые коэффициенты корреляции Спирмена
и Кендэла . Проверить их значимость при α=0,05. Сформулируйте вывод о зависимости между объемом промышленной продукции и инвестициями в основной капитал по рассматриваемым областям РФ.
Присвоим ранги признаку Y и фактору X . Найдем сумму разности квадратов d 2 .
Используя калькулятор , вычислим коэффициент ранговой корреляции Спирмена:
| X | Y | ранг X, d x | ранг Y, d y | (d x - d y) 2 |
| 1.3 | 300 | 1 | 2 | 1 |
| 1.8 | 1335 | 2 | 12 | 100 |
| 2.4 | 250 | 3 | 1 | 4 |
| 3.4 | 946 | 4 | 8 | 16 |
| 4.8 | 670 | 5 | 7 | 4 |
| 5.1 | 400 | 6 | 4 | 4 |
| 6.3 | 380 | 7 | 3 | 16 |
| 7.5 | 450 | 8 | 5 | 9 |
| 7.8 | 500 | 9 | 6 | 9 |
| 17.5 | 1582 | 10 | 16 | 36 |
| 18.3 | 1216 | 11 | 9 | 4 |
| 22.5 | 1435 | 12 | 14 | 4 |
| 24.9 | 1445 | 13 | 15 | 4 |
| 25.8 | 1820 | 14 | 19 | 25 |
| 28.5 | 1246 | 15 | 10 | 25 |
| 33.4 | 1435 | 16 | 14 | 4 |
| 42.4 | 1800 | 17 | 18 | 1 |
| 45 | 1360 | 18 | 13 | 25 |
| 50.4 | 1256 | 19 | 11 | 64 |
| 54.8 | 1700 | 20 | 17 | 9 |
| 364 |
Связь между признаком Y фактором X сильная и прямая.
Оценка коэффициента ранговой корреляции Спирмена
По таблице Стьюдента находим Tтабл.
T табл = (18;0.05) = 1.734
Поскольку Tнабл > Tтабл, то отклоняем гипотезу о равенстве нулю коэффициента ранговой корреляции. Другими словами, коэффициента ранговой корреляции Спирмена статистически - значим.
Интервальная оценка для коэффициента ранговой корреляции (доверительный интервал)
Доверительный интервал
для коэффициента ранговой корреляции Спирмена: p(0.5431;0.9095).
Пример №2 . Исходные данные.
| 5 | 4 |
| 3 | 4 |
| 1 | 3 |
| 3 | 1 |
| 6 | 6 |
| 2 | 2 |
| Новые ранги | ||
| 1 | 1 | 1 |
| 2 | 2 | 2 |
| 3 | 3 | 3.5 |
| 4 | 3 | 3.5 |
| 5 | 5 | 5 |
| 6 | 6 | 6 |
| Номера мест в упорядоченном ряду | Расположение факторов по оценке эксперта | Новые ранги |
| 1 | 1 | 1 |
| 2 | 2 | 2 |
| 3 | 3 | 3 |
| 4 | 4 | 4.5 |
| 5 | 4 | 4.5 |
| 6 | 6 | 6 |
| ранг X, d x | ранг Y, d y | (d x - d y) 2 |
| 5 | 4.5 | 0.25 |
| 3.5 | 4.5 | 1 |
| 1 | 3 | 4 |
| 3.5 | 1 | 6.25 |
| 6 | 6 | 0 |
| 2 | 2 | 0 |
| 21 | 21 | 11.5 |
где
j - номера связок по порядку для признака х;
А j - число одинаковых рангов в j-й связке по х;
k - номера связок по порядку для признака у;
В k - число одинаковых рангов в k-й связке по у.
A = [(2 3 -2)]/12 = 0.5
B = [(2 3 -2)]/12 = 0.5
D = A + B = 0.5 + 0.5 = 1
Связь между признаком Y и фактором X умеренная и прямая.
Корреляционный анализ является методом, позволяющим обнаруживать зависимости между определенным количеством случайных величин. Цель корреляционного анализа, сводится к выявлению оценки силы связей между такими случайными величинами либо признаками, характеризующими определенные реальные процессы.
Сегодня мы предлагаем рассмотреть, как применяется корреляционный анализ по Спирмену, для наглядного отображения форм связи в практическом трейдинге.
Корреляция по Спирмену или основа корреляционного анализа
Для того чтобы понять, что такое корреляционный анализ, изначально следует уяснить понятие корреляции.
При этом, если цена начнет двигаться в нужном Вам направлении необходимо вовремя произвести разлокирование позиций.
Для данной стратегии в основу которой положен корреляционный анализ, наилучшим образом подходят торговые инструменты имеющие высокую степень корреляции (EUR/USD и GBP/USD, EUR/AUD и EUR/NZD, AUD/USD и NZD/USD, контракты CFD и тому подобные).
Видео: Применение корреляции Спирмена на рынке Форекс
This calculator below calculates Spearman"s rank correlation coefficient between two random variables. The theoretical part is traditional below the calculator.
add import_export mode_edit delete
Changes of random variables
| arrow_upward arrow_downward | arrow_upward arrow_downward | ||
|---|---|---|---|
| mode_edit |
Changes of random variables
Import data Import error
"One of the following characters is used to separate data fields: tab, semicolon (;) or comma(,)" Sample: -50.5;-50.5
Import Back Cancel
Digits after the decimal point: 4
Calculate
Spearman"s correlation coefficient
Save share extension
The method of Spearman"s rank correlation coefficient calculation is actually pretty simple. It"s like the Pearson correlation coefficient , but designed not for measurements of random variables only but for their ranking values .
We have only to understand what is the rank value and why all this is necessary.
If the elements of a variational series arranged in ascending or descending order, that rank of the element will be his number in ordered series.
For example, we have a variational series {17,26,5,14,21}. Let"s sort it"s elements in a descending order {26,21,17,14,5}. 26 has a rank of 1, 21 - rank of 2 and so on, Variational series of ranking values will look like this {3,1,5,4,2}.
I.e. when calculating Spearman"s coefficient initial variation series are converted into variational series of ranking values and then Pearson"s formula is applied to them.
.
There is one subtlety - the rank of the repeating values is taken as the average of the ranks. That is, for a series {17, 15, 14, 15}ranking series will look like {1, 2.5, 4, 2.5}, as the first element is 15 has a rank of 2, and the second - rank of 3, and.
If you don"t have the repeating values, that is, all the values of ranking series - the numbers between 1 and n, the Pearson"s formula can be simplified to
By the way, this formula is often given as the formula for calculating the Spearman"s coefficient.
What is the essence of the transition from the values themselves to their rank value?
When investigating the correlation of ranking values you can find how well the dependence of the two variables is described by a monotonic function.
The sign of the coefficient indicates the direction of the relationship between variables. If the sign is positive the values of Y has a tendency to increase with the increasement of X. If the sign is negative the values of Y has a tendency to decrease with the increasement of X. If the coefficient is 0 there is no tendency then. If the coefficient equals 1 or -1, the relationship between X and Y has an appearance of monotonic function, i.e. with the increasement of X, Y also increases and vice versa.
That is, unlike the Pearson"s correlation coefficient, which can detect only the linear relationship of one variable from another, Spearman"s correlation coefficient can detect monotonic dependence, where the direct linear relationship cannot be revealed.
Here"s an example.
Поясню на примере. Let"s suppose,we examine the function y=10/x.
We have the following measurements of X and Y
{{1,10}, {5,2}, {10,1}, {20,0.5}, {100,0.1}}
For this data, Pearson correlation coefficient is equal to -0.4686, i.e. the relationship is weak or absent. And Spearman"s correlation coefficient is strictly equal to -1, as if it"s hints to the researcher that Y has strongly negative monotonic dependence from X.
